AI 에이전트를 위한 로컬 우선 마크다운 메모리 서버 조사: Mem0, Hindsight, Zep, 그리고 신규 Engram

한 Reddit 사용자가 데이터베이스나 클라우드 서비스가 아닌 읽을 수 있는 Markdown 파일로 메모리를 저장하는 완전 로컬 에이전트 메모리 시스템을 요청했습니다. 약 20개의 제안을 받아 모두 테스트한 결과, 각 도구가 실제로 제공하는 기능과 남은 격차를 분석했습니다.

비메모리 시스템으로 분류

여러 제안된 도구는 메모리 시스템이 아닙니다: ChromaDB는 벡터 데이터베이스이고, qmd는 쓰기 파이프라인이 없는 문서 검색 엔진이며, ContextKeep은 컨텍스트 압축을 수행하고, LCM은 세션 컨텍스트만 유지합니다.

기존 옵션

• mem0 — 시장 선두 주자, 그래프 기반 메모리, 여러 언어의 SDK, 프로덕션 규모. 단점: 기본적으로 OpenAI 사용, 호스팅 선호, 불투명 데이터베이스에 저장.
• Hindsight — 지식 그래프, 엔터티 해결, 모순된 메모리 처리. Postgres + 벡터 DB 필요, 스토리지는 SQL — 파일을 직접 읽을 수 없음.
• Zep — 가장 오랜 실적, 다중 모드 메모리, 구조화된 추출. 클라우드 우선, Hindsight와 유사한 인프라 요구 사항.
• Honcho — 지속적 학습, 상태 저장 아키텍처, 연구 수준에 가까움. AGPL 라이선스 + 클라우드 의존성.

OpenClaw 전용 옵션

• memory-lancedb-pro — OpenClaw용 가장 강력한 메모리 플러그인, 하이브리드 검색, 감쇠 모델, 적극 유지 관리. 독립 서버 아님.
• GBrain — MCP 우선, OpenClaw와의 괜찮은 통합, 생태계 외부에서는 유용하지 않음.

가장 흥미로운 신규 진입자: mnem

mnem은 Rust 단일 바이너리로, Python/Ollama/외부 종속성이 없습니다. "에이전트 메모리를 위한 git"으로 설명됨: 브랜치, diff, 병합, 되돌리기. GraphRAG 사용. mem0 대비 벤치마크 양호. 출시 2주 — 테스트 범위 얇음. 스토리지는 콘텐츠 주소 지정 그래프 노드, 읽을 수 있는 파일 아님.

격차와 해결책: Engram

테스트된 도구 중 완전 로컬 + 사람이 읽을 수 있는 파일 저장 + 스마트 중복 제거 + 중요도 감쇠 + 인프라 요구 사항이 없는 독립 서버를 모두 결합한 것은 없었습니다. Obsidian68의 Engram(github.com/Obsidian68/Engram)은 완전히 새롭지만(별 거의 없음) 네 가지 조건을 모두 충족합니다:

• 메모리를 폴더의 Markdown 파일로 저장 — VS Code에서 열기, 편집, 삭제 가능.
• 전체 REST API 및 MCP 서버.
• 쓰기 시 스마트 중복 제거, 오래된 메모리에 대한 중요도 감쇠.
• Ollama에서 완전히 실행 — API 키 없음, 외부 호출 없음, 완전 로컬.

에이전트의 지식에 대해 개인 정보 보호와 가독성이 중요하다면, Engram이 현재 유일한 완전한 솔루션입니다.