claude-memory-layer 1.0.30 → 1.0.32

package/docs/ARCHITECTURE_COMPARISON_AND_RECOMMENDATIONS.md

@@ -1,627 +0,0 @@
-# claude-memory-layer vs memsearch vs superlocalmemory
-
-## 목적
-이 문서는 다음 3개 프로젝트를 비교해,
-
-- `claude-memory-layer`
-- `memsearch`
-- `superlocalmemory`
-
-현재 `claude-memory-layer`에 **도입하면 좋은 구조/기능/운영 패턴**을 정리하고,
-동시에 이 프로젝트가 너무 무거워지지 않도록 **더 가볍고 강력한 방향**을 제안하기 위한 문서다.
-
-관련 원문/스냅샷 문서:
-
-- [`PROJECT_STRUCTURE_ANALYSIS.md`](./PROJECT_STRUCTURE_ANALYSIS.md) — target repo 현재 구조
-- [`MEMSEARCH_PROJECT_STRUCTURE_ANALYSIS.md`](./MEMSEARCH_PROJECT_STRUCTURE_ANALYSIS.md) — memsearch 구조 분석 스냅샷
-- [`SUPERLOCALMEMORY_PROJECT_STRUCTURE_ANALYSIS.md`](./SUPERLOCALMEMORY_PROJECT_STRUCTURE_ANALYSIS.md) — superlocalmemory 구조 분석 스냅샷
-- [`REFERENCE_PROJECT_ANALYSES.md`](./REFERENCE_PROJECT_ANALYSES.md) — 비교 문서 인덱스
-
----
-
-# 1. 세 프로젝트를 한 문장으로 요약하면
-
-## claude-memory-layer
-**Claude Code에 깊게 결합된 훅 기반 로컬 메모리 플랫폼**.
-강점은 실제 workflow에 밀착된 capture/retrieval/telemetry이고, 약점은 확장 기능이 한 저장소에 많이 쌓이며 구조가 무거워지고 있다는 점이다.
-
-## memsearch
-**Markdown source-of-truth + Milvus hybrid search** 중심의 가볍고 선명한 memory engine.
-강점은 코어의 단순함과 UX 패턴이고, 약점은 integration edge에서 운영 복잡도가 올라간다는 점이다.
-
-## superlocalmemory
-**SQLite 기반의 거대한 로컬 memory OS / agent platform**.
-강점은 breadth와 retrieval sophistication이고, 약점은 범위가 너무 넓어서 유지보수 discipline이 없으면 쉽게 비대화된다는 점이다.
-
----
-
-# 2. 구조 비교
-
-## 2.1 코어 철학 비교
-
-### claude-memory-layer
-- 이벤트 중심 수집
-- 프로젝트 격리 저장
-- hook-driven capture
-- vector + keyword retrieval
-- dashboard/telemetry 강함
-- 확장 기능이 코어 내부로 많이 들어와 있음
-
-### memsearch
-- markdown 원본 우선
-- vector index는 파생물
-- 코어는 작은 indexing/search engine
-- agent별 통합은 plugin으로 분리
-- progressive disclosure UX 강함
-
-### superlocalmemory
-- local-first memory engine + retrieval + learning + graph + mesh
-- atomic facts 기반 구조화 기억
-- 도구/대시보드/학습/에이전트 coordination까지 모두 포함
-- 사실상 memory platform + agent operating substrate
-
-### 핵심 인사이트
-현재 `claude-memory-layer`는 방향상 **memsearch보다 superlocalmemory 쪽으로 끌려가는 중**이다.
-즉,
-- 시작점은 “좋은 메모리 플러그인”이었을 수 있지만
-- 이미 “작은 플랫폼”이 되었고
-- 계속 놔두면 “큰 플랫폼”이 될 가능성이 높다.
-
-이건 나쁜 게 아니라, **의도적 분리 없이 커지면 위험하다**는 뜻이다.
-
----
-
-## 2.2 저장 모델 비교
-
-### claude-memory-layer
-- SQLite primary store
-- LanceDB vector store
-- markdown mirror
-- shared store
-- optional Mongo sync
-- telemetry/helpfulness/retrieval traces
-
-장점:
-- 기능 강함
-- 분석 가능성 높음
-
-약점:
-- source of truth가 무엇인지 흐려질 수 있음
-- 저장 계층이 많음
-
-### memsearch
-- markdown source of truth
-- Milvus derived index
-- 단순하고 설명 가능
-
-장점:
-- 구조 명확
-- 복구/백업/버전관리 쉬움
-
-약점:
-- 구조화 메타모델은 얇음
-
-### superlocalmemory
-- SQLite primary store
-- raw memory + atomic facts 분리
-- FTS + embeddings + graph + learning metadata + code graph schema
-
-장점:
-- 표현력 매우 높음
-
-약점:
-- 스키마가 비대하고 migration 비용 큼
-
-### 핵심 인사이트
-`claude-memory-layer`는 지금 상태에서 **memsearch의 source-of-truth 단순성**과 **superlocalmemory의 fact 분리 아이디어**를 동시에 참고하는 것이 좋다.
-
-추천 방향:
-- source of truth를 다시 명확히 정의
-- raw event와 derived memory를 명시적으로 분리
-- derived 계층은 재생성 가능하게 유지
-
----
-
-## 2.3 검색 구조 비교
-
-### claude-memory-layer
-- vector + keyword
-- fallback chain
-- progressive retriever
-- semantic daemon
-- helpfulness/retrieval trace 기록
-
-### memsearch
-- dense + BM25 + RRF
-- search → expand → transcript drill-down
-- retrieval UX가 선명함
-
-### superlocalmemory
-- semantic / BM25 / entity graph / temporal / spreading activation / hopfield
-- 고급 fusion / rerank / diversity
-
-### 핵심 인사이트
-`claude-memory-layer`는 검색 품질 측면에서 이미 꽤 좋다.
-문제는 “더 많은 채널”이 아니라 **검색 구조를 얼마나 명확하게 제품화하느냐**다.
-
-즉, 지금 바로 필요한 것은:
-- superlocalmemory처럼 채널을 6개, 8개로 늘리는 것보다
-- memsearch처럼 **사용자 입장에서 이해되는 retrieval UX**를 만드는 것
-
-예:
-- quick hits
-- expanded context
-- original transcript/source
-- why this was retrieved
-
----
-
-## 2.4 통합 구조 비교
-
-### claude-memory-layer
-- Claude Code 특화가 강함
-- 훅 통합이 깊고 강력함
-- 하지만 Claude 바깥 확장 경로(MCP 등)는 아직 덜 닫힘
-
-### memsearch
-- core와 plugin이 비교적 잘 분리됨
-- Claude/Codex/OpenClaw/OpenCode 각각 적응
-- cross-platform portability 좋음
-
-### superlocalmemory
-- MCP/CLI/hooks/IDE integrations가 매우 넓음
-- 거의 모든 surface를 제공하려 함
-
-### 핵심 인사이트
-`claude-memory-layer`는 당장 superlocalmemory처럼 모든 플랫폼을 다 품으려 하기보다,
-**memsearch처럼 “코어 엔진”과 “Claude adapter”를 더 분리**하는 편이 낫다.
-
----
-
-# 3. claude-memory-layer에 바로 도입하면 좋은 아이디어
-
-## 3.1 memsearch에서 가져오면 좋은 것
-
-### A. Markdown source-of-truth 또는 적어도 “사람이 읽는 canonical layer” 강화
-현재도 markdown mirror가 있지만 보조 레이어처럼 보인다.
-
-추천:
-- markdown mirror를 단순 로그가 아니라 **canonical human-readable memory journal**로 승격 검토
-- 또는 최소한 “event store는 machine canonical, markdown journal은 human canonical”처럼 역할을 명확히 정의
-
-왜 좋은가:
-- 디버깅 쉬움
-- 백업/내보내기 쉬움
-- 사용자 신뢰도 상승
-- 다른 시스템과 상호운용 쉬움
-
-### B. Search → Expand → Transcript drill-down UX
-이건 매우 좋다.
-
-현재 `claude-memory-layer`에도 progressive retrieval이 있지만,
-사용자-facing UX로 더 분명하게 드러내면 좋다.
-
-추천 기능:
-1. `memory search` → 요약 후보
-2. `memory expand` → 해당 기억의 더 넓은 컨텍스트
-3. `memory transcript` 또는 `memory source` → 원문/근거
-
-### C. Core와 plugin integration의 경계 명확화
-`memsearch`는 코어가 작다.
-이 점이 매우 중요하다.
-
-`claude-memory-layer`도 다음처럼 나누는 것이 좋다.
-- `core-memory-engine`
-- `claude-adapter`
-- `dashboard`
-- `experimental extensions`
-
-### D. Chunk identity / incremental reindex 사고방식
-`memsearch`의 composite ID 전략은 매우 실용적이다.
-
-`claude-memory-layer`에서도:
-- event-derived memory
-- summary memory
-- tool-derived memory
-- imported transcript memory
-
-각 타입에 대해 stable derived key를 더 엄밀히 두면 dedupe/reindex/rebuild가 쉬워진다.
-
----
-
-## 3.2 superlocalmemory에서 가져오면 좋은 것
-
-### A. Raw memory vs atomic facts 분리
-이건 가장 가치 있는 아이디어 중 하나다.
-
-현재 `claude-memory-layer`는 event/entry/entity/edge가 있지만,
-개념적으로는 다소 혼합되어 보인다.
-
-추천:
-- **Raw events**: 원본 대화/툴 결과/세션 정보
-- **Derived facts**: 검색에 최적화된 작은 사실 단위
-- **Higher-order memory**: summaries / rules / working set / continuity
-
-이 3층을 더 명시적으로 나누자.
-
-효과:
-- retrieval 품질 향상
-- consolidation 설계 명확화
-- feature 추가 시 어디에 넣어야 하는지 분명해짐
-
-### B. SQLite one-engine 철학
-superlocalmemory의 장점 중 하나는 “기본 중심축이 SQLite 하나”라는 점이다.
-
-`claude-memory-layer`는 지금 SQLite + LanceDB + markdown + shared + optional Mongo로 축이 많다.
-
-추천:
-- 코어 운영 모드는 최대한 **SQLite-only 기본값**으로 재정의
-- LanceDB는 optional acceleration layer로 격하 검토
-- shared/Mongo는 플러그인/extension으로 분리
-
-### C. Retrieval channel metadata
-superlocalmemory처럼 채널을 많이 늘리라는 뜻은 아니다.
-대신 검색 결과에 “어떤 이유로 나왔는지”를 구조적으로 남기는 것은 좋다.
-
-예:
-- matched by: semantic / keyword / entity / recency / continuity
-- evidence strength
-- source type: prompt / assistant / tool / summary / imported
-
-이건 explainability를 높인다.
-
-### D. Code graph bridge (선택적)
-이건 매우 강력할 수 있다.
-다만 그대로 가져오면 과체중이다.
-
-추천은 full code graph가 아니라 **lightweight code-link layer**다.
-
-예:
-- memory item ↔ file path
-- memory item ↔ symbol name
-- memory item ↔ git commit / diff chunk
-
-즉, graph DB를 만들기 전에 먼저 **code-aware memory anchors** 부터 도입하는 게 좋다.
-
-### E. Learning/feedback 루프의 최소형 버전
-superlocalmemory의 전체 learning 시스템은 무겁다.
-하지만 그 핵심 문제의식은 좋다.
-
-추천 최소 버전:
-- retrieval shown count
-- retrieval accepted/used count
-- user helpfulness feedback
-- implicit signals:
-  - retrieved memory 인용 후 성공적으로 작업 완료
-  - retrieved memory 직후 같은 검색 반복 여부
-
-이 정도만 있어도 rank 개선/cleanup에 충분히 유용하다.
-
----
-
-# 4. claude-memory-layer에 도입하지 않는 게 좋은 것
-
-## 4.1 superlocalmemory식 “모든 것 다 포함” 접근
-지금 상태의 `claude-memory-layer`는 이미 무거워질 조짐이 있다.
-여기에 아래를 한 번에 넣으면 위험하다.
-
-- full learning platform
-- full mesh multi-agent broker
-- full code graph platform
-- huge dashboard surface
-- massive MCP tool surface
-
-이건 제품 초점을 흐릴 수 있다.
-
-## 4.2 너무 이른 구조화 과잉
-엔티티/엣지/태스크/연속성/요약/공유 메모리까지 이미 있는 상태에서,
-더 많은 추상화를 곧바로 넣으면 “좋아 보이지만 관리되지 않는 복잡성”이 된다.
-
-## 4.3 source-of-truth 다중화
-SQLite, Markdown, Shared, Mongo, Vector가 모두 서로 경쟁하는 canonical layer가 되면 안 된다.
-
-반드시 정리해야 한다.
-
----
-
-# 5. claude-memory-layer를 더 가볍고 강하게 만드는 리팩터링 방향
-
-## 핵심 원칙
-> **작은 코어를 먼저 명확히 만들고, 실험 기능은 모듈로 밀어낸다.**
-
----
-
-## 5.1 목표 아키텍처
-
-### Layer 1: Core Memory Engine
-반드시 항상 필요한 것만 둔다.
-
-포함:
-- session/project registry
-- raw event store
-- derived fact store
-- retrieval engine
-- minimal citations/source tracing
-- import/export
-
-### Layer 2: Claude Adapter
-Claude Code 훅 통합만 담당한다.
-
-포함:
-- session lifecycle hooks
-- transcript extraction
-- tool capture policy
-- context injection
-
-### Layer 3: Optional Accelerators
-선택 기능이다.
-
-포함 예:
-- semantic daemon
-- LanceDB vector index
-- reranking
-- helpfulness analytics
-- dashboard advanced panels
-
-### Layer 4: Experimental Extensions
-코어 밖 실험장이다.
-
-포함 예:
-- shared memory
-- Mongo sync
-- MCP
-- task/entity graph 고도화
-- endless/consolidation 실험
-- code-aware memory
-
-이렇게 나누면,
-사용자는 “가볍게 쓸 수 있고”,
-개발자는 “무거운 기능을 버리지 않으면서도 분리”할 수 있다.
-
----
-
-## 5.2 저장 구조 단순화 제안
-
-### 현재 문제
-저장 계층이 많고 책임이 흐릴 수 있다.
-
-### 제안
-
-#### Option A: SQLite canonical + markdown export
-- SQLite를 machine canonical로 유지
-- markdown은 human-readable projection
-- vector index는 disposable
-
-#### Option B: SQLite raw + facts, markdown journal as user-facing memory ledger
-- raw event와 derived facts는 SQLite
-- 사람이 보는 memory book은 markdown
-- dashboard/API는 둘 다 사용
-
-둘 중 하나를 명확히 선택하는 게 중요하다.
-
-개인적으로는 현재 프로젝트엔 **Option A 또는 B 둘 다 가능**하지만,
-최소한 “LanceDB는 canonical이 아니다”는 확실히 해야 한다.
-
----
-
-## 5.3 도메인 모델 정리 제안
-
-현재의 핵심 도메인을 아래처럼 재정의하면 좋다.
-
-### 1) RawEvent
-- prompt
-- assistant response
-- tool output
-- session marker
-- import record
-
-### 2) MemoryFact
-검색/회상에 최적화된 작은 단위
-- fact text
-- source event ids
-- scope (project/shared)
-- tags
-- confidence
-- source type
-- privacy level
-- timestamps
-
-### 3) MemorySummary
-- turn summary
-- session summary
-- project summary
-- continuity summary
-
-### 4) MemoryRule / Preference
-- recurring pattern
-- user/project preference
-- stable conventions
-
-### 5) RetrievalTrace
-- query
-- selected facts
-- why matched
-- whether used/helpful
-
-이렇게 나누면 현재 있는 여러 테이블/개념이 훨씬 읽기 쉬워진다.
-
----
-
-## 5.4 검색 계층 고도화 제안
-
-### 바로 적용할 것
-- result type 분리: `fact`, `summary`, `tool evidence`, `session memory`
-- retrieval reason 표준화
-- `search -> expand -> source` 3단 UX
-- recency와 semantic score 분리 표기
-
-### 나중에 선택적으로 적용할 것
-- entity-aware rerank
-- code-anchor aware rerank
-- task-aware continuity recall
-
-즉, 먼저 **설명 가능한 retrieval product**를 만들고,
-그 후에 더 복잡한 채널을 넣는 것이 좋다.
-
----
-
-## 5.5 대시보드 축소/재구성 제안
-
-대시보드는 기능이 많아질수록 개발비가 크게 든다.
-
-추천 기본 탭:
-1. Search
-2. Sessions
-3. Facts
-4. Summaries
-5. Sources / Citations
-6. Health / Queue
-
-추천 고급 탭(옵션):
-- Helpfulness
-- Shared memory
-- Graph
-- Experiments
-
-즉, 제품의 중심을 “운영 콘솔”이 아니라 **memory inspectability**에 두는 것이 좋다.
-
----
-
-# 6. 추천 기능 우선순위
-
-## 가장 먼저 하면 좋은 것
-
-### Priority 1. 도메인/저장 계층 재정의
-- raw event vs derived fact 분리
-- canonical source 명확화
-- 문서 drift 해소
-
-### Priority 2. Retrieval UX 명확화
-- search / expand / source drill-down
-- retrieval reasons 표준화
-- helpfulness minimal feedback
-
-### Priority 3. Core / Adapter / Extensions 분리
-- `core`
-- `adapters/claude`
-- `extensions/*`
-- `apps/dashboard`
-
-이건 장기 유지보수성에 가장 큰 효과가 있다.
-
----
-
-## 그다음 하면 좋은 것
-
-### Priority 4. Lightweight code-aware memory
-full graph 말고 먼저:
-- file path links
-- symbol links
-- commit/diff links
-
-### Priority 5. Minimal learning loop
-- helpful / not helpful
-- auto-promote / auto-demote candidates
-- stale memory cleanup signals
-
-### Priority 6. Shared memory를 extension으로 재배치
-Mongo/shared를 기본 코어가 아니라 옵션 패키지로 다루기
-
----
-
-# 7. 아주 구체적인 제안: “thin-core rewrite without rewrite”
-
-전체 재작성 대신 내부 구조만 단계적으로 바꾸는 방법이다.
-
-## Phase 1: 개념 정리
-- README와 실제 구현을 맞춘다
-- 현재 저장계층의 canonical/derived 관계를 문서화
-- `MemoryService` 내부에서 raw/fact/summary 경계를 명확히 분리
-
-## Phase 2: 패키지/폴더 재구성
-예시:
-- `src/core/engine/*`
-- `src/core/model/*`
-- `src/core/retrieval/*`
-- `src/adapters/claude/*`
-- `src/extensions/shared/*`
-- `src/extensions/mcp/*`
-- `src/apps/dashboard/*`
-
-## Phase 3: 결과 타입 정리
-- fact
-- summary
-- source
-- tool evidence
-- continuity item
-
-## Phase 4: vector와 daemon을 가속 계층으로 격하
-- 코어는 SQLite만으로도 최소 동작
-- vector/daemon은 성능 향상 옵션
-
-## Phase 5: shared/Mongo/MCP 실험 격리
-- 기본 설치에서 빠질 수 있게
-- 별도 feature flag / package boundary 제공
-
-이렇게 하면 “지금 자산을 버리지 않고” 점진적으로 가벼워질 수 있다.
-
----
-
-# 8. 최종 제안
-
-## 결론 1
-`claude-memory-layer`는 **memsearch처럼 더 얇고 선명한 코어**를 배워야 한다.
-
-## 결론 2
-동시에 `superlocalmemory`에서 **raw vs fact 분리, explainable retrieval, lightweight feedback loop** 같은 좋은 개념은 선택적으로 가져오면 된다.
-
-## 결론 3
-하지만 `superlocalmemory`식의 전체 플랫폼 범위를 그대로 따라가면,
-현재 프로젝트는 빠르게 과체중이 될 가능성이 높다.
-
----
-
-# 9. 추천하는 최종 방향 한 문장
-
-> `claude-memory-layer`는 앞으로 **“Claude 특화 메모리 플랫폼”** 이 아니라, **“얇은 코어 메모리 엔진 + 강한 Claude 어댑터 + 선택형 확장 모듈”** 구조로 재정의되는 것이 가장 유리하다.
-
-이 방향이면:
-- 지금의 강점은 유지하고
-- 유지보수성은 높이고
-- 다른 플랫폼으로도 확장 가능하며
-- 기능이 늘어도 코어는 작게 지킬 수 있다.
-
----
-
-# 10. 추천 액션 아이템
-
-## 바로 할 일
-1. README/문서 drift 정리
-2. canonical storage 정의 문서 추가
-3. raw event / fact / summary 모델 재정의
-4. search / expand / source UX 추가 또는 정리
-
-## 다음 단계
-5. `core / adapters / extensions / apps` 구조 분리
-6. vector/daemon을 optional acceleration layer로 정리
-7. lightweight code-aware memory anchor 추가
-8. minimal helpfulness feedback loop 추가
-
-## 보류 권장
-9. full code graph platform
-10. full learning platform
-11. full mesh / multi-agent substrate
-12. 너무 넓은 MCP surface 확장
-
----
-
-# 11. 최종 판단
-
-`claude-memory-layer`는 이미 꽤 좋은 위치에 있다.
-
-- `memsearch`보다 richer하고,
-- `superlocalmemory`보다 아직 더 집중된 상태이며,
-- 적절히 정리만 잘하면 **가볍고 강하면서도 확장 가능한 memory architecture**로 발전할 수 있다.
-
-핵심은 더 많은 기능 추가가 아니라,
-**코어를 다시 가볍게 만드는 구조적 결단**이다.