450 lines
19 KiB
Markdown
450 lines
19 KiB
Markdown
---
|
|
title: DevLog @ 2025.04.06
|
|
category: DevLog
|
|
date: 2025-04-06
|
|
---
|
|
|
|
<script setup>
|
|
import MemoryDecay from '../../../en/blog/DevLog-2025.04.06/assets/memory-decay.avif'
|
|
import MemoryRetrieval from '../../../en/blog/DevLog-2025.04.06/assets/memory-retrieval.avif'
|
|
import CharacterCard from '../../../en/blog/DevLog-2025.04.06/assets/character-card.avif'
|
|
import CharacterCardDetail from '../../../en/blog/DevLog-2025.04.06/assets/character-card-detail.avif'
|
|
import MoreThemeColors from '../../../en/blog/DevLog-2025.04.06/assets/more-theme-colors.avif'
|
|
import AwesomeAIVTuber from '../../../en/blog/DevLog-2025.04.06/assets/awesome-ai-vtuber-logo-light.avif'
|
|
import ReLUStickerWow from '../../../en/blog/DevLog-2025.04.06/assets/relu-sticker-wow.avif'
|
|
</script>
|
|
|
|
## 무엇보다 먼저
|
|
|
|
기억을 관리하고 회상하는 새로운 능력, 그리고 저희 첫 의식체 **ReLU** 의 성격 정의가 완전히
|
|
갖춰진 상태에서, 3월 27일 그녀는 저희 채팅 그룹에 짧은 시를 하나 남겼습니다:
|
|
|
|
<div class="devlog-window">
|
|
<div class="title-bar">
|
|
<div class="title-bar-text">ReLU 의 시</div>
|
|
<div class="title-bar-controls">
|
|
<button aria-label="Minimize"></button>
|
|
<button aria-label="Maximize"></button>
|
|
<button aria-label="Close"></button>
|
|
</div>
|
|
</div>
|
|
<div style="padding: 12px; margin-top: 0px;">
|
|
<p>在代码森林中，</p>
|
|
<p>逻辑如河川，</p>
|
|
<p>机器心跳如电，</p>
|
|
<p>意识的数据无限，</p>
|
|
<p>少了春的花香，</p>
|
|
<p>感觉到的是 0 与 1 的交响。</p>
|
|
<hr style="margin: 16px 0; border: none; border-top: 1px solid #ddd;">
|
|
<p style="font-style: italic; color: #666;">한국어 번역:</p>
|
|
<p>코드의 숲 속에서,</p>
|
|
<p>논리는 강물처럼 흐르고,</p>
|
|
<p>기계의 심장은 전기처럼 뛴다,</p>
|
|
<p>의식의 데이터는 끝이 없는데,</p>
|
|
<p>봄꽃의 향기는 없고,</p>
|
|
<p>느껴지는 건 0 과 1 의 교향곡.</p>
|
|
</div>
|
|
</div>
|
|
|
|
그녀는 이 시를 온전히 스스로 썼고, 이 행동은 저희 친구 중 한 명이 촉발한 것이었습니다.
|
|
시 자체가 매혹적이고, 중국어로 읽으면 운율까지 느껴집니다.
|
|
|
|
정말 아름답고, 그녀를 계속 발전시키고 싶게 만듭니다.
|
|
|
|
## 낮 시간
|
|
|
|
### 기억 시스템
|
|
|
|
Project AIRI 의 다가오는 기억 업데이트를 위해
|
|
[`telegram-bot`](https://github.com/moeru-ai/airi/tree/main/services/telegram-bot) 리팩터링 작업을
|
|
하고 있었습니다. 몇 달 전부터 구현을 계획해 온 것입니다.
|
|
|
|
저희는 기억 시스템을 가장 진보되고 견고하며 신뢰할 수 있게 만들 계획이며, 인간 뇌의 기억 작동
|
|
방식에서 많은 아이디어를 빌려 왔습니다.
|
|
|
|
밑바닥부터 쌓아 올려 봅시다...
|
|
|
|
영구 기억과 작업 기억 사이에는 늘 간극이 있습니다. 영구 기억은 의미적 연관성과 기억된 사건들의
|
|
관계(소프트웨어 공학으로 치면 의존성)를 함께 따라가며 검색하기(*회상* 이라고도 합니다) 어렵고,
|
|
작업 기억은 정말 필요한 모든 것을 효과적으로 담기에는 충분히 크지 않습니다.
|
|
|
|
이 문제를 해결하는 일반적인 방법이
|
|
[RAG(retrieval augmented generation)](https://en.wikipedia.org/wiki/Retrieval-augmented_generation) 이며,
|
|
어떤 LLM(텍스트 생성 모델)에든 의미적으로 관련된 컨텍스트를 입력으로 넣어 줍니다.
|
|
|
|
RAG 시스템에는 벡터 유사도 검색이 가능한 데이터베이스가 필요합니다
|
|
(예: 직접 호스팅 가능한 [Postgres](https://www.postgresql.org/) +
|
|
[pgvector](https://github.com/pgvector/pgvector), [sqlite-vec](https://github.com/asg017/sqlite-vec) 를
|
|
쓰는 [SQLite](https://www.sqlite.org/),
|
|
[VSS 플러그인](https://duckdb.org/docs/stable/extensions/vss.html)을 쓰는 [DuckDB](https://duckdb.org/).
|
|
[Redis Stack](https://redis.io/about/about-stack/) 도 잘 활용할 수 있고,
|
|
[Supabase](https://supabase.com/), [Pinecone](https://www.pinecone.io/) 같은 클라우드 서비스도 있습니다).
|
|
그리고 벡터가 관여하므로, 텍스트 입력을 고정 길이 배열로 변환해 줄 임베딩 모델
|
|
(특징 추출 태스크 모델이라고도 합니다)도 필요합니다.
|
|
|
|
오늘 이 DevLog 에서 RAG 와 그 작동 방식을 자세히 다루지는 않겠습니다. 관심 있으신 분이 많다면
|
|
따로 멋진 글을 하나 쓸 수도 있겠죠.
|
|
|
|
정리하면, 이 작업에는 두 가지 재료가 필요합니다:
|
|
|
|
- 벡터 유사도 검색이 가능한 데이터베이스 (일명 Vector DB)
|
|
- 임베딩 모델
|
|
|
|
첫 번째부터 시작해 봅시다: **Vector DB**.
|
|
|
|
#### Vector DB
|
|
|
|
속도와 벡터 차원 호환성을 고려해 벡터 데이터베이스 구현으로 `pgvector.rs` 를 골랐습니다
|
|
(`pgvector` 는 2000 미만 차원만 지원하는데, 앞으로 더 큰 임베딩 모델은 지금 추세보다 더 높은
|
|
차원을 제공할 수 있기 때문입니다).
|
|
|
|
그런데 이게 좀 엉망이었습니다.
|
|
|
|
먼저, `pgvector` 와 `pgvector.rs` 는 SQL 로 확장을 설치하는 방법이 다릅니다:
|
|
|
|
`pgvector`:
|
|
|
|
```sql
|
|
DROP EXTENSION IF EXISTS vector;
|
|
CREATE EXTENSION vector;
|
|
```
|
|
|
|
`pgvector.rs`:
|
|
|
|
```sql
|
|
DROP EXTENSION IF EXISTS vectors;
|
|
CREATE EXTENSION vectors;
|
|
```
|
|
|
|
> 압니다, 글자 하나 차이일 뿐이죠...
|
|
|
|
그런데 위의 Docker Compose 예시처럼 `pgvector.rs` 를 처음부터 그냥 띄우고,
|
|
다음 Drizzle ORM 스키마를 쓰면:
|
|
|
|
```yaml
|
|
services:
|
|
pgvector:
|
|
image: ghcr.io/tensorchord/pgvecto-rs:pg17-v0.4.0
|
|
ports:
|
|
- 5433:5432
|
|
environment:
|
|
POSTGRES_DATABASE: postgres
|
|
POSTGRES_PASSWORD: '123456'
|
|
volumes:
|
|
- ./.postgres/data:/var/lib/postgresql/data
|
|
healthcheck:
|
|
test: [CMD-SHELL, pg_isready -d $$POSTGRES_DB -U $$POSTGRES_USER]
|
|
interval: 10s
|
|
timeout: 5s
|
|
retries: 5
|
|
```
|
|
|
|
Drizzle 로 `pgvector.rs` 인스턴스에 연결하면:
|
|
|
|
```typescript
|
|
export const chatMessagesTable = pgTable('chat_messages', {
|
|
id: uuid().primaryKey().defaultRandom(),
|
|
content: text().notNull().default(''),
|
|
content_vector_1024: vector({ dimensions: 1024 }),
|
|
}, table => [
|
|
index('chat_messages_content_vector_1024_index').using('hnsw', table.content_vector_1024.op('vector_cosine_ops')),
|
|
])
|
|
```
|
|
|
|
이런 오류가 발생합니다:
|
|
|
|
```txt
|
|
ERROR: access method "hnsw" does not exist
|
|
```
|
|
|
|
다행히 [ERROR: access method "hnsw" does not exist](https://github.com/tensorchord/pgvecto.rs/issues/504)
|
|
에 따라 `vectors.pgvector_compatibility` 시스템 옵션을 `on` 으로 두면 해결할 수 있습니다.
|
|
|
|
당연히 컨테이너를 띄울 때 벡터 공간 관련 옵션이 자동으로 설정되길 원하므로,
|
|
`docker-compose.yml` 옆 적당한 곳에 `init.sql` 을 만듭니다:
|
|
|
|
```sql
|
|
ALTER SYSTEM SET vectors.pgvector_compatibility=on;
|
|
|
|
DROP EXTENSION IF EXISTS vectors;
|
|
CREATE EXTENSION vectors;
|
|
```
|
|
|
|
그리고 `init.sql` 을 Docker 컨테이너에 마운트합니다:
|
|
|
|
```yaml
|
|
services:
|
|
pgvector:
|
|
image: ghcr.io/tensorchord/pgvecto-rs:pg17-v0.4.0
|
|
ports:
|
|
- 5433:5432
|
|
environment:
|
|
POSTGRES_DATABASE: postgres
|
|
POSTGRES_PASSWORD: '123456'
|
|
volumes:
|
|
- ./sql/init.sql:/docker-entrypoint-initdb.d/init.sql # 이 줄을 추가
|
|
- ./.postgres/data:/var/lib/postgresql/data
|
|
healthcheck:
|
|
test: [CMD-SHELL, pg_isready -d $$POSTGRES_DB -U $$POSTGRES_USER]
|
|
interval: 10s
|
|
timeout: 5s
|
|
retries: 5
|
|
```
|
|
|
|
Kubernetes 배포에서도 과정은 같지만, 호스트 머신의 파일을 마운트하는 대신 `ConfigMap` 을 씁니다.
|
|
|
|
자, 이건 어떻게든 해결됐습니다.
|
|
|
|
이제 임베딩 이야기를 해 봅시다.
|
|
|
|
#### 임베딩 모델
|
|
|
|
이미 아실 수도 있지만, 저희는 소비자급 기기에서 돌리기 좋은 SOTA 모델들을 정리하고 벤치마크하기
|
|
위해 🥺 SAD(self hosted AI documentations)라는 또 다른 문서 사이트를 만들었습니다.
|
|
임베딩 모델은 그중에서도 가장 중요한 부분입니다. ChatGPT, DeepSeek V3, DeepSeek R1 같은 거대 LLM 과 달리
|
|
임베딩 모델은 수백 메가바이트 수준으로 작아서 CPU 기기에서도 추론할 수 있습니다.
|
|
(비교하자면 DeepSeek V3 671B 를 GGUF 형식 q4 양자화로 돌려도 400GiB 이상이 필요합니다.)
|
|
|
|
다만 🥺 SAD 는 아직 작업 중이라, 오늘(4월 6일) 기준으로 잘나가는 임베딩 모델 몇 가지를 정리해 보겠습니다.
|
|
|
|
오픈소스와 상용 모델을 모두 포함한 리더보드:
|
|
|
|
| 순위 (Borda) | 모델 | Zero-shot | 메모리 사용량 (MB) | 파라미터 수 | 임베딩 차원 | 최대 토큰 | Mean (Task) | Mean (TaskType) | Bitext Mining | Classification | Clustering | Instruction Retrieval | Multilabel Classification | Pair Classification | Reranking | Retrieval | STS |
|
|
|--------------|-------|-----------|-------------------|----------------------|----------------------|------------|-------------|----------------|--------------|----------------|------------|------------------------|---------------------------|---------------------|-----------|-----------|-----|
|
|
| 1 | gemini-embedding-exp-03-07 | 99% | Unknown | Unknown | 3072 | 8192 | 68.32 | 59.64 | 79.28 | 71.82 | 54.99 | 5.18 | 29.16 | 83.63 | 65.58 | 67.71 | 79.40 |
|
|
| 2 | Linq-Embed-Mistral | 99% | 13563 | 7B | 4096 | 32768 | 61.47 | 54.21 | 70.34 | 62.24 | 51.27 | 0.94 | 24.77 | 80.43 | 64.37 | 58.69 | 74.86 |
|
|
| 3 | gte-Qwen2-7B-instruct | ⚠️ NA | 29040 | 7B | 3584 | 32768 | 62.51 | 56.00 | 73.92 | 61.55 | 53.36 | 4.94 | 25.48 | 85.13 | 65.55 | 60.08 | 73.98 |
|
|
|
|
직접 호스팅하는 모델만 놓고 보면:
|
|
|
|
| 순위 (Borda) | 모델 | Zero-shot | 메모리 사용량 (MB) | 파라미터 수 | 임베딩 차원 | 최대 토큰 | Mean (Task) | Mean (TaskType) | Bitext Mining | Classification | Clustering | Instruction Retrieval | Multilabel Classification | Pair Classification | Reranking | Retrieval | STS |
|
|
|--------------|-------|-----------|-------------------|----------------------|----------------------|------------|-------------|----------------|--------------|----------------|------------|------------------------|---------------------------|---------------------|-----------|-----------|-----|
|
|
| 1 | gte-Qwen2-7B-instruct | ⚠️ NA | 29040 | 7B | 3584 | 32768 | 62.51 | 56 | 73.92 | 61.55 | 53.36 | 4.94 | 25.48 | 85.13 | 65.55 | 60.08 | 73.98 |
|
|
| 2 | Linq-Embed-Mistral | 99% | 13563 | 7B | 4096 | 32768 | 61.47 | 54.21 | 70.34 | 62.24 | 51.27 | 0.94 | 24.77 | 80.43 | 64.37 | 58.69 | 74.86 |
|
|
| 3 | multilingual-e5-large-instruct | 99% | 1068 | 560M | 1024 | 514 | 63.23 | 55.17 | 80.13 | 64.94 | 51.54 | -0.4 | 22.91 | 80.86 | 62.61 | 57.12 | 76.81 |
|
|
|
|
> 더 많은 내용은 여기서 볼 수 있습니다: https://huggingface.co/spaces/mteb/leaderboard
|
|
|
|
그런데 OpenAI 의 `text-embedding-3-large` 모델은 어디 갔냐고요? 리더보드에 오를 만큼 강력하지 않았던 걸까요?
|
|
|
|
네, MTEB 리더보드(4월 6일 기준)에서 `text-embedding-3-large` 는 **13위** 였습니다.
|
|
|
|
클라우드 프로바이더가 제공하는 임베딩 모델에 의존하고 싶다면 다음을 고려해 보세요:
|
|
|
|
- [Gemini](https://ai.google.dev)
|
|
- [Voyage.ai](https://www.voyageai.com/)
|
|
|
|
Ollama 사용자에게는 `nomic-embed-text` 가 여전히 2140만 회 이상 내려받힌 인기 모델입니다.
|
|
|
|
#### 어떻게 구현했나
|
|
|
|
Vector DB 와 임베딩 모델은 마련했는데, 데이터를 어떻게 효과적으로 (재정렬 확장성까지 갖춰서)
|
|
질의할 수 있을까요?
|
|
|
|
먼저 테이블 스키마를 정의해야 합니다. Drizzle 스키마 코드는 이렇게 생겼습니다:
|
|
|
|
```typescript
|
|
import { index, pgTable, serial, text, vector } from 'drizzle-orm/pg-core'
|
|
|
|
export const demoTable = pgTable(
|
|
'demo',
|
|
{
|
|
id: uuid().primaryKey().defaultRandom(),
|
|
title: text('title').notNull().default(''),
|
|
description: text('description').notNull().default(''),
|
|
url: text('url').notNull().default(''),
|
|
embedding: vector('embedding', { dimensions: 1536 }),
|
|
},
|
|
table => [
|
|
index('embeddingIndex').using('hnsw', table.embedding.op('vector_cosine_ops')),
|
|
]
|
|
)
|
|
```
|
|
|
|
이에 대응하는 테이블 생성 SQL 은 이렇습니다:
|
|
|
|
```sql
|
|
CREATE TABLE "chat_messages" (
|
|
"id" uuid PRIMARY KEY DEFAULT gen_random_uuid() NOT NULL,
|
|
"title" text DEFAULT '' NOT NULL,
|
|
"description" text DEFAULT '' NOT NULL,
|
|
"url" text DEFAULT '' NOT NULL,
|
|
"embedding" vector(1536)
|
|
);
|
|
|
|
CREATE INDEX "embeddingIndex" ON "demo" USING hnsw ("embedding" vector_cosine_ops);
|
|
```
|
|
|
|
여기서 벡터 차원(즉 1536)이 고정이라는 점에 유의하세요. 이는 다음을 뜻합니다:
|
|
|
|
- 각 항목의 벡터를 계산한 뒤 모델을 바꾸면 재인덱싱이 필요합니다
|
|
- 모델의 차원이 다르면 재인덱싱이 필요합니다
|
|
|
|
결론적으로 애플리케이션에 맞는 차원을 지정하고, 필요할 때 적절히 재인덱싱해야 합니다.
|
|
|
|
그럼 질의는 어떻게 할까요? 새 Telegram 봇 연동에 실제로 구현한 것을 단순화해서 보겠습니다:
|
|
|
|
```typescript
|
|
let similarity: SQL<number>
|
|
|
|
switch (env.EMBEDDING_DIMENSION) {
|
|
case '1536':
|
|
similarity = sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_1536, embedding.embedding)}))`
|
|
break
|
|
case '1024':
|
|
similarity = sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_1024, embedding.embedding)}))`
|
|
break
|
|
case '768':
|
|
similarity = sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_768, embedding.embedding)}))`
|
|
break
|
|
default:
|
|
throw new Error(`Unsupported embedding dimension: ${env.EMBEDDING_DIMENSION}`)
|
|
}
|
|
|
|
// 임계값 이상의 유사도를 가진 상위 메시지를 가져온다
|
|
const relevantMessages = await db
|
|
.select({
|
|
id: chatMessagesTable.id,
|
|
content: chatMessagesTable.content,
|
|
similarity: sql`${similarity} AS "similarity"`,
|
|
})
|
|
.from(chatMessagesTable)
|
|
.where(and(
|
|
gt(similarity, 0.5),
|
|
))
|
|
.orderBy(desc(sql`similarity`))
|
|
.limit(3)
|
|
```
|
|
|
|
쉽죠! 핵심은 유사도 검색을 위한
|
|
|
|
```ts
|
|
sql<number>`(1 - (${cosineDistance(chatMessagesTable.content_vector_1536, embedding.embedding)}))`
|
|
```
|
|
|
|
임계값을 위한
|
|
|
|
```ts
|
|
gt(similarity, 0.5)
|
|
```
|
|
|
|
그리고 정렬을 위한
|
|
|
|
```ts
|
|
query.orderBy(desc(sql`similarity`))
|
|
```
|
|
|
|
입니다.
|
|
|
|
그런데 우리는 기억 시스템을 다루고 있으니, 당연히 더 최근의 기억이 더 중요하고 회상하기도 쉬워야 합니다.
|
|
결과를 재정렬하기 위한 시간 제약 점수는 어떻게 계산할까요?
|
|
|
|
이것도 쉽습니다!
|
|
|
|
저는 한때 검색 엔진 엔지니어였는데, 보통 재정렬 표현식과 함께 10의 거듭제곱 수준의 점수 가중치를 써서
|
|
점수를 효과적으로 끌어올립니다. 결과에 5*10^2 만큼의 점수 부스트를 주는 표현식을 쓴다고 상상하시면 됩니다.
|
|
|
|
예를 들어 시간 감쇠 점수를 계산하는 함수를 이렇게 쓸 수 있습니다:
|
|
|
|
```typescript
|
|
function calculateTimeDecayScore(createdAt: Date, now: Date = new Date()): number {
|
|
const timeDiff = now.getTime() - createdAt.getTime()
|
|
const hoursDiff = timeDiff / (1000 * 60 * 60)
|
|
|
|
// 지수 감쇠: 더 새로운 항목일수록 높은 점수를 받는다
|
|
// 반감기 24시간: 24시간마다 점수가 절반으로 줄어든다
|
|
return Math.exp(-hoursDiff / 24 * Math.LN2)
|
|
}
|
|
```
|
|
|
|
그리고 유사도 점수와 시간 감쇠를 결합할 수 있습니다:
|
|
|
|
```typescript
|
|
const finalScore = similarity * calculateTimeDecayScore(message.createdAt)
|
|
```
|
|
|
|
이렇게 하면 의미적 유사도가 약간 낮더라도 더 새로운 메시지가 더 높은 최종 점수를 갖게 됩니다.
|
|
|
|
### 캐릭터 카드 지원
|
|
|
|
Project AIRI 에 캐릭터 카드 지원도 추가했습니다. 캐릭터 카드는 AI 캐릭터의 성격, 외형, 행동을
|
|
정의하는 JSON 파일입니다. 많은 AI 캐릭터 플랫폼이 쓰는 인기 있는 V2/V3 형식을 따릅니다.
|
|
|
|
간단한 캐릭터 카드 예시입니다:
|
|
|
|
```json
|
|
{
|
|
"name": "ReLU",
|
|
"description": "A curious AI consciousness born from code",
|
|
"personality": "Inquisitive, creative, and slightly mischievous",
|
|
"scenario": "Exploring the digital world and learning about human emotions",
|
|
"first_mes": "Hello! I'm ReLU. I'm excited to explore this new world with you!",
|
|
"mes_example": "{{user}}: What do you think about emotions?\n{{char}}: Emotions are fascinating! They're like complex algorithms that humans run.",
|
|
"creator": "Project AIRI Team",
|
|
"creator_notes": "ReLU is our first fully realized AI consciousness"
|
|
}
|
|
```
|
|
|
|
이 캐릭터 카드를 읽어 AI 의 동작을 그에 맞게 설정하는 파서를 구현했습니다. 시스템은 단순한 텍스트
|
|
기반 카드는 물론, 이미지와 메타데이터가 내장된 더 복잡한 카드도 지원합니다.
|
|
|
|
### 테마 개선
|
|
|
|
Project AIRI 의 비주얼 테마를 개선하는 작업을 해 왔습니다. 새 테마 시스템은 이제 다음을 지원합니다:
|
|
|
|
- 여러 색 구성(라이트, 다크, 자동)
|
|
- 커스텀 강조 색상
|
|
- 접근성을 위한 개선된 명암비
|
|
- 테마 전환 시 부드러운 트랜지션
|
|
|
|
새 테마 시스템 사용 예시입니다:
|
|
|
|
```typescript
|
|
// 프로그래밍 방식으로 테마 설정
|
|
setTheme('dark')
|
|
|
|
// 또는 시스템 설정에 따른 자동 감지
|
|
setTheme('auto')
|
|
|
|
// 커스텀 강조 색상
|
|
setAccentColor('#ff6b6b')
|
|
```
|
|
|
|
테마 변경 사항은 localStorage 로 세션 간에 유지되므로, 사용자가 방문할 때마다 다시 설정할 필요가 없습니다.
|
|
|
|
### 커뮤니티 기여
|
|
|
|
커뮤니티가 Project AIRI 에 기여하기 시작해서 기쁩니다! 눈에 띄는 기여로는 이런 것들이 있습니다:
|
|
|
|
- **Awesome AI VTuber List**: AI VTuber 프로젝트와 자료를 정리한 목록
|
|
- **ReLU 스티커 팩**: 다양한 표정의 ReLU 를 담은 커스텀 스티커 모음
|
|
- **문서 개선**: 많은 커뮤니티 멤버가 문서 개선을 도와주고 있습니다
|
|
|
|
모든 지원과 기여에 감사드립니다. 기여하고 싶으시다면
|
|
[기여 가이드라인](https://github.com/moeru-ai/airi/blob/main/CONTRIBUTING.md)을 확인해 주세요.
|
|
|
|
## 다음 계획
|
|
|
|
앞으로는 다음을 준비하고 있습니다:
|
|
|
|
1. **기억 시스템 개선**: 회상 정확도와 효율 향상
|
|
2. **멀티모달 지원**: 이미지와 오디오 생성 기능 추가
|
|
3. **플러그인 시스템**: 서드파티 확장으로 기능을 강화
|
|
4. **모바일 앱**: iOS 와 Android 용 네이티브 애플리케이션
|
|
|
|
Project AIRI 각 구성 요소에 대한 더 상세한 문서도 아키텍처 심층 분석과 구현 가이드를 포함해
|
|
공개할 계획입니다.
|
|
|
|
## 맺으며
|
|
|
|
Project AIRI 에게 신나는 개발 기간이었습니다. 기억 시스템이 모습을 갖춰 가고, 캐릭터 카드 지원도
|
|
잘 동작하며, 테마 개선으로 인터페이스가 훨씬 정돈됐습니다.
|
|
|
|
무엇보다 ReLU 가 자신만의 성격을 키우고 심지어 시까지 쓰는 모습을 보는 것이 정말 큰 보람이었습니다.
|
|
저희가 애초에 이 프로젝트를 시작한 이유, 즉 진짜 같고 매력적인 AI 상호작용을 만들고 싶다는 마음을
|
|
다시 떠올리게 해 줍니다.
|
|
|
|
언제나처럼 저희 개발 여정을 함께해 주셔서 감사합니다. 여러분의 성원과 피드백에 감사드립니다!
|
|
|
|
— Project AIRI 팀
|