Agno Knowledge & Memory

상위: Agno

요약

Agno의 Knowledge, Memory, Storage는 에이전트에 정보 검색, 장기 기억, 세션 영속화 기능을 부여하는 세 가지 독립 시스템이다. Knowledge는 RAG 기반 도메인 지식을, Memory는 사용자별 장기 기억을, Storage는 세션 상태를 관리한다.

Knowledge — 도메인 지식 (RAG)

에이전트에 훈련 데이터 너머의 정보를 제공한다. 문서를 청킹 → 임베딩 → 벡터 DB에 저장하고, 에이전트가 필요할 때 시맨틱 검색으로 가져온다.

아키텍처

Content Ingestion → Chunking → Embedding → Vector DB
                                              ↓
Agent ← 시맨틱 검색 ← Query ← 사용자 질문

검색 방식

Agentic RAG가 기본값이다. 에이전트가 "지금 검색이 필요한가?"를 스스로 결정한다.

지원 문서 형식

PDF, DOCX, CSV, JSON, Markdown, 텍스트, 웹페이지, S3 등

지원 벡터 DB (20+)

검색 유형

• 벡터 검색: 시맨틱 유사도
• 키워드 검색: 전통적 텍스트 매칭
• 하이브리드 검색: 벡터 + 키워드 결합
• 메타데이터 필터링: 추가 조건 필터

코드 예시

from agno.agent import Agent
from agno.knowledge.knowledge import Knowledge
from agno.vectordb.chroma import ChromaDb

knowledge = Knowledge(
    vector_db=ChromaDb(collection="docs", path="tmp/chromadb")
)
knowledge.insert(url="https://docs.agno.com/introduction.md")

agent = Agent(
    knowledge=knowledge,
    search_knowledge=True,  # Agentic RAG 활성화
)
agent.print_response("What is Agno?")

학습 통합

에이전트가 대화 중 발견한 인사이트를 Knowledge에 다시 저장할 수 있다. 정적이지 않고 진화하는 지식 베이스가 된다.

Memory — 장기 기억 (User Facts)

대화에서 사용자 정보를 자동 추출하여 DB에 영속화한다. "Sarah는 이메일을 선호한다" 같은 사실을 기억하고, 이후 대화에서 활용한다.

두 가지 모드

Automatic은 고객 지원, 개인 비서에 적합. Agentic은 복잡한 멀티턴 워크플로우에 적합.

데이터 모델

기본 테이블명은 agno_memories. 커스터마이즈 가능.

코드 예시

from agno.agent import Agent
from agno.db.sqlite import SqliteDb

db = SqliteDb(db_file="agno.db")

agent = Agent(
    db=db,
    update_memory_on_run=True,  # 자동 메모리
)

# 첫 대화
agent.print_response("I'm allergic to nuts", user_id="user_123")

# 이후 대화 — 에이전트가 알레르기를 기억
agent.print_response("Suggest a snack for me", user_id="user_123")

Storage — 세션 영속화

세션 상태를 DB에 저장한다. 에이전트 재시작 후에도 대화 히스토리와 상태가 유지된다.

지원 백엔드

SQLite, PostgreSQL, MongoDB

Chat History vs Memory

관련 개념

• Agno: Agno 프레임워크 MOC
• Agno Agent: 단일 에이전트 구성
• Agno Reasoning Tools: KnowledgeTools, MemoryTools