Saule White Paper v2.0

인공지능 혁명은 지능을 상품화하면서 인간 존재, 사고, 의사결정의 의미를 근본적으로 변화시키고 있습니다. 오늘날 추론 능력(reasoning)은 나날이 더 저렴하고, 더 빠르며, 더 접근하기 쉬워지고 있습니다. 기계는 우리를 대신하여 분석하고, 종합하며, 생산합니다. 그러나 이 거대한 정신적 혁명의 그림자 속에서 조용하고 위험한 무언가가 사라지고 있습니다. 바로 우리에게 속한 맥락, 즉 우리의 개인적, 조직적 기억입니다. 인간의 정신은 결정을 단순히 그 순간의 차가운 논리 규칙에 따라 내리는 것이 아니라, 과거의 흔적, 감수했던 위험, 배제된 대안, 그리고 그 순간에 특유한 고유한 의도(intentions) 위에 기반합니다. 지능이 아무리 발전하더라도, 그것을 안내할 독창적인 기억 기반이 없다면 허공에 맴돌 수밖에 없습니다.

오늘날 디지털 세상에서 우리가 직면한 진짜 딜레마는 정보 부족이 아니라, 맥락의 파편화와 상실입니다. 우리가 사용하는 이메일, 메모, 메시지, 그리고 실시간 채팅은 우리 정신과 업무의 조각들을 담고 있지만, 그 어느 것도 전체 그림을 알지 못합니다. 더욱이 오늘날 우리의 삶을 편리하게 해주는 인공지능 비서조차도 우리에게 일시적인 기억의 환상을 제공합니다. 그들의 기억은 평면적이고, 모델에 고정되어 있으며, 채팅 창이 닫히면 사라지도록 되어 있습니다. 우리는 인공지능 비서에게 매일 우리 자신, 우리의 업무, 그리고 우리의 목표를 처음부터 다시 설명해야 합니다. 이러한 상황은 우리를 지속적인 디지털 망각으로 이끌고, 우리의 의사결정 에너지(시스템 2 인지 자원)를 어제의 맥락을 기억하려 애쓰면서 끊임없이 소모시킵니다.

이 문서는 바로 이 조용한 위기에 맞서는 근본적인 의도 선언입니다. 이것은 제품 소개 브로슈어 또는 마케팅 자료와는 거리가 멀며; 컴퓨터 및 인지 과학 분야에 새로운 기본 인프라 계층, 즉 의미론적 기억 계층(Semantic Memory Layer)을 제공하는 것을 목표로 합니다. 이 문서를 통해 우리는 세 가지 근본적인 질문을 탐구할 것입니다.

• 왜? 지능이 어디에서나 활용 가능하게 될 때, 인간의 인지를 보호하고 지속적인 경쟁 우위를 확보하기 위해 독립적인 기억 계층이 왜 필요한가?

• 어떻게? 인간 기억의 연상적, 일화적, 선택적 작동 원리를 구체적이고 작동하는 소프트웨어 규칙으로 어떻게 변환할 수 있는가?

• 무엇을 구축하는가? 모델에 독립적이고, 절대적인 사용자 주권에 기반하며, 살아있는 의미론적 기억을 기술적으로 어떻게 구현할 것인가?

사울레는 인간 지능을 대체하기 위함이 아니라; 인간의 정신과 우리의 공동 지성을 시간과 공간의 한계를 넘어 자신의 기억의 절대적인 주인이 되게 하기 위해 작성되었습니다.

기술이 우리의 이성을 가속화하는 동안, 우리의 기억과 정체성을 녹이고 있다.

인간의 마음은 외부에 남긴 흔적을 통해 성장한다. 석판에서 종이로, 인쇄기에서 디지털 데이터 센터에 이르기까지 우리가 구축한 모든 기억 장치는 생물학적 한계를 넘어서려는 우리의 의지의 일부였다. 그러나 오늘날, 역사상 처음으로, 정보를 단순히 저장하는 것을 넘어; 그 정보 위에서 능동적으로 추론(reasoning)하는 시스템을 개발하고 있다. 인공지능 모델이 방대한 데이터 더미를 처리하고 몇 초 안에 답변을 생성하는 동안, 우리는 이 속도에 발맞추기 위해 우리의 맥락, 결정의 출발점, 그리고 정신적 발자취를 그들에게 넘겨주고 있다. 이러한 위임은 우리를 점차 우리 자신의 마음으로부터 소외시킨다.

1부는 이러한 인지적 전환과 그것이 가져온 위기의 철학적 해부학을 제시할 것이다. 이 섹션에서는, 기술이 우리를 더 똑똑하게 만들겠다는 약속 뒤에 숨겨진 기억 상실을; 지능이 어디에서나 접근 가능해져 상품화된 세상에서 유일한 영구적 경쟁 우위가 왜 기억인지; 그리고 이 기억을 보호하기 위해 완전히 새로운 소프트웨어 계층(Semantic Memory Layer)이 왜 필요한지 탐구할 것이다. 기억하는 것은 단순히 어제를 아는 것이 아니라; 우리가 누구이며 내일 어떤 의도를 가지고 나아갈지를 선택할 수 있는 힘이기 때문이다.

기존의 소프트웨어는 정보를 저장합니다. Saule은 경험을 저장합니다.

시스템은 다음을 이해합니다: 결정이 왜 내려졌는가? 누가 그것에 영향을 미쳤는가? 어떤 대안이 있었는가? 어떤 조건이 유효했는가? 정보가 시간에 따라 어떻게 진화했는가?

기억이 살아납니다.

현대인의 문제는 정보의 부족이 아닙니다. 파편화된 기억의 위기입니다.

우리의 지식은 다음과 같은 도구 안에 살고 있습니다:

이메일 | Slack | WhatsApp | Google 드라이브 | Notion | 캘린더 | CRM | AI 챗봇

각 플랫폼은 이야기의 아주 작은 부분만 기억합니다. 그 누구도 이야기 전체를 알지 못합니다.

정보는 존속합니다. 맥락은 사라집니다.

현재의 AI 시스템은 대화를 기억하기 때문에 똑똑해 보입니다. 하지만 이 기억은: 플랫폼에 종속적이며, 모델에 갇혀 있고, 일시적이며, 제공업체(vendor)에 의존합니다.

축적된 맥락은 당신이 아닌 AI 제공업체의 소유입니다. 하나의 모델에서 다른 모델로 전환하는 순간, 수개월 또는 수년에 걸친 맥락적 이해가 순식간에 사라집니다.

세상은 지능을 구축하고 있다고 믿습니다. 실제로는 끊임없이 기억을 처음부터 다시 만들고 있을 뿐입니다.

추론 모델(LLM)은 곧 어디에나 존재하게 될 것입니다. 사용자들은 마치 브라우저를 선택하듯이 모델 간에 전환하게 될 것입니다. OpenAI. Anthropic. Google. 미래의 완전히 새로운 모델들. 모두 상호 대체(interchangeable) 가능해질 것입니다.

미래의 진정한 경쟁 우위는 지능이 아닐 것입니다. 기억일 것입니다.

Saule은 AI 모델과 경쟁하지 않습니다. Saule은 모델들과 통합되어 존재합니다.

애플리케이션 → 추론 모델 (LLM) → Saule 의미론적 메모리 레이어 (SML) [ 지식 그래프 | 벡터 메모리 | ID 그래프 | 타임라인 | 워크스페이스 메모리 ] → 인간의 디지털 삶

LLM은 생각합니다. Saule은 기억합니다.

인간을 이해하는 기억 계층은 컴퓨터의 차가운 기록 방식이 아닌, 인간 정신의 살아있는 생물학적 아키텍처로 구축되어야 한다.

컴퓨터는 데이터를 저장합니다. 디스크의 섹터에 비트를 쓰고, 정전 시에도 그것들을 그곳에 얼려두며, 호출되면 그 비트들을 밀리초 안에 그대로 되돌립니다. 이것은 완벽한 아카이브이지만, 기억은 아닙니다. 인간의 기억은 이와 완전히 다르게 작동합니다. 생물학적 기억은 정적인 도서관이 아니라, 살아있고, 항상 재구성되며, 선택적이고, 잊고, 의미에 따라 형성되는 연상 네트워크입니다. 기억하는 소프트웨어를 구축하려면, 컴퓨터의 데이터 저장 방식을 인간에게 강요하기보다는 인간 정신의 작동 원리를 소프트웨어 코드에 가르쳐야 합니다.

파트 II는 Saule의 아키텍처 및 알고리즘 결정을 형성하는 인지 심리학 및 신경 과학의 기반을 구축할 것입니다. 우리는 기억이 저장소가 아님을, 에피소드 및 의미론적 시스템이 어떻게 상호 작용하는지, 서사적 정체성을 어떻게 구축하는지, 망각이 실제로는 어떻게 최적화되는지, 그리고 집단 지성의 상호작용적 본질을 탐구할 것입니다. 각 단계에서 이러한 인간적이고 정신적인 원칙들이 Saule의 소프트웨어 아키텍처에 어떻게 반영되는지 볼 것입니다. 왜냐하면 정신처럼 작동하는 소프트웨어를 구축하는 유일한 방법은 정신을 그 자체의 규칙으로 이해하는 것이기 때문입니다.

메모리는 정적인 아카이브 저장소가 아니라, 과거의 흔적들을 바탕으로 현재의 시간과 의미를 재구축하는 동적인 과정이다.

학술 심리학에서는 오랫동안 메모리가 과거를 카메라처럼 기록한다고 생각되었다. 그러나 프레데릭 바틀렛(Frederic Bartlett)의 1932년 선구적인 연구부터 엘리자베스 로프터스(Elizabeth Loftus)의 현대 목격자 증언 연구에 이르기까지의 과정은 인간 기억의 재구성적 (재구축하는) 본질을 입증했다. 어떤 사건을 기억할 때, 우리의 뇌는 먼지 쌓인 선반에서 비디오 녹화를 꺼내지 않는다. 대신, 과거에서 남겨진 의미론적 단서들 (cues), 스키마(schemas), 그리고 현재의 기대치를 한데 모아 그 순간에 기억을 재구축한다. 이 구축 과정은 오류에 취약해 보일 수 있지만, 인간 인지 능력의 가장 큰 적응 능력이다; 왜냐하면 제한된 용량으로 무한한 의미론적 연결을 만들 수 있도록 해주기 때문이다.

컴퓨터 아키텍처 (폰 노이만 아키텍처 등)는 데이터를 주소 지정이 가능한 메모리 셀 (RAM 또는 하드 디스크)에 저장한다. 호출될 때 해당 데이터는 비트 수준에서 오류 없이 다시 호출된다. 반면 인간의 마음은 연상적으로 (associative) 작동한다. 두 정보 조각 간의 관계는 그들의 주소 근접성에서 비롯되는 것이 아니라, 의미론적 유사성과 동시적인 트리거링에서 발생한다. 정보를 주소로 저장하는 것은 그것을 고정시키고; 연상으로 저장하는 것은 그것을 살아있는 네트워크로 만든다.

이러한 인지 원칙은 Saule의 아키텍처에서 정적 데이터 질의 방법이 거부되도록 한다. Saule는 텍스트 조각들을 있는 그대로 저장하고 원시 데이터로 모델에 공급하지 않는다. 질의 시점에, 사용자의 의도, 현재의 타임라인, 그리고 의미론적 관계들을 분석하여 올바른 맥락 (context)을 그 순간에 재구성한다 (context composition). 마치 인간의 마음처럼, 과거의 정적 데이터들로부터 현재의 필요에 맞는 동적인 의미론적 프레임워크를 구축한다.

기억은 단일한 저장소가 아닙니다. 일화 기억, 의미 기억, 작업 기억과 같이 서로 다른 지속 시간과 기능을 가진 시스템들의 조화로운 오케스트레이션입니다.

인지 심리학자 엔델 툴빙이 1972년에 제시한 분류는 기억이 균일하지 않음을 입증했습니다. 인간의 정신은 최소한 세 가지 기본 기억 시스템으로 작동합니다:

1. 작업 기억 (Working Memory): 현재 정보를 몇 초 안에 처리하며 용량이 제한된 (밀러의 7±2 규칙) 임시 영역.

2. 일화 기억 (Episodic Memory): 시간과 공간의 맥락과 함께 개인적인 경험을 보관하는 자서전적 아카이브 (예: "어제 오후 2시에 아흐메트와 가졌던 회의").

3. 의미 기억 (Semantic Memory): 시간과 공간에 독립적인 개념, 의미 및 일반적인 사실들의 네트워크 (예: "회의 규칙 및 프로젝트 목표").

이 시스템들은 끊임없이 상호작용합니다. 작업 기억으로 들어오는 새로운 정보는 일화 기억에 있는 과거의 순간과 일치하며, 시간이 지남에 따라 추상화되어 의미 기억의 영구적인 부분이 됩니다. 이러한 전환의 중단 또는 시스템의 과부하는 의사 결정 품질을 저하시키고 인지 부하를 증가시킵니다.

Saule는 툴빙의 이러한 다중 기억 구조를 소프트웨어 계층에 직접 반영합니다. Saule의 데이터 모델에서 사용자의 현재 활성 세션은 "작업 기억"을, 순간적인 상호작용과 시간 스탬프가 찍힌 메모가 보관되는 타임라인 그래프는 "일화 기억"을, 그리고 개념, 규칙 및 추상화된 관계의 네트워크는 "의미 기억" 계층을 나타냅니다. Saule는 이러한 계층들 사이에서 데이터를 지속적으로 걸러내고 추상화하여 모델을 위한 의미 있는 컨텍스트를 준비합니다.

정체성은 과거 데이터의 정적인 총합이 아니라, 시간 속에서 끊임없이 다시 쓰여지는 서사적 과정입니다.

심리학자 댄 맥애덤스(Dan McAdams)와 마틴 콘웨이(Martin Conway)의 연구는 인간 정체성이 자서전적 기억에서 영양을 공급받는 살아있는 이야기(narrative)임을 보여줍니다. 사람들은 과거를 단순히 기록하는 것이 아니라, 현재의 가치와 미래의 목표에 따라 끊임없이 재해석합니다. 정체성은 정적이지 않습니다. 그것은 살아있는 서사입니다. 소프트웨어 시스템이 과거 데이터를 절대적이고 변경 불가능한 사실로 고정시킨다면, 사용자의 정신적 발달을 방해하고 그를 과거의 버전 속에 가두게 됩니다.

인간의 정신은 시간 속에서 변화하는 의도에 따라 과거의 특정 기억들을 더 두드러지게 만들고, 다른 기억들은 배경으로 밀어냅니다. 어떤 목표에 집중할 때, 우리의 뇌는 그 목표와 관련된 과거 경험들을 더 빠르게 떠올립니다. 이러한 상황은 기억이 수동적인 데이터베이스가 아니라, 정체성에 의해 유도되는 능동적인 필터임을 증명합니다.

Saule은 데이터베이스의 정보를 불변의 블록으로 보지 않습니다. 아키텍처의 "Identity Layer"(정체성 계층)는 사용자의 시간 경과에 따른 초점, 변화하는 가치 및 목표를 추적합니다. 쿼리 시점에 기억을 불러올 때, 단순히 수학적 유사성만 보는 것이 아니라, 사용자의 현재 정체성 서사(active narrative state)에 가장 적합한 기억적 연결을 부각시킵니다. 이로써 Saule은 사용자와 함께 성장하고 진화하는 살아있는 공동 정체성 계층을 제공합니다.

망각은 마음을 소음에서 벗어나게 하고, 집중력을 높이며, 인지 능력을 보호하는 능동적인 조절 메커니즘입니다.

일반적인 믿음과 달리, 망각(forgetting)은 뇌의 고장이나 시스템 오류가 아닙니다. 신경과학 연구에 따르면 뇌는 불필요한 정보를 제거하기 위해 능동적인 화학적 및 전기적 메커니즘(active forgetting)을 사용합니다. 만약 모든 것을 세세한 부분까지 기억했다면, 우리의 정신은 끝없는 소음에 압도되어 시스템 2 수준에서 간단한 결정조차 내릴 수 없게 되었을 것입니다(루리아의 유명한 환자 셰레솁스키의 경우처럼). 망각은 중요한 것을 부각시키기 위해 소음을 제거하는 최적화 과정입니다.

인간의 정신은 정보의 오래됨, 반복 빈도, 그리고 현재 의도와의 관계를 고려하여 기억의 접근성을 지속적으로 조절합니다. 이러한 인지 조절(cognitive regulation)은 주의가 올바른 초점에 머무르도록 합니다. 디지털 시스템의 가장 큰 오류는 생성된 모든 데이터를 영원히 동일한 우선순위로 저장하려고 시도하여 정보 오염을 유발한다는 것입니다.

Saule는 불필요한 데이터 노이즈를 방지하기 위해 알고리즘적 능동적 망각(active forgetting) 메커니즘을 포함합니다. 데이터베이스의 각 메모리 요소(node)와 관계(edge)는 시간이 지남에 따라 감소하는 접근성 점수(decay rate)를 가집니다. 사용되지 않거나 의미적으로 최신성을 잃은 정보는 삭제되지 않지만, 백그라운드로 밀려나(pruning) 쿼리 비용을 낮추고 모델 컨텍스트 창이 노이즈 데이터로 채워지는 것을 방지합니다. Saule는 망각을 시스템 최적화로 코딩합니다.

인지적 외재화는 정신을 약화시키는 보철물이 아니라, 정신적 능력을 확장하고 집중력을 높이는 지렛대 역할을 해야 합니다.

철학자 앤디 클라크와 데이비드 챌머스가 1998년에 제시한 확장된 정신 (Extended Mind) 이론에 따르면, 인간의 정신은 두개골 내부에만 국한되지 않습니다. 우리가 사용하는 노트북, 장치, 소프트웨어는 우리의 인지 과정의 능동적인 일부입니다 (인지적 오프로딩). 정보를 외부의 신뢰할 수 있는 도구에 기록하는 것은 뇌의 작업 기억 부하를 경감시키고 심층적 사고를 위한 공간을 마련합니다. 그러나 이러한 외재화 과정은 통제 없이 이루어질 경우 정신의 기억 및 분석 능력을 무디게 하는 의존성으로 변할 수 있습니다.

현대의 노트 애플리케이션과 지식 기반은 대개 수동적인 보철 기억처럼 작동합니다. 우리는 정보를 거기에 기록하지만, 그 정보를 다시는 찾거나 기억하지 못하게 되며, 이는 정신적 게으름을 유발합니다. 그러나 이상적인 외부 기억은 정신을 무디게 하는 대신 정신과 상호작용하고, 연상 작용을 일깨우며, 인간의 사고를 자극하는 능동적인 지렛대여야 합니다.

Saule은 수동적인 문서 저장소를 넘어섭니다. 보철 기억이 되는 대신, 사용자의 정신을 지속적으로 자극할 의미론적 연상 작용을 생성합니다 (연상적 트리거링). SML 터미널에 무언가를 입력할 때, Saule은 백그라운드에서 관련 과거 결정, 미완성 의도 또는 서로 연결된 아이디어를 감지하고 이를 부드럽게 컨텍스트에 주입합니다. 이로써 정신을 약화시키는 대신, 과거의 축적된 정보를 그 순간에 가시화하여 인지 능력을 확장합니다.

그룹은 개인보다 훨씬 더 빨리 잊어버립니다. 전략 팀. 연구 개발 그룹. 스타트업. 조직.

매일 새로운 지식이 생산되지만 거의 모두 사라집니다.

Saule은 영구적인 집단 기억을 창조합니다. 대화 기록이 아닙니다. 문서 더미가 아닙니다. 공유된 공통의 이해입니다.

인지적 기반은 철학적 은유가 아니라; 이는 데이터 모델, 쿼리 알고리즘, 시스템 아키텍처를 직접적으로 결정하는 공학적 매개변수이다.

이 섹션은 2부에서 다루었던 모든 인지 과학 원칙들을 Saule의 소프트웨어 아키텍처를 구축할 3부로 연결하는 다리이다. 인간 정신의 작동 원리는 철학적 관용이 아니라, 소프트웨어의 직접적인 공학적 결정의 근거이다. 인지 시스템의 동적인 특성은 전통적인 데이터베이스 주소 지정, 정규화된 테이블, 정적 데이터 파이프라인을 무효화한다.

2부에서 구축한 이론적 기반은 소프트웨어 아키텍처로 다음과 같이 번역된다:

• 기억은 저장소가 아니다 (재구성적 특성) ➔ 정적 검색 대신 동적 맥락 구성 (Context Composition).

• 다중 기억 시스템 (Tulving) ➔ 활성 세션, 타임라인, 개념 그래프의 조합인 다층 기억 아키텍처.

• 정체성과 서사 (McAdams & Conway) ➔ 사용자 상태에 따라 동적으로 가중치를 부여하는 Identity Layer.

• 능동적 망각 (최적화) ➔ 그래프 상의 노드와 엣지들을 Decay (노화) 알고리즘으로 가지치기.

• 인지적 외재화 (Clark & Chalmers) ➔ 수동적 아카이브 대신 의미론적 트리거를 제공하는 연관적 트리거링 (Associative Triggering).

• 집단 기억 (Wegner) ➔ 기업의 암묵적 지식을 보관하는 Semantic Provenance Graph (의미론적 출처 그래프).

실제 구현에서 Saule은 이 그래프 모델을 SQLite(better-sqlite3)를 사용하는 최적화된 관계형-그래프 하이브리드 데이터베이스로 변환합니다. 데이터베이스는 네 가지 기본 테이블을 사용합니다: nodes(암호문 및 감쇠 매개변수 저장), embeddings(조밀한 로컬 벡터 매핑), edges(신뢰도 가중치가 있는 그래프 연결), provenance(환경 메타데이터 캡처). 디스크 기록 전 모든 인지 항목과 추론 세부 정보를 로컬에서 보호하는 애플리케이션 수준의 대칭형 AES-256-GCM 엔벨로프 암호화를 통해 절대적인 영지식(zero-knowledge) 개인정보 보호가 강제됩니다.

이 매핑들은 Saule의 기술적 중추를 형성한다. 다음 섹션(3부)에서는 이 이론적 교량들이 코드 수준에서 어떻게 구축되는지; 의미론적 수집 (ingestion) 프로세스부터, Semantic Provenance Graph 데이터 모델, 동적 오케스트레이션부터 개인 정보 보호 및 로컬 기기 작동의 역설에 이르기까지 모든 공학적 세부 사항과 함께 검토할 것이다. Saule는 인간 정신의 우아함과 소프트웨어의 규율을 결합한 아키텍처이다.

인지 이론은 데이터 모델과 수학적 알고리즘에 기반을 둘 때 비로소 작동하는 소프트웨어 아키텍처로 전환됩니다.

우리는 기억이 단순한 저장 단위가 아니며, 우리의 정신이 에피소드적, 의미론적, 트랜잭티브 시스템으로 작동한다는 것을 이론적으로 확립했습니다. 그러나 소프트웨어 엔지니어링은 추상적인 개념에만 머무를 수 없습니다. 기억의 살아있는 본질을 컴퓨터의 결정론적 세계로 번역하려면 데이터 구조, 데이터베이스 스키마, 쿼리 최적화 및 암호화 프로토콜을 재설계해야 합니다.

3부에서는 Saule의 엔지니어링 핵심 엔진(core engine)과 기술 아키텍처를 자세히 설명합니다. 흔들림 없는 시스템 아키텍처 설계 원칙부터 시작하여, 기억 요소의 수명 주기, 관계 및 타임스탬프를 유지하는 데이터 모델(Semantic Provenance Graph), 컨텍스트 구성(context composition) 알고리즘, 그리고 종단간 암호화된 개인 정보 보호 계층을 살펴보겠습니다. Saule가 단순한 철학적 선언문이 아니라, 작동하고 확장 가능하며 안전한 컴퓨터 시스템임을 코드 수준에서 확인할 것입니다.

Saule 아키텍처는 모델 독립성, 의미론적 주권, 제로 노이즈 및 수동적 작동 원칙을 기반으로 합니다.

Saule는 일시적인 인공지능 트렌드나 라이브러리에 의존하여 설계되지 않았습니다. 시스템 아키텍처는 모든 개발 단계를 이끄는 네 가지 핵심 원칙을 기반으로 합니다:

1. 모델 독립성 (Model-Agnosticism): 시스템은 어떤 대규모 언어 모델(LLM)이나 인공지능 제공업체에도 종속될 수 없습니다. 메모리 계층은 모델과 독립적인 주권 영역이며, 표준화된 API를 통해 모든 모델에 동일한 거리를 유지합니다.

2. 사용자 주권 (User Sovereignty): 메모리 데이터의 절대적인 소유자는 사용자입니다. 데이터는 사용자가 설정한 한계 내에 유지되며, 암호화되고 휴대 가능한 구조입니다.

3. 제로 인지 노이즈 (Zero Cognitive Noise): 메모리 계층은 모델에 불필요하거나 관련 없는 데이터(노이즈)를 전송하는 것을 피합니다. 컨텍스트는 최소한의 토큰으로 최대의 의미론적 깊이를 제공하도록 최적화됩니다.

4. 수동적 처리 (Passive Ingestion): 사용자에게 지속적인 데이터 레이블링이나 수동적인 정리가 요구되지 않습니다. 시스템은 백그라운드에서 데이터 흐름을 수동적으로 청취하고, 의미론적 관계를 자율적으로 추출하며 조용히 작동합니다.

이 원칙들은 개발자들이 Saule SDK를 사용하고 아키텍처에 새로운 구성 요소를 추가할 때 준수해야 할 엄격한 경계를 설정합니다. 예를 들어, 모델 독립성 원칙에 따라 메모리 추출(memory extraction) 알고리즘은 단일 제공업체의 특정 프롬프트 구조에 의존할 수 없으며, 대신 추상화된 프로토콜이 사용됩니다.

이 디자인 원칙들은 시스템 내에서 데이터 흐름 및 메모리 객체의 수명 주기를 직접적으로 결정합니다. 다음 섹션에서는 원시 데이터가 시스템에 유입되는 시점부터 이러한 원칙이 어떻게 작동하는지, 그리고 메모리 항목의 수명 주기를 살펴보겠습니다.

기억 요소는 정적 행이 아닙니다. 섭취, 연관성, 활성 회상, 알고리즘적 소멸 단계를 거치는 동적 개체입니다.

Saule 시스템에 입력되는 모든 정보 조각은 다음 네 가지 단계의 수명 주기를 따릅니다:

1. Ingestion (섭취): 브라우저 확장 프로그램, Slack 통합 또는 터미널 입력과 같은 소스에서 흐르는 원시 데이터가 캡처됩니다. 이 원시 데이터는 노이즈가 제거되어 의미론적 핵심이 추출됩니다.

2. Association & Graph Injection (연관성 및 그래프 주입): 새로운 기억 요소(노드)는 타임스탬프, 공간적 맥락, 그리고 기존 기억 그래프의 다른 노드들과 형성된 의미론적 관계(엣지)와 함께 그래프 데이터 모델에 기록됩니다.

3. Retrieval & Reinforcement (회상 및 강화): 사용자가 유사한 주제에 대해 작업할 때, 관련 노드가 회상됩니다. 각 성공적인 회상은 노드와 관련 엣지의 접근성 점수(가중치)를 증가시킵니다 (헤비안 학습 규칙).

4. Decay & Pruning (소멸 및 가지치기): 시간이 지남에 따라 호출되지 않고 관련성이 떨어진 노드의 가중치는 알고리즘적으로 감소합니다 (망각). 점수가 낮은 노드는 영구적으로 삭제되지 않지만, 맥락에서 벗어나 백그라운드로 밀려납니다.

개발자를 위한 기억 흐름도는 다음 기술적 순서를 따릅니다:

원시 입력 ➔ NLP Pipeline (의도 필터링) ➔ 벡터 임베딩 생성 ➔ Semantic Provenance Graph 주입 ➔ 시간 경과에 따른 노후화 점수 계산.

이 동적인 수명 주기를 코드 수준에서 관리하려면, 정보가 시간, 식별자, 출처 계층과 함께 표현될 수 있는 고급 데이터 모델이 필요합니다. 다음 섹션에서는 이 데이터 모델(Semantic Provenance Graph)을 자세히 살펴보겠습니다.

Saule의 데이터 모델은; 의미론적 관계, 시간적 흐름 및 데이터 출처를 통합하는 Semantic Provenance Graph 아키텍처이다.

기존 지식 그래프(Knowledge Graphs)는 객체 간의 관계(A는 B의 관리자이다)만을 정적으로 모델링한다. 반면 벡터 데이터베이스는 텍스트 유사성만을 측정한다. Saule는 이 두 가지 접근 방식의 한계를 극복하기 위해 Semantic Provenance Graph (SPG - 의미론적 출처 그래프) 모델을 개발했다. SPG는 데이터 자체와 해당 데이터가 어떤 소스(Slack, Notion, 브라우저)에서, 언제, 누구에 의해, 어떤 의도로 생성되었는지(provenance)를 나타내는 메타데이터를 하나의 통합된 그래프 구조로 표현한다.

코드 수준에서 SPG 노드(node)는 다음 스키마를 갖는다:

{
  "id": "mem_01h8x9",
  "type": "epizodic | semantic",
  "content": "Ahmet ile X projesinde Rust kullanmaya karar verdik.",
  "embedding": [0.012, -0.045, ...],
  "created_at": 1783156054,
  "decay_weight": 0.98,
  "provenance": {
    "source": "slack_channel_dev",
    "author": "user_id_45",
    "session_id": "sess_89"
  }
}

엣지(edges)는 노드 간의 의미론적 ("rust_is_used_for_x_project"), 시간적 ("created_after") 및 인과적 ("rust_chosen_because_of_memory_safety") 관계와 이들의 동적 강도 점수를 유지한다.

SPG 데이터 모델은 Saule가 정보 조각을 단순 텍스트가 아닌, 모든 맥락적 출처와 함께 저장할 수 있도록 한다. 다음 섹션에서는 이 풍부한 그래프 구조를 바탕으로 인공지능 모델에 공급될 동적 맥락이 어떻게 구축되는지(retrieval & composition) 살펴볼 것이다.

컨텍스트 구성은 단순한 벡터 검색이 아니라 상위 노드 컨텍스트화 및 의미론적 출처 추적을 통해 구축된 동적 오케스트레이션입니다.

기존 RAG 시스템은 사용자 쿼리와 가장 일치하는 상위 5개 벡터 텍스트를 가져와 LLM에 전송합니다. 그러나 이러한 조각들은 종종 컨텍스트가 부족합니다. 예를 들어, "Rust 프로젝트에서 결정된 사항은 무엇이었나요?"라는 쿼리에 대해 "Rust를 사용할 것입니다"라는 문장만 반환되고, 해당 결정이 내려진 이유나 어떤 위험이 논의되었는지 등은 누락됩니다. Saule는 이 문제를 해결하기 위해 상위 노드 컨텍스트 구성 (Super-Node Context Composition) 방법을 사용합니다. 쿼리와 일치하는 노드가 발견되면, SPG 그래프에서 해당 노드에 직접 연결된 시간적, 의미론적 인접 노드 (provenance path)도 함께 가져와 계층적이고 풍부한 컨텍스트 블록을 생성합니다.

Saule의 검색 엔진은 다음 알고리즘을 따릅니다:

1. 쿼리를 벡터로 변환하고 SPG에서 의미론적 유사성 검색을 수행합니다.

2. 가장 높은 점수를 가진 노드 주변의 관계형 그래프 (provenance sub-graph)를 추출합니다.

3. 시간적 흐름 (context drift)을 방지하기 위해 노드의 타임스탬프를 시간 순서로 정렬합니다.

4. 능동적 망각 점수에 따라 가중치가 낮아진 노드를 제거하고, 모델의 한계에 맞춰 가장 깨끗한 컨텍스트 (context composition)를 패키징합니다.

로컬 ONNX 추론 시 모델의 콜드 스타트를 제거하기 위해 Saule은 시작 시 모델 가중치를 메모리에 로드하는 웜업 단계를 실행합니다. 그런 다음 검색 엔진은 코사인 유사성을 사용하여 사용자의 개별 컨텍스트와 집단 공간 사이의 명확성 점수(Clarity Score - 의미론적 정렬 지수)를 계산합니다. 공식적으로 명확성 점수는 개별 및 집단 벡터 프로젝션의 내적을 각각의 크기 곱으로 나눈 값으로 정의됩니다: Clarity = (V_ind · V_col) / (||V_ind|| ||V_col||) * 100%로, 정밀한 합의 점수를 산출합니다.

이 풍부한 컨텍스트 구성 프로세스는 사용자 데이터의 보안을 위협해서는 안 됩니다. 다음 섹션에서는 사용자 개인 정보를 보호하면서 이러한 고급 검색 및 오케스트레이션 작업이 암호화된 방식으로 어떻게 수행되는지 살펴보겠습니다.

인지적 프라이버시는 종단 간 암호화 (E2EE) 및 로컬 우선 처리 아키텍처로 절대적으로 보호되어야 합니다.

개인 또는 기업 메모리 계층은 사용자의 가장 사적인 결정, 의도 및 사업 비밀을 보유합니다. 따라서 이러한 데이터를 중앙 클라우드 서버에 평문 (plaintext)으로 저장하는 것은 허용될 수 없습니다. 그러나 데이터가 완전히 암호화되면 AI 모델이 의미 검색을 수행하고 관계를 설정하기 어려워집니다. Saule는 이 인지적 프라이버시 패러독스를 로컬 우선 (local-first) 소프트웨어 아키텍처로 해결합니다.

Saule의 데이터 저장 계층은 다음 보안 프로토콜을 기반으로 구축되었습니다:

• 로컬 인덱싱 및 임베딩: 벡터 임베딩 생성 및 SPG 관계는 사용자 자신의 장치 (로컬)에서 실행됩니다.

• E2EE 동기화: 장치 간 데이터 동기화 시, 모든 노드와 그래프 엣지는 사용자 자신의 키 (제로 지식)로 종단 간 암호화됩니다. 클라우드 서버는 암호화된 비트만 전송하며, 데이터 내용은 절대 볼 수 없습니다.

• 보호된 작업 공간 (메모리 격리): 개인 및 기업 메모리 영역은 엄격한 경계로 서로 격리됩니다; 팀의 기업 메모리가 다른 사용자 또는 모델의 훈련 데이터로 유출되지 않습니다.

개인 정보 보호 계층은 사용자의 데이터를 안전하게 보호하면서, 다양한 클라우드 또는 로컬 AI 모델과 안전하게 통신할 수 있도록 보장해야 합니다. 다음 섹션에서는 이 메모리 구조가 모델과 완전히 독립적으로 작동하는 방법을 살펴보겠습니다.

인공지능 모델은 임시적인 추론 엔진입니다. 의미론적 메모리는 모델을 넘어 사용자에게 속한 영속적인 인프라 계층이어야 합니다.

오늘날 많은 애플리케이션은 메모리 기능을 OpenAI, Anthropic 또는 Google과 같은 제공업체가 제공하는 어시스턴트 API에 의존합니다. 이러한 접근 방식은 사용자를 해당 제공업체에 종속시키고, 모델이 업데이트될 때 전체 메모리 구조가 손상될 위험을 안고 있습니다. Saule는 메모리 계층을 추론 엔진(LLM)에서 완전히 분리합니다. 모델은 그 순간의 논리적 쿼리를 해결하기 위해 호출되는 "프로세서"(CPU)와 같으며, 메모리는 마더보드에 있는 영구적인 "하드 디스크"(SML)입니다.

Saule는 모델과 메모리 사이에 표준화된 인터페이스(Semantic Memory Interface - SMI)를 제공합니다. SMI는 사용되는 모델(로컬 Llama 모델이든 클라우드의 Claude 3.5든 상관없이)이 동일한 의미론적 그래프 구조를 읽고 쓸 수 있는 번역 계층을 제공합니다. 모델이 변경되어도 메모리는 손실되지 않습니다. 새 모델은 SMI 프로토콜을 통해 이전의 맥락적 자산을 중단된 지점부터 계속 읽습니다. 이를 통해 조직은 단일 AI 공급업체에 종속되지 않고 가장 최신이면서 가장 경제적인 모델 사이를 몇 초 만에 전환할 수 있습니다.

Saule의 모델 독립성 원칙은 이를 단순한 애플리케이션을 넘어 전체 인공지능 생태계를 위한 공통 프로토콜로 전환시킵니다. 제4부에서는 이 비전을 더욱 확장하여 오픈 소스 메모리 프로토콜, 개발자 생태계, 그리고 인지 컴퓨팅의 미래 새로운 구조적 계층을 어떻게 구축하는지 살펴보겠습니다.

기억은 단순히 개인적인 저장소가 아니다; 인공지능 시대에 인류의 공동 인지적 축적을 내일로 가져갈 집단적인 표준이다.

Saule의 철학적 출발점, 인간 기억의 구성 원리, 그리고 의미론적 출처 그래프 아키텍처의 기술 코드 수준에서의 대응을 자세히 설명했습니다. 그러나 Saule는 단순히 개인적인 비서나 기업용 도구가 아닙니다. 그것은 모든 소프트웨어와 모델이 상호작용할 수 있는, 휴대 가능하고 개방형 표준을 가진 미래 비전입니다.

4부는 Saule의 미래 위치와 사회적 인지에 미치는 영향을 요약할 것입니다. 서로 다른 메모리 계층이 안전하게 통신할 수 있도록 할 오픈 메모리 프로토콜 (Open Memory Protocol) 비전, 개발자를 위해 구축한 생태계, 그리고 운영 체제 및 클라우드 이후의 새로운 인프라 계층인 '인지 계층' (The Cognitive Layer)을 다룰 것입니다. 인간의 사고와 디지털 기억의 새로운 시대의 궁극적인 융합을 그리면서 이 백서를 완성할 것입니다.

미래 디지털 세상에서 메모리는 폐쇄형 생태계에 갇혀서는 안 됩니다. 개방적이고 휴대 가능하며 보편적인 메모리 프로토콜(OMP)을 통해 자유로워져야 합니다.

오늘날 우리가 사용하는 모든 소프트웨어(SaaS 플랫폼)는 데이터를 자체 데이터베이스에 저장하고 사용자를 자체 생태계에 묶어둡니다. 한 플랫폼에서 다른 플랫폼으로 전환할 때, 데이터뿐만 아니라 해당 데이터 뒤에 숨겨진 맥락과 과거 축적된 정보도 잃게 됩니다. 인공지능 시대에 이러한 사일로화는 인지적 분열을 초래합니다. 개인 또는 조직의 단일 전체여야 할 메모리가 수십 개의 폐쇄형 애플리케이션으로 분열됩니다. Saule은 이 문제를 해결하기 위해 개방형 메모리 프로토콜(Open Memory Protocol - OMP) 표준을 제안합니다.

개방형 메모리 프로토콜은 의미론적 메모리 노드, 엣지, 데이터 출처(provenance)가 암호화된 휴대 가능하고 표준 JSON 형식으로 장치와 애플리케이션 간에 전송될 수 있도록 하는 프로토콜입니다. OMP를 통해 다음을 할 수 있습니다:

• 메모리 이동성: 사용자는 메모리 그래프를 한 애플리케이션에서 다른 애플리케이션으로 또는 한 AI 비서에서 다른 AI 비서로 데이터나 맥락 손실 없이 몇 초 만에 이동할 수 있습니다.

• 상호 운용성: 다른 애플리케이션(예: 이메일 클라이언트와 프로젝트 관리 도구)은 OMP를 통해 사용자의 중앙 메모리 계층에 안전한 범위 내에서 데이터를 추가하고 거기에서 맥락을 읽을 수 있습니다.

OMP 표준은 AI 개발자들이 폐쇄형 API에 의존하지 않고, 공통적이고 자유로운 메모리 생태계 위에 소프트웨어를 구축할 수 있는 길을 열어줍니다. 다음 섹션에서는 이 표준을 구현할 개발 도구와 SDK 생태계를 살펴보겠습니다.

Saule 생태계는 SDK, 표준화된 API 및 자율 메모리 에이전트를 통해 개발자들에게 인지 인프라를 제공합니다.

메모리 계층의 성공은 개발자 커뮤니티에서 얼마나 쉽게 채택될 수 있는지로 측정됩니다. Saule는 TypeScript, Python 및 Rust 언어로 작성된 경량 SDK를 제공합니다. 개발자들은 단 몇 줄의 코드로 자신의 AI 애플리케이션, 채팅 인터페이스 또는 자율 에이전트에 영구적이고 살아있는 메모리를 부여할 수 있습니다.

import { SauleClient } from '@saule/sdk';
const client = new SauleClient({ endpoint: 'local' });
// 새 메모리 항목 추가
await client.memory.ingest({
  content: "프로젝트 아키텍처에 Postgres를 사용하기로 결정되었습니다.",
  source: "회의록"
});

Saule 생태계는 개발자들이 단순히 데이터를 쿼리하는 것을 넘어; 백그라운드에서 작동하며, 의미 변화를 감지하고 (context drift detectors), 오래된 정보를 알고리즘적으로 정리하고 그래프를 재구성하는 자율 메모리 에이전트(Memory Agents) 개발도 지원합니다. 이를 통해 소프트웨어는, 시간이 지남에 따라 느려지는 비대한 데이터베이스 대신, 스스로 최적화되는 동적 메모리 구조를 갖게 됩니다.

개발자 생태계의 성장은 컴퓨터와 인간의 지능 사이의 관계를 근본적으로 변화시킬 것입니다. 마지막 섹션에서는 이 인지 인프라가 운영 체제와 클라우드 다음의 새로운 주요 컴퓨팅 계층 (The Next Computing Layer)으로서 어떻게 자리매김할지 다룰 것입니다.

컴퓨팅의 새로운 구조적 계층은 하드웨어, 운영 체제, 클라우드 위에 구축되는 독립적인 의미론적 메모리 계층(SML)이 될 것입니다.

컴퓨터 역사는 추상화 계층의 역사입니다. 우리는 처음에는 하드웨어 수준(트랜지스터와 케이블)에서 시작했습니다. 그런 다음 이 하드웨어를 관리하는 운영 체제(OS) 계층을 구축했습니다. 인터넷 시대에는 데이터와 프로세스를 전 세계적으로 확산시키는 클라우드 계층을 추가했습니다. 오늘날 인공지능 혁명과 함께 이 세 계층 위에 새로운 계층이 탄생하고 있습니다: 인지 계층(The Cognitive Layer). 이 계층은 단순히 데이터를 저장하거나 전송하는 것이 아니라 의미, 시간, 정체성, 의도를 조직하는 살아있는 메모리 인프라입니다.

Saule는 이 인지 계층의 창립 엔진입니다. 하드웨어는 변할 수 있고, 운영 체제는 진화할 수 있으며, 대규모 언어 모델은 나타났다가 사라질 수 있습니다. 그러나 인간의 마음과 조직이 시간 속에 축적한 의미론적 기억은 고정되고 지배적으로 남아 있어야 합니다. Saule는 컴퓨터를 단순히 명령을 문자 그대로 실행하는 무언의 도구에서 벗어나 인간의 인지를 보호하고 확장하며 시간의 한계를 넘어 이동시키는 살아있는 정신적 파트너로 변모시킵니다.

Saule White Paper v2.0은 단순한 기술 아키텍처 문서가 아니라, 인간이 자신의 디지털 존재, 주의 한계 및 정신적 소유권에 대한 주권을 보호하겠다는 결의입니다. 지능은 일반적이며 빠르게 상품화되고 있습니다. 그러나 우리를 우리답게 만들고 우리의 결정을 독특하게 만드는 것은 우리의 기억입니다. Saule는 이 기억을 소유자에게 반환하고 미래의 인지 세계에서 인간의 마음이 절대적으로 지배하도록 만들기 위해 여기에 있습니다. 지능은 변할 수 있습니다. 기억은 영원합니다.

Saule는 데이터 격리, 모델 독립성 및 의미론적 출처 추적을 통해 폐쇄형 모델 메모리 및 단순 RAG 통합과 차별화됩니다.

AI 생태계에서 최근 발전하는 메모리 접근 방식은 일반적으로 모델의 상태 비저장(stateless) 구조를 임시 패치로 극복하려고 합니다. 이러한 접근 방식과 독립적인 의미론적 메모리 계층(SML) 간의 차이점은 다음과 같습니다:

• OpenAI/Claude Memory: 평면적이고 키-값(Key-Value) 기반의 단순한 기억 기능을 제공합니다. 모델 독립성이 없으며(단일 모델에서만 작동), 데이터는 클라우드에 있으며 개인 정보 보호를 보장하지 않습니다. 네트워크 효과(network effect)가 없습니다.

• RAG / 벡터 데이터베이스: 원시 텍스트 유사성(vector similarity)을 통해 검색합니다. 의미론적 깊이나 시간적 관계가 없으며, 데이터 구성이 정적입니다.

• Mem0 / Zep: 일화적 벡터 메모리를 유지합니다. 부분적으로 모델 독립적이지만 데이터 구조가 유연하지 않으며 로컬 우선 개인 정보 보호를 제공하지 않습니다.

• Letta / MemGPT: 에이전트의 임시 작업 공간(scratchpad)을 관리합니다. 애플리케이션 간 이식성과 교차 네트워크 효과가 없습니다.

• Saule (SML): Semantic Provenance Graph (SPG) 구조를 사용합니다. 완전히 모델 독립적이며(Model-Agnostic), Zero-Knowledge 암호화 및 로컬 우선(local-first) 저장을 제공합니다. 작업 공간 간의 의미론적 네트워크 효과(Collective Intelligence)를 생성합니다.

투자자와 아키텍트에게 가장 중요한 질문은 'OpenAI 또는 Anthropic이 자체 메모리 시스템을 완성했을 때 Saule가 왜 불필요해지지 않는가?'입니다. 이 질문에 대한 답은 Saule의 세 가지 핵심 방어책(moats)에 있습니다:

1. 모델 분리(Model Decoupling): OpenAI 메모리는 Claude에 의해 읽힐 수 없으며, Claude 메모리는 로컬 Llama 모델에 의해 사용될 수 없습니다. 그러나 메모리는 소유자의 재산이어야 합니다. Saule는 모델을 임시 처리 단위로 위치시켜 메모리를 영구적이고 이식 가능하게 만듭니다.

2. 교차 애플리케이션 컨텍스트(Cross-Application Context): 단일 모델 제공업체는 사용자의 Slack, Notion, 브라우저 및 이메일 데이터를 단일 의미론적 출처 그래프(SPG)로 통합할 수 없으며 기업 데이터 사일로를 넘을 수 없습니다.

3. 제로-지식 개인 정보 보호(Zero-Knowledge Privacy): 기업은 가장 민감한 비즈니스 프로세스와 의도를 클라우드 제공업체의 공개 데이터베이스에 맡길 수 없습니다. Saule의 로컬 우선 암호화 아키텍처는 인지적 재산을 법적 및 기술적으로 보호합니다.

개별 메모리에서 기업 트랜잭티브 메모리로 확장되는 로드맵은 의미론적 네트워크 효과(semantic network effects)를 통해 지속적인 시장 가치를 창출합니다.

Saule의 비전은 단일 비서 인터페이스에서 전체 인터넷 컴퓨팅 인프라로 확장되는 4단계 성장 계획입니다:

• 1단계: 개인 메모리 엔진 및 로컬 코어 (Personal SML & Local Core) — Beiwe Workspace 통합 (첫 번째 릴리스에서는 Saule의 활성 메모리 및 백그라운드 관찰 기능이 Beiwe Smart Workspace 내에서만 실행되도록 제한됩니다) 및 터미널 UI (관찰), 로컬 SQLite 데이터베이스 (저장) 및 로컬 임베딩/작은 LLM (의미론적 처리) 통합.

• 2단계: 작업 공간 메모리 (Workspace SML) — 팀을 위한 Slack, Notion, GitHub 통합을 통해 트랜잭티브 메모리 인프라 구축 및 기업 망각 방지.

• 3단계: 개방형 메모리 프로토콜 (Open Memory Protocol - OMP) — 다양한 애플리케이션과 자율 에이전트가 표준 API를 통해 Saule와 통신할 수 있도록 하는 프로토콜 출시.

• 4단계: 의미론적 운영 체제 (Semantic OS) — 하드웨어 및 클라우드 계층 위에 직접 인간 인지와 호환되는 차세대 운영 체제 계층 구축.

Saule는 오픈 소스 코어(open-core) 및 SaaS 구독 모델로 상용화됩니다:

• Saule Community (오픈 소스): 개인 개발자와 로컬 장치에서 실행하려는 사용자를 위한 완전 무료 로컬 메모리 엔진.

• Saule Professional: 고급 동기화, 클라우드 백업 및 API 액세스를 원하는 전문가를 위한 월간 구독 모델.

• Saule Enterprise: 기업을 위한 격리된 메모리 공간(Memory Isolation), 트랜잭티브 메모리 그래프, 고급 역할 권한 부여 및 전용 E2EE 동기화 인프라를 제공하는 기업 라이선스 모델. 기업 망각을 방지하여 바퀴의 재발명을 막는 것이 엔터프라이즈 부문의 가장 큰 투자 수익률(ROI) 원천입니다.

Saule는 정적인 질의응답 엔진이 아닙니다. 백그라운드에서 끊임없이 작동하며 매 주기마다 스스로를 학습하는 인지 주기(Adaptive Intelligence Loop)를 기반으로 합니다.

아키텍처 상태 및 공지: 이 문서에 정의된 6단계 인지 운영 체제(Cognitive OS) 및 로컬 암호화 인프라는 Saule의 장기적인 기술 목표와 아키텍처 템플릿을 나타냅니다. 현재 작동 중인 프로토타입(current state)은 클라우드 기반 Firestore 및 API 통합으로 작동하는 하이브리드 의도 라우팅(context routing) 및 벡터 검증 엔진을 구현하고 있습니다. 명시된 로컬 독립 구성 요소 및 로컬 작은 LLM 통합은 다음 로드맵 단계에 따라 순차적으로 활성화될 것입니다.

메모리 수명 주기 (Memory Lifecycle): Saule에서 어떤 메모리 입력(Memory Unit)도 정적 상태로 머무르지 않습니다. 시간이 지남에 따라 다음 수명 주기를 거칩니다: Capture ➔ Episode ➔ Summarize ➔ Link ➔ Strengthen ➔ Decay ➔ Archive ➔ Delete.

피드백 루프 (Learning Engine): 시스템이 자체 결정과 컨텍스트 정확성을 지속적으로 개선하기 위해 다음 루프가 실행됩니다: Execution ➔ Feedback ➔ Learning ➔ Policy Update ➔ Observe. 사용자 피드백은 로컬 정책 엔진(Policy Engine) 규칙과 의미론적 가중치 알고리즘을 자동으로 업데이트합니다.

오케스트레이터는 Saule의 인지적 결정을 관리하고 계층 간 조정을 제공하는 두뇌입니다. 하위 구성 요소는 다음과 같습니다:

• 작업 스케줄러: 백그라운드 작업(Consolidation, Forgetting, Compression 등)이 언제, 어떤 우선순위로 실행될지 계획합니다 (예: 장치가 충전 중이거나 유휴 상태일 때).

• 메모리 스케줄러: 어떤 메모리 영역(Personal, Workspace 등)이 쿼리될지, 그리고 이들로부터 어떻게 노이즈 없는 컨텍스트 합성(Context Composition)을 생성할지 오케스트레이트합니다.

• 에이전트 라우터: 들어오는 의도(intent) 및 컨텍스트에 따라 어떤 자율 에이전트(이메일 에이전트, 캘린더 에이전트)가 트리거될지 결정합니다.

• 리소스 관리자: 로컬 SQLite 크기, RAM 사용량 제한 및 CPU 소비량을 관리하여 장치에 부담을 주지 않습니다.

• 모델 선택기: 작업의 개인 정보 보호 수준, 복잡성 및 예산에 따라 어떤 LLM(로컬 Tiny LLM 또는 클라우드 API)이 사용될지 결정합니다.

Saule Core는 중앙의 지능형 오케스트레이터(Intelligence Orchestrator)가 관리하는 7계층 모듈형 구조를 가지고 있습니다:

1. 관찰 계층(Observation Layer): 인간(음성, 행동), 디지털(브라우저, IDE, 캘린더) 및 물리적(위치, 마이크, 카메라) 수준에서 관찰을 추상화합니다.

2. 컨텍스트 계층(Context Layer): 다중 모드 데이터(화면, 음성, 시간, 위치)를 결합하고 컨텍스트 초점 및 우선순위(Attention Score & Priority)를 계산합니다.

3. 정책 엔진(Policy Engine): 데이터 누출 경계(Privacy Rules), 무단 자동화 방지 및 기업 격리 규칙을 적용합니다.

4. 의미론적 메모리 계층(Semantic Memory Layer): 공간 인지 지식 그래프(Space-Aware Knowledge Graph - Personal ➔ Workspace ➔ Community ➔ Organization)와 다중 모델 지원 분리형 임베딩 색인을 호스팅하며 백그라운드 메모리 작업을 관리합니다.

5. 추론 계층(Reasoning Layer): 하이브리드 검색, 다단계 계획 및 로컬 규칙을 실행하는 추론 계층.

6. 실행 계층(Execution Layer): 플로팅 데스크톱 인터페이스 및 승인 주기를 기반으로 하는 자동화 흐름.

7. 동기화 계층(Sync Layer): 로컬에서 AES-GCM 암호화된 Yjs/CRDT 블록을 사용하는 오프라인, P2P, 클라우드 및 엔터프라이즈 동기화 모드.

Saule의 메모리 노드는 시간이 지남에 따라 확장될 수 있는 6가지 기본 범주(Knowledge, Experience, Action, Relationship, Identity, Resource)와 이로부터 파생된 하위 유형(decision, goal, fact, file 등)을 기반으로 합니다. 관계형 SQLite 스키마는 다음과 같습니다:

• `nodes`: id (PK), unit_category, unit_type, space_type, space_id, content, decay_score, created_at 필드를 포함하는 기본 메모리 단위.

• `embeddings`: node_id (FK), model_name, dimension, vector 필드를 포함하며, 주 노드로부터 격리된 벡터 테이블. 이를 통해 모델 변경 시 모든 데이터가 보호됩니다.

• `edges`: source_id, target_id, relation_type, confidence (신뢰 점수), created_by (ai/user/system), reason 필드를 포함하는 풍부한 엣지 테이블.

• `provenance`: node_id, app_name, window_title, url, file_path, device_id, workspace_id, user_action 필드를 포함하는 풍부한 데이터 출처 테이블.

메모리가 로컬 장치에 안전하게 저장되고 공유 작업 공간에서 누출되지 않도록 하는 것은 다음 기술 아키텍처로 해결됩니다:

• 로컬 데이터 보안: 로컬 디바이스의 SQLite 데이터베이스는 로컬에서 파생된 키를 사용하는 애플리케이션 수준의 AES-256-GCM 엔벨로프 암호화로 보호되어 높은 이식성과 누출 없는 스토리지를 제공합니다. 권한이 없는 로컬 애플리케이션은 Saule의 데이터 파일에 접근할 수 없습니다.

• 집단/공유 작업 공간 동기화 (Zero-Knowledge P2P Key Exchange): 여러 사용자가 공유 그래프(Workspace Memory)를 공유하는 경우 비대칭 암호화(ECDH/RSA)가 사용됩니다. 작업 공간에 참여하는 멤버들은 피어 투 피어(P2P) 방식으로 작업 공간 대칭 암호화 키를 공유합니다. 공유 그래프에 기록되는 각 Yjs/CRDT 데이터 패킷은 로컬에서 이 공유 키로 암호화되어 클라우드로 암호문(cipher-text)으로 전송됩니다. 클라우드 서버는 해독 키를 가지고 있지 않으며, 암호화된 패킷의 동기화(relay)만 담당하여 제로-지식 개인 정보 보호 모델을 유지합니다.

Saule는 백그라운드에서 작동하는 동안 디스크에 부담을 주지 않고 거의 0에 가까운 에너지를 소비하기 위해 다음 최적화를 적용합니다:

• RAM 전용 휘발성 링 버퍼 (디스크 쓰기 통합): 마이크로 활동 (키 입력, 마우스 움직임)은 SSD에 직접 기록되지 않고, RAM의 휘발성 링 버퍼에 보관됩니다. 주의 필터(Attention Filter)가 에피소드가 끝났다고 판단하면 (예를 들어, 사용자가 3분 동안 작성하던 Notion 페이지를 벗어나 브라우저에 집중할 때), 이 데이터는 단일 쓰기 트랜잭션(single write transaction)으로 SQLite에 기록됩니다.

• 비활성 관리 (Idle State) 및 소급 시간 잠금: 사용자가 키보드/마우스 움직임을 3분 이상 중단하면 시스템은 '유휴(Idle)' 상태로 전환되어 기록을 일시 중지합니다. 에피소드의 종료 시간은 사용자가 컴퓨터에서 벗어난 순간이 아니라 마지막 키를 누른 순간으로 기록되어 (retroactive timestamping) '유령 집중(ghost attention)' 데이터를 방지합니다. 화면 보호기나 잠금이 활성화되면 청취가 완전히 중단되고, 추천 엔진은 화면 개인 정보 보호를 위해 정지됩니다.

• 2단계 검색 필터 및 배치 인덱싱: 지속적으로 무거운 임베딩을 계산하여 CPU에 부담을 주지 않기 위해 먼저 단어 기반의 빠른 BM25 필터가 작동합니다. 유사성 임계값을 초과할 때만 로컬 ONNX 임베딩 및 코사인 검색이 트리거됩니다. 새로 추가된 원시 에피소드는 즉시 인덱싱되지 않고, 컴퓨터가 유휴 상태이고 충전 중일 때 (Dream State) 백그라운드에서 일괄적으로 인덱싱됩니다.

사용자의 개인 정보 보호 민감도와 인지 부하의 균형을 맞추기 위해 시스템은 두 가지 별도의 작동 모드를 제공합니다:

• 자율 관찰 모드 (Autonomic Mode / Subconscious): 기본 모드입니다. 백그라운드에서 활성 청취, 주의 필터 및 공명 엔진이 끊김 없이 작동합니다. 뱅킹 또는 시크릿 탭과 같은 애플리케이션은 블랙리스트(blacklist) 규칙에 따라 자동으로 청취에서 제외됩니다.

• 상호작용 / 수동 모드 (Interactive Mode / Conscious): 백그라운드 관찰자는 완전히 꺼집니다. 시스템은 운영 체제나 브라우저를 청취하지 않습니다. 사용자 직접 상호작용 시에만 작동합니다: Alt+Space로 Terminal HQ에 입력하거나, 선택된 텍스트를 마우스 오른쪽 버튼으로 클릭하여 'Saule에게 기억시키기'라고 말하거나, 모바일 장치에서 음성 에피소드를 녹음하거나, 플로팅 아일랜드에서 '현재 세션 저장'이라고 말하는 등 동의 기반의 명시적인 작업을 통해 메모리가 생성됩니다.

• UI/UX 상태 표시: 데스크톱의 플로팅 아일랜드(Floating Island)는 시스템이 현재 어떤 모드에 있는지 가벼운 맥박 애니메이션 (파란색/녹색: 자율, 회색/정지: 수동)으로 사용자에게 반영하고, 한 번의 클릭으로 모드 간 전환을 제공합니다.

Saule의 4분기 로컬 통합 로드맵은 다음 단계로 구성됩니다:

• 1단계: 개인 메모리 엔진 및 로컬 코어 (Personal SML & Local Core) — SQLite 관계형 그래프 모델 구축, 인지 API (`remember`, `recall`, `connect`, `forget`) 메서드 작성, 로컬 nomic-embed 및 Llama-3-8B-Instruct 로컬 통합, Beiwe Workspace 통합 (첫 번째 릴리스에서는 Saule의 활성 메모리 및 백그라운드 관찰 기능이 Beiwe Smart Workspace 내에서만 실행되도록 제한됩니다) 및 터미널 UI (관찰), Yjs/CRDT 암호화된 동기화 구축.

• 2단계: 확장된 관찰 및 컨텍스트 융합 엔진 — 클립보드, 선택, Git Branch 및 화면 읽기(Accessibility Tree) 수집기, 컨텍스트 융합을 통한 우선순위 계산, 백그라운드에서 실행되는 통합(Consolidation) 및 알고리즘적 노화(decay) 엔진.

• 3단계: OS 플로팅 아일랜드 (Floating Desktop Island UI) — 모든 창 위에 떠 있을 수 있는 투명 플로팅 아일랜드 위젯, Alt+Space SML 터미널 HQ 인터페이스, 사용자 승인을 기반으로 하는 액션 자동화 엔진.

• 4단계: 모바일 통합 및 음성 일화적 노트 — React Native 모바일 클라이언트를 통한 로컬 오디오 하드웨어 접근, 로컬 Whisper 모델을 통해 음성 기록 분석 및 데스크톱 그래프와 동기화.

Saule Core는 클라이언트 통합(Beiwe Workspace 확장 프로그램 등)을 표준화하기 위해 포트 4000에서 실행되는 로컬 REST API 마이크로서비스를 노출합니다. 이 서비스는 다음 끝점을 제공합니다: /api/smi/ingest (로컬 메타데이터와 함께 메모리 노드 유지), /api/smi/recall (개인 및 커뮤니티 공간에서 세그먼트화된 컨텍스트 검색 수행), /api/smi/clarity (코사인 유사성을 통해 의미론적 일치 및 합의 평가), /api/smi/verified-solutions (컨텍스트 제약 조건에 따라 브랜드 카탈로그 일치 항목 필터링).

Semantic Memory Layer (SML)는 Saule가 시장에 제시하는 공식 소프트웨어 카테고리입니다. RDBMS 또는 Document Store와 같이 독립적인 소프트웨어 계층을 의미합니다. 인지 운영 체제(Cognitive OS)는 이 SML 계층이 하드웨어 및 소프트웨어 위에 어떻게 위치하는지를 보여주는 기술적 유추입니다.

사용자는 시스템에 새로운 운영 체제를 설치하는 대신, 스마트 메모리 계층(SML)을 설치하여 시장 장벽을 극복합니다. 그러나 이 계층은 백그라운드에서 작동하며 인지 운영 체제(Cognitive OS)처럼 자원 관리 및 행동 오케스트레이션을 수행하여 운영 체제 수준의 인지 경험을 제공합니다.