한정

Best Agent Memory Framework 2026 실측 랭킹

AI 엔지니어링 Agent Memory · AI Agent
2026-08-07 약 15분

결론: 2026년 단일 Best Agent Memory Framework는 없음 — Mem0 최속, Zep 시계열, Letta 장기, TencentDB 팀 자산, LangMem LangGraph, OpenMemory 로컬 MCP.

동일 support-bot 시나리오로 6종 실측.

핵심 요약

  1. 결론 먼저: 만능 1위는 없습니다 — Mem0는 기존 Agent에 가장 빠른 볼트온, Zep는 시계열·컴플라이언스, Letta는 기억+런타임 일체형, TencentDB Agent Memory는 팀 4계층 자산+MCP, LangMem는 LangGraph 네이티브, OpenMemory는 로컬 MCP로 앱 간 공유.
  2. 동일한 고객지원 Bot 시나리오(50턴 대화 + 관계형 추적 질문 20개)로 실측: Mem0 온보딩이 가장 빠름(약 45분), Zep가 관계형 Recall 최고, Letta가 장기 페르소나 일관성 최우수, TencentDB는 코드/Wiki 콜드스타트에서 선두.
  3. 모델 성능이 분기점이 아니라 기억 유형(사용자 사실 vs 시계열 그래프 vs 자체 관리 컨텍스트 vs 팀 자산)이 선택의 분기점입니다.
  4. 기억 계층은 MCP Server, 저장소, 시크릿과 같은 상시 가동 노드에 배치해야 합니다 — 노트북을 닫으면 리콜 경로가 끊깁니다(MCP Server 배포 결정 참고).
  5. 문말에 시나리오 매트릭스, 권장 스택, 7단계 구현과 FAQ를 첨부. 키워드: Best Agent Memory Framework · Mem0 · Zep · Letta · TencentDB · LangMem · OpenMemory.
개발자 워크스페이스와 데이터 네트워크 — AI 에이전트 장기 기억 프레임워크 선택
Agent Memory는 더 큰 컨텍스트 창이 아니라, 검색 가능하고 거버넌스 가능하며 세션을 넘어 재사용할 수 있는 외부 기억 계층입니다.

선행 결론: 2026 Best Agent Memory Framework 실측 순위

프레임워크 선택의 승부는 GitHub Star가 아니라 무엇을 기억하고, 누가 편집하며, 사실이 만료되는지에 달려 있습니다. 동일 모델에서도 올바른 기억 계층이 모델 교체보다 토큰 비용과 환각을 줄입니다.

2026년 8월 kvmboot 엔지니어링 팀은 동일 Node.js 고객지원 Bot 골격에 6가지 방식을 연결하고, 통일 시나리오: 가입 → 요금제 변경 → 불만 → 30일 후 후속 조치. 첫 기억까지의 공수, P95 검색 지연, 관계형 추적 Recall@5, 월 API 비용 추정, 멀티테넌트 격리 5개 축으로 종합 평가한 결과:

  1. Mem0(종합 1위) — SDK 약 30줄로 memory.add() / search(); 관리형·셀프호스트 이중 트랙; 개인/단일 앱 Agent 기본값.
  2. Zep + Graphiti — 「3월 알레르기, 6월 완치」류 시계열 만료 문제에서 최고 정확도; 금융/의료/티켓 감사 우선.
  3. Letta(구 MemGPT) — Agent가 memory blocks를 스스로 편집; 수 주간 개인 비서/롤플레이에 최강이나 Letta 런타임 채택이 전제.
  4. TencentDB Agent Memory — 텐센트 MIT OSS; Chat Memory / Skill / Wiki / CodeGraph 4계층 팀 자산 + MCP 5도구; OpenClaw/Claude Code 플러그인 경로가 명확.
  5. LangMem — LangChain 공식; BaseStore 네이티브; 이미 LangGraph면 마찰 제로, 기억만 위해 오케스트레이션 도입은 과함.
  6. OpenMemory — Mem0 계열 로컬 MCP; Cursor + Claude Desktop에서 동일 기억库 공유; 멀티테넌트 SaaS 백엔드에는 부적합.

비대칭 결론: 「Best Agent Memory Framework」에 단일 답은 없고, 기억이 사용자급·시계열급·자체관리급·팀자산급 중 어디에 해당하는지에 대한 답이 있습니다.

1. Agent에 독립 기억 계층이 필요한 이유(Why)

2025–2026년 주류 Agent(Claude Code, Cursor, OpenClaw)는 컨텍스트 창을 200K+까지 확장했지만, 프로덕션에서는 여전히 3가지 실패가 있습니다:

  • 세션 간 단절: 지난주 「다크 모드만」이라고 한 사용자에게 오늘 다시 묻습니다 — 창이 커도 종료된 thread는 복구할 수 없습니다.
  • 관계와 시간: 「어제 매니저가 승인한 예산」에는 그래프나 bitemporal 사실이 필요하며, 평면 벡터로는 안정적 리콜이 어렵습니다.
  • 팀 지식 콜드스타트: 새 Agent는 빈 대화에서 회사 규정을 배워서는 안 됩니다; Wiki, CodeGraph, 승인된 Skill을 마운트해야 합니다.

독립 기억 계층은 「대화 흐름」과 「검색 가능한 자산」을 분리합니다: Host(IDE/CLI)가 추론을, Memory가 쓰기 전략, 검색 라우팅, ACL 권한을 담당합니다. 이는 듀얼 Agent 클라우드 Mac 격리 아키텍처와 동형 — 실행 노드와 기억 노드 모두 7×24 온라인이어야 하며, 노트북의 임시 프로세스가 아닙니다.

2. 기억 프레임워크 4가지 유형(What)

2.1 볼트온 기억 계층(Mem0, OpenMemory)

Agent 런타임을 바꾸지 않고 SDK 또는 MCP로 추론 전 search, 추론 후 add. Mem0는 대화에서 사실을 자동 추출; OpenMemory는 동일 역량을 로컬 MCP로 래핑해 Cursor/Claude에서 공유.

2.2 시계열 지식 그래프(Zep / Graphiti)

Graphiti는 엔티티 엣지에 유효 시간을 부여해 사실 만료와 이력 추적을 지원. Zep Cloud는 관리형 API와 다국어 SDK 제공.

2.3 Agent 자체 관리 기억 런타임(Letta)

Letta는 MemGPT 사상 계승: core memory가 컨텍스트에 상주, archival은 외부화, Agent가 도구로 기억/망각 결정. 기억과 루프가 일체.

2.4 오케스트레이션 네이티브 + 팀 자산 Hub(LangMem, TencentDB)

LangMem은 extract/consolidate/search 프리미티브를 LangGraph store에 연결. TencentDB Agent Memory는 대화·문서·코드 저장소를 ACL Memory Asset으로 통합하고 MCP로 tdai_recall 등 도구 공개.

3. 실측 방법과 평가 축

환경: AWS t3.large 대조기 + kvmboot 클라우드 Mac M4 16GB(Claude Code 측 Agent와 MCP 프로브). 데이터: 익명화 지원 코퍼스 50턴 × 3 사용자 페르소나. 지표:

  • TTFM(Time To First Memory): clone부터 첫 성공 recall까지 엔지니어 공수;
  • P95 검색 지연: search 1회 호출 밀리초;
  • Recall@5: 시간/관계 함정 포함 추적 질문 20개;
  • 월 비용 추정: 기억 쓰기+검색 API(메인 LLM 대화 제외);
  • 격리: user A가 user B 기억을 검색할 수 없어야 함(반드시 실패).

참고: 수치는 kvmboot 실험 재현 참고이며 벤더 공식 벤치마크가 아닙니다. 동일 시나리오로 자사 데이터에서 48시간 재실행 후 방식을 확정하세요.

4. 6개 프레임워크 5차원 비교표

Framework Entry Memory model Deploy / cost Permission boundary Best for
Mem0 🥇 Python/JS SDK, REST Extracted facts + vector/graph (Pro) Managed free tier + self-host Per user_id / agent_id Bolt memory onto an existing agent fast
Zep 🥈 Python/TS/Go SDK Temporal knowledge graph (Graphiti) Cloud-first; Graphiti OSS Session + entity ACL Compliance, audits, evolving facts
Letta 🥉 Letta Agent SDK / ADE Core / Recall / Archival tiers Self-host Postgres+pgvector or cloud Agent-managed memory blocks Greenfield long-running stateful agents
TencentDB Agent Memory MCP / OpenClaw plugin / SDK 4-tier assets: Chat·Skill·Wiki·CodeGraph Local SQLite default; optional TCVDB Team/User/Agent ACL binding Multi-agent teams, cold-start knowledge import
LangMem LangGraph BaseStore Semantic/episodic/procedural primitives OSS library; storage-agnostic LangGraph thread/store scope Teams already on LangGraph
OpenMemory Local MCP server Mem0-powered cross-app memory Local-first, no cloud required User-owned disk Share memory across Cursor/Claude tools

5. 프레임워크별 실측 노트

5.1 Mem0 — 가장 빠른 통합, 최대 생태계

Python 통합 약 45분: pip install mem0ai, Qdrant 또는 관리형 엔드포인트 설정, client.add(messages, user_id=...)로 완료. 평면 사실 Recall@5 약 88%, 관계/시간 문제 약 62%. Graph Memory는 Pro 플랜(약 $249/월)에서 해제 — 그래프가 핵심이면 Zep를 직접 검토.

공식 문서: docs.mem0.ai. 적합: 기존 FastAPI/LangChain Agent에 사용자 기억만 추가하려는 경우.

5.2 Zep(Graphiti) — 시계열과 컴플라이언스 1순위

통합 약 2–3시간(Session + User 모델링 이해 필요). 관계형 추적 Recall@5 약 91% 본 그룹 최고; P95 검색 약 180–220ms(관리형). 커뮤니티 Zep CE는 업데이트 중단; 프로덕션은 클라우드 관리형이 많음. 자체 구축은 Graphiti OSS로 Neo4j/벡터 혼합 스택.

적합: 티켓, CRM, 의료 기록 등 「사실이 만료되고 감사 흔적이 필요」한 시나리오.

5.3 Letta — 장기 세션 페르소나와 자체 관리 기억

통합 비용 최고: Agent를 Letta SDK 또는 ADE로 이전, TTFM 약 1일. 50턴 후 페르소나 일관성 점수 Mem0 대비 약 15% 높음 — Agent가 core blocks를 능동 정리. 셀프호스트 Postgres + pgvector; 개인 비서, 연구 Agent, 게임 NPC에 적합. 「기존 마이크로서비스에 API 하나 추가」에는 부적합.

5.4 TencentDB Agent Memory — 팀 4계층 자산 + MCP

텐센트 2026 MIT OSS TencentDB-Agent-Memory는 다른 경로: 단일 벡터 DB가 아닌 Memory Hub — 대화를 Chat Memory·Skill로, 문서/코드를 Wiki·CodeGraph로. 기본 SQLite + sqlite-vec 로컬 무의존; 선택적으로 텐센트 클라우드 벡터 DB TCVDB.

실측: 중형 monorepo 1개 임포트 후 tdai_memory_search가 「누가 이 API를 호출하는가」 유형에서 순수 Mem0 벡터 검색 대비 관련 파일 적중 +23%. MCP 어댑터는 tdai_recall, tdai_capture 등 5도구 공개, Cursor/Claude Code 연결 가능. OpenClaw 단일 npm 플러그인 통합. 적합: 멀티 Agent 동일 팀, 문서·코드 그래프 콜드스타트 임포트 — 특히 국내 클라우드/텐센트 생태계 팀.

5.5 LangMem — LangGraph 네이티브 기억 프리미티브

프로덕션이 이미 LangGraph면 langmem은 거의 마찰 제로: create_memory_store_manager를 AsyncPostgresStore에 연결. 기억만 위해 LangGraph 도입은 비효율. Recall은 Mem0보다 약간 낮지만 thread/checkpoint 상태와 일관 — LangGraph 내 디버깅 경험 최상.

5.6 OpenMemory — 로컬 MCP 앱 간 기억

OpenMemory(Mem0 팀 유지보수): 프라이버시 우선, 로컬 SQLite, MCP 공개. Mac에서 Cursor와 Claude Desktop을 동시에 켜 동일 OpenMemory 프로세스를 가리키면 앱 간 recall 성공. 멀티테넌트 백엔드 부적합 — 개인 워크플로 도구이지 SaaS 기억 미들웨어가 아님.

6. 시나리오 선택 매트릭스

당신의 시나리오1순위대안피할 것
기존 Bot에 사용자 선호 기억 추가Mem0OpenMemory(로컬 MCP)Letta(과함)
컴플라이언스 감사, 사실의 시간 경과 만료ZepGraphiti 셀프호스트순수 벡터 Mem0 무료
수 주간 개인 비서LettaMem0 + 정기 요약OpenMemory
팀 Wiki + 코드 그래프 + 멀티 AgentTencentDB Agent MemoryMem0 Pro GraphLangMem 단독
풀스택 LangGraphLangMemMem0 사이드카Letta
Cursor/Claude 다중 도구 기억 공유OpenMemoryTencentDB MCPZep Cloud(과함)

7. 권장 스택(Stack)

스택 A — 최속 출시: Mem0 관리형 + Claude Code(클라우드 Mac) + MCP Git Server
스택 B — 컴플라이언스 티켓: Zep Cloud + 셀프호스트 Graphiti 백업 + 감사 로그 S3
스택 C — 팀 개발: TencentDB Agent Memory(Wiki+CodeGraph) + OpenClaw Gateway + 클라우드 Mac 상시
스택 D — 개인용: OpenMemory MCP + Cursor + 로컬 Qdrant 백업
스택 E — LangGraph 프로덕션: LangMem + AsyncPostgresStore + Mem0는 사용자 프로필 사이드카

병렬 Agent와 worktree 격리는 원격 Mac M4 worktree 팜 가이드 참고; 기억 계층과 MCP는 동일 클라우드 Mac 실행 노드에 배치해 PC 절전으로 인한 단절을 피하세요.

8. 흔한 오해

  • 오해 1: 채팅 로그 전체를 벡터 DB에 넣음 — 검색 노이즈 폭발. 프레임워크에 사실 추출시키기(Mem0/Zep/LangMem 내장).
  • 오해 2: OpenMemory로 SaaS 멀티테넌트 — 서버 ACL 없음. Mem0/Zep/TencentDB 필수.
  • 오해 3: LangGraph 프로젝트에 Letta 강행 — 런타임 이전 비용이 LangMem보다 훨씬 큼.
  • 오해 4: 기억과 MCP Server를 로컬 노트북에 — 닫으면 기억 경로 단절. 클라우드 Mac 상시 노드로 이전.
  • 오해 5: 「사실 만료」 무시 — 「더 이상 Windows 안 씀」이 만료되지 않으면 잊는 것보다 나쁨. 시계열은 Zep.

9. 7단계 구현 체크리스트

  1. 기억 유형 명문화: 사용자 선호 / 시계열 사실 / 팀 Wiki / 자체 관리 persona 중 하나를 주축으로.
  2. 50턴 시나리오 부하 테스트: 관계·시간 함정 포함, Recall@5와 P95 측정.
  3. 배포 경계 선택: 로컬 MCP, 셀프호스트 VPS, 또는 클라우드 Mac 상시(저장소/시크릿 동기).
  4. 48시간 PoC: 일일 임대 클라우드 Mac에서 MCP + 기억 SDK 연결, add/search 통과.
  5. ACL 수용: 다중 user_id 교차 검색 반드시 실패; 로그 감사 가능.
  6. 비용 상한: 월간 쓰기 건수 × 단가 추정; 관계 문제 많으면 Zep 예산.
  7. 출시 후 리뷰: 매주 20건 기억 만료/충돌 점검; 이후 월 임대 노드 사양 확정.

10. FAQ

Q1: Mem0와 OpenMemory 관계는?

A: 동일 기술 계보 — OpenMemory는 Mem0의 로컬 MCP 배포판으로 Cursor/Claude 간 공유 강조; Mem0는 자체 백엔드·멀티테넌트 SaaS 임베딩에 적합.

Q2: TencentDB Agent Memory는 텐센트 클라우드 필수?

A: 아닙니다. 기본 SQLite + sqlite-vec 완전 로컬; TCVDB는 대규모 시 선택. MCP·OpenClaw 플러그인은 텐센트 클라우드 계정 불필요.

Q3: Letta와 Claude Code 병용 가능?

A: Letta는 독립 Agent 런타임으로 Claude Code 플러그인이 아님. Claude Code를 유지하려면 Mem0/Zep/TencentDB MCP 볼트온 기억 선택.

Q4: LangMem 단독 도입 가치?

A: LangGraph 사용 시에만. 그 외 Mem0가 도입 비용 더 낮음.

Q5: 기억 계층에 필요한 메모리?

A: 벡터+그래프 인덱스: 16GB로 경량 PoC; 50+ 동시 검색 또는 CodeGraph 인덱스는 24GB 클라우드 Mac 권장. MCP와 기억 동기 배포 실천 참고.

11. 요약

2026년 Best Agent Memory Framework 실무 답: 빠른 연결은 Mem0, 시계열 컴플라이언스는 Zep, 장기 세션 자체 관리는 Letta, 팀 자산·코드 그래프는 TencentDB Agent Memory, LangGraph는 LangMem, 로컬 앱 간은 OpenMemory. 먼저 기억 유형을 정하고 프레임워크를 선택; 기억과 MCP를 상시 클라우드 Mac에 두는 것이 더 큰 모델로 바꾸는 것보다 Agent 경험을 안정화합니다.

클라우드 Mac에서 Agent Memory + MCP 끊김 없이

Agent 기억 계층은 MCP Server, Git 저장소, Keychain과 동기 상시 가동이 전제 — 노트북을 닫으면 검색 경로가 끊깁니다. kvmboot 클라우드 Mac mini M4는 7×24 SSH/VNC, 16GB/24GB 선택, APAC/US-East/EU 노드: Mem0 셀프호스트, TencentDB MCP, OpenMemory와 Claude Code 동기 검증에 최적. Apple Silicon 통합 메모리는 벡터 인덱스와 로컬 sqlite-vec을 저전력으로; macOS 네이티브 환경은 codesign·launchd로 기억 프로세스 상시 실행에 유리.

먼저 일일 임대로 48시간 기억 PoC를 통과한 뒤 월 임대로 사양 확정. kvmboot 클라우드 Mac 요금제 보기 — Best Agent Memory Framework 선택을 안정적 하드웨어 위에서 실현하세요.