skill-depot: MCP 호환 AI 에이전트를 위한 로컬-퍼스트 메모리 및 스킬 시스템

skill-depot의 기능

skill-depot은 AI 에이전트의 스킬과 지식이 여러 디렉토리에 흩어져 쌓이는 문제를 해결합니다. 모든 것을 컨텍스트에 로드하여 토큰을 낭비하거나, 아무것도 로드하지 않아 학습한 내용을 잊는 대신, 에이전트 지식을 마크다운 파일로 저장하고 벡터 임베딩을 사용해 의미론적으로 검색하여 관련된 내용만 선택적으로 로드하는 검색 시스템을 제공합니다.

작동 방식

에이전트는 세 가지 수준의 세부 정보로 skill-depot과 상호작용합니다:

• skill_search("query")는 이름, 점수, 스니펫이 포함된 검색 결과를 반환합니다
• skill_preview("skill-name")는 섹션별 제목과 첫 문장이 포함된 구조화된 개요를 반환합니다
• skill_read("skill-name")는 전체 마크다운 콘텐츠를 반환합니다

skill_learn 도구를 사용하면 에이전트가 즉시 지식을 생성하거나 추가할 수 있으며, "created" 또는 "appended"와 같은 작업과 병합된 태그를 반환합니다.

기술 구현

• 임베딩: ONNX를 통한 로컬 트랜스포머 모델 all-MiniLM-L6-v2 사용 (384차원 벡터, ~80MB 일회성 다운로드)
• 저장: 벡터 검색을 위한 SQLite + sqlite-vec
• 대체: 모델을 사용할 수 없을 때 BM25 용어 빈도 검색
• 프로토콜: 9가지 도구가 있는 MCP (검색, 미리보기, 읽기, 학습, 저장, 업데이트, 삭제, 재인덱싱, 목록)
• 형식: 표준 마크다운 + YAML 프론트매터 (Claude Code와 Codex가 사용하는 형식과 동일)

설정 및 사용 사례

설정은 간단합니다: npx skill-depot init. 이 도구는 로컬 우선, 제로 설정, MCP 네이티브 사용을 위해 설계되었으며, 관리할 API 키 없이, 실행할 서버 없이, 프레임워크 종속성 없이 작동합니다. 단점은 범위가 좁다는 점입니다—세션 관리나 자동 메모리 추출은 (아직) 수행하지 않습니다.

다른 도구와의 비교

• mem0: 정교한 API를 가진 관리형 메모리 레이어에 적합하지만, 클라우드 의존성이 있습니다
• OpenViking: 세션 관리, 다중 유형 메모리, 대화에서의 자동 추출 기능을 갖춘 완전한 컨텍스트 데이터베이스
• LangChain/LlamaIndex 메모리 모듈: 이미 해당 생태계에 있는 경우 탄탄합니다

향후 고려 사항

개발자는 다음 사항을 추가할 것을 고려하고 있습니다:

• 메모리 유형 (스킬, 메모리, 리소스 구분)
• 중복 항목 감지를 위한 중복 제거
• 임시 지식 자동 정리를 위한 TTL/만료
• 여러 세션에 걸쳐 강화된 메모리가 더 높은 순위를 받는 신뢰도 점수