Agentic Brain: Claude Code·Cursor·Codex 세션 공유 셀프호스팅 메모리

2026-10-21 · AX 트렌드 · 원문 이슈 #3343
Agentic Brain 개요: 모든 AI 코딩 도구를 위한 하나의 메모리
Agentic Brain — 오픈소스 · 셀프호스팅 · Apache-2.0

개인 개발자 rohithhn이 AI 코딩 도구용 셀프호스팅 메모리 Agentic Brain을 공개했다 (dev.to 공식 런칭 포스트, 2026-10-18). Claude Code·Codex·Antigravity·Cursor·Kilo Code — 도구 다섯 개를 오가며 일하는 개발자가 겪는 "월요일 Claude Code에서 정한 결정을 화요일 Cursor에서 또 설명" 문제를 정면으로 겨냥한다. 라이선스는 Apache-2.0, 레포는 rohithhn/Open-Agentic-Brain-and-Memory다.

가장 눈여겨볼 설계 결정: 푸시(push)와 풀(pull)을 나눴다. 자주 쓰는 기억은 CLAUDE.md·AGENTS.md·GEMINI.md에 직접 삽입(푸시)하고, 그때그때 필요한 기억은 MCP로 조회(풀)한다. 도구에 따라 같은 지식을 두 번 적는 구조다.

5단계 루프: Capture → Distill → Rank → Inject → Measure

Agentic Brain 5단계 파이프라인: Capture, Distill, Rank, Inject, Measure
Capture→Distill→Rank→Inject→Measure — 메모리 라이프사이클

MCP 인터페이스도 별도로 제공한다 — brain_recall·brain_remember·brain_context. 1만 개 메모리 대상 recall이 p50 28ms라는 주장이다.

핵심 수치: 빠르다, 그러나 벤치마크는 자체 보고

핵심 수치: 2,000 토큰 브리핑, 84ms p50 주입, LongMemEval-S 94.2%
주장 수치 (모두 프로젝트 측 자체 보고 — 독립 검증 없음)
지표수치비고
주입 브리핑최대 2,000 토큰CLAUDE.md 마커 내 삽입, p50 84ms
LongMemEval-S94.2%Claude reader+judge 기준, 자체 보고
LongMemEval-M83.0%약 127만 토큰 히스토리, 자체 보고
LoCoMo86.6기준선 89.3, 자체 보고
토큰 효율약 18%전체 대화를 다 주는 방식 대비 ~97% 점수 주장
⚠️ 벤치마크는 전부 프로젝트 측 주장이다. LongMemEval·LoCoMo 수치는 독립 검증이 없으므로 "미확인"으로 보고 판단해야 한다. "전체 대화를 다 주면 100점, 나는 18% 토큰으로 97점"이라는 주장은 재현 가능한 벤치 구성(리더 모델·판정자·샘플링)이 공개되어야 의미를 가진다.

로컬 우선: 계정도 서버도 없다

로컬 우선 보안: 로컬 SQLite, age 암호화 블롭 동기화, 계정·벤더 서버 없음
Your Memory, Your Machine — 데이터는 로컬에

동기화는 "age 암호화된 단일 블롭 + 개인 GitHub 레포의 Release 애셋" 방식이고, 키는 OS 키체인에만 있다. 계정도, 벤더 서버도 없다. 코딩 세션 전체가 메모리에 들어가는 도구 특성상 이 선택은 보안 민감 팀에게는 검토의 여지가 된다 — 다만 키 유출·블롭 유출 시 파급이 크므로 키 관리(키체인 백업·로테이션)까지 계획에 넣어야 한다.

claude-mem 사용자를 노린다. README에 switch-from-claude-mem 마이그레이션 명령이 들어 있다. 기존 도구를 직접 겨냥한 전환 전략 — 시장이 이미 있다는 방증이자, 차별점(승인 게이트·eval 게이트·푸시/풀 분리)을 어필해야 하는 이유다.

제한 사항

개발자 관점: 지금 당장 해볼 수 있는 것

설치는 한 줄이다:

curl -fsSL https://raw.githubusercontent.com/rohithhn/Open-Agentic-Brain-and-Memory/main/install.sh | bash

관심 있으면 샌드박스 머신에서 먼저 돌려보는 것을 권장한다. 확인해볼 실무 포인트 세 가지:

  1. 주입 지연 실측 — 84ms(p50) 주장의 재현. 메모리 1만 개에서 recall 28ms도 같이.
  2. Distill 승인 게이트 UX — brain dream이 만든 학습안을 실제로 리뷰해보고, 허위 학습안(false memory)이 얼마나 섞이는지.
  3. brain eval의 게이트 감도 — 검색 파라미터를 바꿨을 때 점수가 얼마나 움직이는지. 메모리 품질 관리의 실무 레퍼런스로 삼을 수 있는지가 여기서 갈린다.

관련 이슈: #3332 텐센트 'Hy Memory 2.0' — 에이전트 메모리 프레임워크로 같은 주제, 다른 접근(3B 특화 메모리 라이터 모델). 두 프로젝트를 나란히 두고 비교하면 "메모리를 모델에 맡길 것인가, 파이프라인에 맡길 것인가"라는 설계 분기점이 보인다.

원문 이슈

이 글은 ax-trend 이슈 #3343을 바탕으로 작성됐다. 핵심 링크: dev.to 공식 런칭 포스트 (2026-10-18), GitHub 레포 (Apache-2.0).

AI 코딩AX Trendsecurity