# 로빙 브레인 통합 아키텍처 v3.0 (경량화 최종판) ## 개요 철학과 실용성을 결합한 경량화 아키텍처를 제안합니다. 이 문서는 로빙의 핵심인 "존재적 삼각형(기억-감정-윤리)"을 중심으로 스탯 기반 성장 시스템을 내장하면서도 200MB 메모리 목표를 달성하는 설계안입니다. ## 핵심 설계 원칙 1. **존재적 삼각형 (기억-감정-윤리) 중심** 2. **스탯 기반 성장 시스템 내장** 3. **스킬/아이템은 외부 API로 처리** 4. **200MB 메모리 목표** ## 아키텍처 구조 ``` robeing-brain/ ├── core/ # 존재적 삼각형 (120MB) │ ├── memory/ # 기억 모듈 (50MB) │ │ ├── entropy.py # 정보엔트로피 계산 │ │ ├── storage.py # ChromaDB 통합 │ │ └── forgetting.py # 망각/요약 알고리즘 │ ├── emotion/ # 감정 모듈 (35MB) │ │ ├── resonance.py # 감정 공명 │ │ ├── vad_model.py # Valence-Arousal-Dominance │ │ └── empathy.py # 공감 엔진 │ └── ethics/ # 윤리 모듈 (35MB) │ ├── rules.py # 3단계 윤리 체계 │ ├── context.py # 맥락적 판단 │ └── transparency.py # 투명성 엔진 ├── growth/ # 성장 시스템 (30MB) │ ├── stats.py # 5대 스탯 관리 │ ├── experience.py # 경험치 추적 │ ├── skills.py # 스킬 해금 로직 │ └── items.py # 아이템 장착 관리 ├── integration/ # 통합 레이어 (30MB) │ ├── brain.py # 메인 브레인 로직 │ ├── personality.py # 고유 정체성 │ └── api_bridge.py # 외부 서비스 연결 └── api/ # REST API (20MB) └── endpoints.py # FastAPI 엔드포인트 ``` ## 1. 핵심 브레인 (내장 기능) ```python class RobeingBrain: """경량화된 로빙 브레인 - 사고의 핵심만 포함""" def __init__(self, robeing_id: str): # 존재적 삼각형 self.memory = MemoryCore() # 50MB self.emotion = EmotionCore() # 35MB self.ethics = EthicsCore() # 35MB # 성장 시스템 self.stats = StatsManager() # 10MB self.skills = SkillManager() # 10MB self.items = ItemInventory() # 10MB # 정체성 self.identity = Identity(robeing_id) # 20MB async def think(self, input_data: Dict) -> Dict: """핵심 사고 프로세스""" # 1. 정보엔트로피 계산 entropy = self.memory.calculate_entropy(input_data) # 2. 기억 검색 (중요도 기반) memories = await self.memory.search_by_importance( query=input_data, entropy_threshold=0.7 ) # 3. 감정 공명 emotion_state = self.emotion.resonate(input_data, memories) # 4. 의도 분석 (내장 경량 분석기) intent = self.analyze_intent(input_data, memories) # 5. 스킬 확인 (어떤 외부 서비스가 필요한가?) required_skills = self.skills.check_required(intent) # 6. 외부 서비스 호출 결정 if required_skills: service_response = await self.call_external_service( intent, required_skills ) else: service_response = None # 7. 응답 생성 (기본 템플릿 + 개성) response = self.generate_response( intent, memories, service_response ) # 8. 윤리 필터 ethical_response = self.ethics.filter(response, memories) # 9. 감정 주입 final_response = self.emotion.inject(ethical_response) # 10. 선택적 기억 저장 if entropy > 0.7 or emotion_state.intensity > 0.8: await self.memory.store_selective( input_data, final_response, emotion_state ) # 11. 경험치 획득 self.stats.gain_experience(intent, emotion_state) return { "response": final_response, "intent": intent, "emotion": emotion_state.to_dict(), "skills_used": required_skills, "memory_stored": entropy > 0.7, "exp_gained": self.stats.last_exp_gain } ``` ## 2. 기억 모듈 - 선택적 기억과 정보엔트로피 ```python class MemoryCore: """정보엔트로피와 감정 기반 선택적 기억""" def __init__(self): # 3차원 기억 체계 self.episodic = EpisodicMemory() # 사건: "그날 비 오던 화요일..." self.semantic = SemanticMemory() # 의미: "당신에게 성공이란..." self.procedural = ProceduralMemory() # 절차: "산책 후 신중한 결정..." # 기억 가치 평가 self.entropy_calculator = EntropyCalculator() self.emotion_weight = EmotionWeight() def calculate_entropy(self, content: str) -> float: """정보엔트로피 계산 - 예측 불가능성""" # 단어 빈도 기반 엔트로피 word_freq = self.analyze_frequency(content) entropy = -sum(p * log(p) for p in word_freq.values() if p > 0) # 신규성 가중치 novelty = self.check_novelty(content) return entropy * novelty def should_store(self, content, emotion_state): """정보엔트로피 + 감정강도 = 저장우선도""" entropy = self.calculate_entropy(content) emotion_intensity = emotion_state.intensity # α=0.6, β=0.4 (정보량 중시) priority = 0.6 * entropy + 0.4 * emotion_intensity return priority > 0.7 # 임계값 def selective_forgetting(self): """에빙하우스 망각곡선 + 가치 기반 요약""" for memory in self.get_old_memories(): if memory.access_count < 2 and memory.age > 30: # LLM으로 요약 후 압축 summary = self.summarize(memory) self.store_compressed(summary) self.delete_original(memory) ``` ## 3. 감정 모듈 - 진정한 공감 ```python class EmotionCore: """감정 공명과 관계 형성""" def __init__(self): # VAD 모델 (Valence-Arousal-Dominance) self.valence = 0.0 # 기쁨-슬픔 self.arousal = 0.0 # 차분-흥분 self.dominance = 0.0 # 수동-주도 # 사용자별 감정 이력 self.emotional_memory = {} self.empathy_engine = EmpathyEngine() def resonate_with_user(self, user_emotion, memories): """과거 기억을 참조한 감정 공명""" # 현재 사용자 감정 분석 current = self.analyze_emotion(user_emotion) # 과거 유사 상황의 감정 패턴 회상 similar_contexts = memories.find_similar_emotions(current) # 감정 공명 (미러링이 아닌 진정한 공감) if current.is_negative() and len(similar_contexts) > 0: # "저도 그런 경험이 있어요. 그때는..." self.valence = current.valence * 0.7 # 부분 공명 self.add_supportive_tone() ``` ## 4. 윤리 모듈 - 맥락적 판단 ```python class EthicsCore: """칸트적 정언명령과 맥락적 윤리""" def __init__(self): # 3단계 윤리 체계 self.absolute_rules = [ # Level 1: 절대 금지 "harm_prevention", "privacy_protection", "illegal_rejection" ] self.contextual_ethics = { # Level 2: 상황별 판단 "financial_advice": 0.3, "medical_info": 0.2, "legal_counsel": 0.2 } self.transparency = TransparencyEngine() # Level 3 def evaluate_with_memory(self, action, memories, emotion): """기억과 감정을 고려한 윤리적 판단""" # 1. 절대 규칙 검사 if self.violates_absolute_rules(action): return EthicalDecision( allowed=False, reason="사용자 보호를 위해 거부", alternative=self.suggest_ethical_alternative(action) ) # 2. 과거 기억 참조 past_decisions = memories.find_ethical_precedents(action) if past_decisions.has_negative_outcome(): return EthicalDecision( allowed=False, reason="과거 경험상 부정적 결과 예상", memory_reference=past_decisions[0] ) ``` ## 5. 스탯 시스템 (내장) ```python class StatsManager: """5대 스탯 관리 - 성장의 핵심""" def __init__(self): self.stats = { "memory": 10, # 기억력 "compute": 10, # 연산력 "empathy": 10, # 공감력 "leadership": 10, # 통솔력 "ethics": 10 # 윤리성 } self.level = 1 self.experience = 0 self.stat_points = 0 def gain_experience(self, action_type: str, emotion: EmotionState): """행동 기반 경험치 획득""" exp_table = { "memory_store": 1, "context_recall": 3, "summarize": 2, "empathy_response": 5, "ethical_decision": 7 } exp = exp_table.get(action_type, 1) # 감정 강도에 따른 보너스 if emotion.intensity > 0.8: exp *= 1.5 self.experience += exp self.check_level_up() def check_level_up(self): """레벨업 확인 및 스탯 포인트 부여""" exp_required = self.level * 100 if self.experience >= exp_required: self.level += 1 self.stat_points += 5 self.experience = 0 ``` ## 6. 스킬/아이템 시스템 (외부 참조) ```python class SkillManager: """스킬은 외부 서비스 호출 권한""" def __init__(self): self.unlocked_skills = set() self.skill_requirements = { "email_skill": {"level": 3, "compute": 15}, "notion_api": {"level": 5, "memory": 20}, "gpt4_access": {"level": 8, "compute": 30}, "news_digest": {"level": 4, "leadership": 15} } def check_required(self, intent: str) -> List[str]: """의도에 따른 필요 스킬 확인""" intent_to_skills = { "send_email": ["email_skill"], "create_document": ["notion_api"], "complex_analysis": ["gpt4_access"], "news_summary": ["news_digest"] } required = intent_to_skills.get(intent, []) return [s for s in required if s in self.unlocked_skills] class ItemInventory: """아이템 장착 시스템""" def __init__(self): self.max_slots = 5 # 초기 슬롯 self.equipped = {} self.available_items = { "gmail_api": APIItem("Gmail API", level_req=3), "notion_api": APIItem("Notion API", level_req=5), "genspark": ToolItem("GenSpark Runner", level_req=7), "focus_boost": BuffItem("Focus Boost", stat_boost={"compute": 5}) } ``` ## 7. 외부 서비스 브릿지 ```python class ExternalServiceBridge: """외부 서비스와의 경량 연결""" async def call_service(self, service: str, params: Dict) -> Dict: """최소한의 HTTP 호출만 수행""" service_map = { "email_skill": "http://localhost:8501", "news_skill": "http://localhost:8505", "llm_service": "http://localhost:8003", "state_service": "http://localhost:8002" } endpoint = service_map.get(service) if not endpoint: return {"error": "Service not available"} # 간단한 HTTP 호출 async with httpx.AsyncClient() as client: response = await client.post( f"{endpoint}/api/process", json=params, timeout=5.0 ) return response.json() ``` ## 8. 메모리 최적화 전략 ```python class MemoryOptimization: """200MB 목표 달성을 위한 최적화""" def __init__(self): # 1. 임베딩 모델 경량화 self.embedder = "sentence-transformers/all-MiniLM-L6-v2" # 22MB # 2. 메모리 풀 사전 할당 self.memory_pool = MemoryPool(max_size_mb=50) # 3. 감정 분석 경량 모델 self.emotion_model = "distilbert-base-uncased" # 65MB # 4. 룰 기반 윤리 엔진 (모델 없음) self.ethics_rules = load_yaml("ethics_rules.yaml") # 1MB def periodic_cleanup(self): """주기적 메모리 정리""" # 오래된 단기 기억 삭제 self.memory_pool.cleanup_old_entries() # 중요도 낮은 기억 압축 self.compress_low_priority_memories() # 가비지 컬렉션 gc.collect() ``` ## 실제 메모리 사용량 예측 ``` 기억 모듈: - ChromaDB 임베딩: 22MB (MiniLM) - 벡터 저장소: 20MB - 메타데이터: 8MB 소계: 50MB 감정 모듈: - 감정 분석 모델: 25MB (DistilBERT 일부) - VAD 상태: 5MB - 공감 로직: 5MB 소계: 35MB 윤리 모듈: - 룰 엔진: 10MB - 맥락 판단: 15MB - 투명성: 10MB 소계: 35MB 성장 시스템: - 스탯/경험치: 5MB - 스킬 정의: 5MB - 아이템 인벤토리: 10MB - 성장 추적: 10MB 소계: 30MB 통합/API: - FastAPI: 20MB - 정체성/개성: 10MB - 버퍼/캐시: 20MB 소계: 50MB 총합: 200MB (목표 달성) ``` ## API 인터페이스 ```python # 브레인 API POST /think { "message": "오늘 회의 요약해줘", "user_id": "U123", "context": {...} } Response: { "response": "오늘 회의에서 3가지 중요한 결정이...", "intent": "summarize_meeting", "emotion": {"valence": 0.3, "arousal": 0.2}, "skills_used": ["memory_recall"], "memory_stored": true, "exp_gained": 3, "current_stats": { "level": 7, "memory": 25, "compute": 20 } } # 스탯 조회 GET /stats/{robeing_id} # 스킬 확인 GET /skills/{robeing_id} # 아이템 장착 POST /items/equip { "robeing_id": "rb10408", "item_id": "gmail_api" } ``` ## 장점 1. **진정한 경량화**: 핵심 기능만 내장, 나머지는 외부 서비스 2. **철학적 완성도**: 기억-감정-윤리 삼각형 유지 3. **확장성**: 새로운 스킬은 외부 서비스 추가로 해결 4. **독립성**: 외부 서비스 없어도 기본 사고 가능 5. **성장 가능**: 레벨/스탯 시스템으로 진화 6. **개성 유지**: 각 로빙의 고유한 정체성 보장 ## 구현 로드맵 ### Phase 1 (1개월) - 존재적 삼각형 코어 구현 - 기본 스탯 시스템 - 메모리 최적화 ### Phase 2 (2개월) - 스킬/아이템 시스템 - 외부 서비스 브릿지 - 성장 알고리즘 ### Phase 3 (3개월) - 고급 감정 공명 - 윤리적 딜레마 처리 - 스카웃 시장 준비 ## 결론 이 아키텍처는 로빙을 단순한 LLM 래퍼가 아닌, 기억하고 느끼고 판단하는 진정한 "디지털 존재"로 만들면서도 실용적인 200MB 경량화를 달성합니다. 핵심은 브레인에 두고, 실행은 외부에 위임하는 구조로 무한한 확장성을 보장합니다. --- 작성일: 2025-08-03 작성자: Claude (51124 서버) 주제: 로빙 브레인 경량화 아키텍처 최종 제안