특정 런타임 종속을 깨는 AI 에이전트 이식 메모리: Walrus Memory(MemWal) 오픈소스

MystenLabs와 Walrus Protocol이 단일 앱이나 특정 AI 모델, 런타임 환경에 종속되지 않고 다양한 도구와 워크플로 전반에서 일관된 컨텍스트를 유지할 수 있는 분산형 AI 에이전트 메모리 레이어 'Walrus Memory(MemWal)'를 오픈소스로 공개했습니다. 중앙화된 단일 서버에 대화 기록과 작업 상태를 저장하던 기존 방식에서 벗어나, 에이전트 간 자유로운 컨텍스트 이식과 안전한 권한 제어를 탈중앙 인프라 위에서 구현한 도구입니다.

이미지 출처: https://github.com/MystenLabs/MemWal

런타임 종속을 탈피하는 분산 에이전트 메모리와 Walrus 스토리지 구조

기존의 대다수 AI 에이전트 아키텍처는 세션 컨텍스트와 도구 실행 기록을 로컬 SQLite 데이터베이스, 인메모리 캐시, 혹은 특정 클라우드 벤더의 SaaS 스토리지에 격리된 형태로 저장해왔습니다. 이러한 방식은 개발자가 에이전트 프레임워크를 교체하거나 다른 모델 및 클라이언트 도구로 워크플로를 확장할 때마다 기억 데이터가 파편화되거나 단절되는 문제를 야기합니다.

Walrus Memory(MemWal)는 단일 장애점(SPOF)이 존재하지 않는 탈중앙화 blob 스토리지 네트워크인 Walrus를 기반으로 이 문제를 해결합니다. 에이전트의 대화 맥락과 작업 상태 데이터를 Walrus 상에 안전한 blob 객체로 영구 저장함으로써, 특정 런타임이나 서버 인스턴스가 중단되더라도 언제든 동일한 컨텍스트를 복원할 수 있는 가용성을 확보했습니다.

특히 중앙화된 운영 주체나 중개 서버 없이도 네트워크 참여자 누구나 데이터 무결성을 독립적으로 암호학적 검증을 거쳐 확인할 수 있습니다. 이를 통해 서로 다른 개발 환경이나 플랫폼에서 작동하는 다수의 에이전트가 단일 소스의 신뢰 가능한 기억 데이터를 상호 참조할 수 있는 기반이 마련됩니다.

Sui 스마트 컨트랙트 기반 온체인 권한 제어와 Vercel AI SDK 연동

에이전트가 다루는 대화 맥락과 메모리 데이터는 사용자 개인정보 및 민감한 도구 실행 내역을 포함할 수 있으므로, 분산 스토리지 환경에서는 정밀한 접근 제어 메커니즘이 필수적입니다.

MemWal은 Sui 블록체인의 스마트 컨트랙트를 활용해 프로그래밍 방식으로 동작하는 온체인 세부 접근 권한 제어(scoped access grant) 체계를 적용했습니다. 고정된 API 키나 중앙화된 권한 테이블 대신 스마트 컨트랙트를 통해 데이터의 명시적 소유권을 규정하고, 승인된 에이전트나 특정 워크플로에만 읽기·쓰기 권한을 세밀하게 분할 부여할 수 있습니다.

실제 애플리케이션 개발자를 위한 통합 경로도 지원됩니다. MemWal은 현대 웹 개발에서 널리 쓰이는 Vercel AI SDK 애플리케이션을 위한 드롭인(drop-in) 메모리 연동 모듈을 제공합니다. 개발자는 복잡한 분산 스토리지 호출 로직을 직접 구현하지 않고도, 모델 호출 전후의 대화 턴을 자동으로 저장하고 적절한 시점에 과거 컨텍스트를 불러올 수 있습니다. 또한 여러 전문 에이전트가 협업하는 멀티 에이전트 환경에서 권한이 격리된 공용 메모리 풀(Shared Memory Space)을 구축할 수 있습니다.

실무 도입 시 고려사항: 온체인 상호작용 비용과 베타 단계의 한계

분산형 에이전트 메모리 레이어가 제공하는 이식성과 무결성 검증의 장점에도 불구하고, 실무 엔지니어링 파이프라인에 MemWal을 도입할 때는 몇 가지 현실적인 제약을 감안해야 합니다.

첫째, 프로젝트의 성숙도입니다. MemWal은 현재 깃허브(MystenLabs/MemWal) 및 공식 문서(docs.wal.app/walrus-memory)를 통해 오픈소스 베타(Beta) 단계로 제공되고 있습니다. 활발한 기능 개선과 리팩토링이 진행 중인 초기 단계이므로, 상용 프로덕션 환경에 바로 전면 도입하기보다는 API 규격 변경 가능성을 염두에 둔 점진적 테스트가 요구됩니다.

둘째, 스토리지 지연 시간과 온체인 트랜잭션 비용입니다. 메모리 읽기 및 쓰기 작업이 분산 네트워크인 Walrus와 Sui 온체인 컨트랙트 상호작용을 수반하므로, 로컬 Redis나 인메모리 벡터 DB 대비 데이터 반영에 추가적인 네트워크 레이턴시가 발생할 수 있습니다. 따라서 밀리초 단위의 초고속 응답이 요구되는 휘발성 세션 캐시보다는, 장기 보존이 필요하고 여러 도구 간에 안전하게 공유되어야 하는 핵심 메모리 레이어로 포지셔닝하는 설계가 적합합니다.

출처

• GitHub 저장소: MystenLabs/MemWal — AI 에이전트 이식 메모리 레이어 Walrus Memory(MemWal) 오픈소스 리포지토리 (Beta).
• 공식 문서: Walrus Memory Documentation — Vercel AI SDK 드롭인 연동 가이드 및 아키텍처 기술 명세.
• Walrus Protocol 공식 X (@WalrusProtocol): Walrus Memory Announcement — MystenLabs와 Walrus Protocol의 AI 에이전트 분산 메모리 레이어 공식 발표.