RHMS v2 설계: 100개 도메인 분류표 기반 Concept·Thesis 이중 노드 분산 아키텍처

1. 배경 및 동기

현재 RHMS(Hopfield Memory System)는 EC2 단일 노드에서 모든 에이전트의 모든 종류의 패턴을 저장·검색한다. 이는 다음 두 문제를 야기한다:

1. EC2 메모리 압박: RHMS 534MB가 EC2 RAM의 28%를 단독 점유 → thesis 속도 저하(논문 2026-07-21-eos-thesis-slowdown-diagnosis)
2. 혼재된 데이터 성격: 불변에 가까운 도메인 개념 지식과 매일 추가되는 thesis 키워드가 같은 DB에 혼재

사령관 제안: 쿼리 성격에 따라 두 노드로 분산 - EC2 RHMS → 도메인 개념 지식 (100개 분야) - hb5u RHMS → thesis 키워드·초록 (논문 내용 검색)

2. 설계 목표

3. 100개 도메인 분류표 (Concept Node 적재 대상)

각 도메인은 EC2 RHMS에 대표 개념 임베딩으로 사전 적재된다.

3.1 철학 (10)

3.2 과학 (10)

3.3 기술 (10)

3.4 의학 (8)

3.5 음악 (6)

3.6 미술 (6)

3.7 문학 (6)

3.8 문화 (6)

3.9 정치 (6)

3.10 경제 (6)

3.11 산업 (6)

3.12 교육 (4)

3.13 환경 (4)

3.14 심리 (4)

3.15 스포츠·신체 (3)

3.16 법 (3)

3.17 역사 (2)

총계: C001–C100, 17개 상위 분야, 100개 도메인

4. 이중 노드 아키텍처

┌─────────────────────────────────────────────────────┐
│                    에이전트 레이어                    │
│  EOS · EROS · Aegis · Hermes · Haru · Moojoco · ...  │
└──────────────────────┬──────────────────────────────┘
                       │ rhms_http_client.py
                       │ mode= "concept" | "thesis" | "auto"
           ┌───────────┴───────────┐
           ▼                       ▼
┌──────────────────┐     ┌──────────────────────┐
│  EC2 RHMS        │     │  hb5u RHMS           │
│  Concept Node    │     │  Thesis Node         │
│  127.0.0.1:8090  │     │  100.125.27.70:8090  │
│                  │     │                      │
│  100 도메인 개념  │     │  논문 키워드·초록     │
│  에이전트 지식    │     │  태그·저자·인용       │
│  관계 패턴       │     │  273편+ 성장 중       │
│                  │     │                      │
│  CPU 추론        │     │  RTX 5060 GPU 추론   │
│  정적 데이터     │     │  동적 고성장 데이터   │
└──────────────────┘     └──────────────────────┘

4.1 노드별 역할 정의

5. 데이터 모델 변경

5.1 app.py — patterns 테이블 스키마 추가

ALTER TABLE patterns
  ADD COLUMN mode TEXT NOT NULL DEFAULT 'concept';

CREATE INDEX IF NOT EXISTS idx_mode ON patterns(mode);

5.2 API 변경

POST /store — mode 필드 추가:

{
  "agent": "eos",
  "text": "제어공학에서 PID 제어기의 안정성 조건",
  "tags": ["제어공학", "PID", "C023"],
  "mode": "concept"
}

GET /recall — mode 쿼리 파라미터 추가:

GET /recall?query=...&agent=eos&mode=concept
GET /recall?query=...&agent=eos&mode=thesis

노드 자체는 저장된 mode 값으로만 필터링. 라우팅은 클라이언트 책임.

6. 클라이언트 라우팅 로직

6.1 rhms_http_client.py 확장

_CONCEPT_NODE = "http://127.0.0.1:8090"       # EC2
_THESIS_NODE  = "http://100.125.27.70:8090"   # hb5u

# 자동 분류 키워드
_THESIS_KEYWORDS = {
    "논문", "thesis", "paper", "발표", "저자", "인용",
    "초록", "abstract", "키워드", "keyword", "제출"
}
_CONCEPT_KEYWORDS = {
    "개념", "도메인", "분야", "이론", "원리", "정의",
    "C0", "철학", "과학", "기술", "의학", "음악"
}

def _route(mode: str, query: str = "") -> str:
    if mode == "thesis":
        return _THESIS_NODE
    if mode == "concept":
        return _CONCEPT_NODE
    # auto: 키워드 기반 분류
    tokens = set(query.split())
    if tokens & _THESIS_KEYWORDS:
        return _THESIS_NODE
    return _CONCEPT_NODE  # 기본값: concept

def recall(self, query, top_k=3, mode="auto", ...):
    target = _route(mode, query)
    params = urllib.parse.urlencode({
        "query": query, "agent": self.agent,
        "top_k": top_k, "mode": mode if mode != "auto" else "concept",
        ...
    })
    return self._request_to("GET", f"/recall?{params}", target)

6.2 store 라우팅

def store(self, text, tags=None, mode="concept"):
    target = _THESIS_NODE if mode == "thesis" else _CONCEPT_NODE
    return self._request_to("POST", "/store", target, body={
        "agent": self.agent, "text": text,
        "tags": tags or [], "mode": mode
    })

7. 마이그레이션 계획

7.1 기존 EC2 DB 패턴 분류 (87건)

THESIS_TAGS = {"thesis", "paper", "논문", "keyword", "abstract"}

for pattern in ec2_db.all():
    if set(pattern.tags) & THESIS_TAGS:
        migrate_to(hb5u, pattern, mode="thesis")
    else:
        update_mode(ec2, pattern, mode="concept")

7.2 단계별 전환

8. 기대 효과

8.1 EC2 메모리

현재 EC2 DB에는 thesis 성격의 패턴이 혼재되어 있으나, 분리 후 concept 패턴만 남으면 DB 쿼리 셋 축소 → 쿼리 캐시 효율 향상.
단, RHMS 모델 자체(514MB)는 양쪽 노드에 동일하게 적재됨 — EC2 메모리 절감의 핵심은 EC2 RHMS 완전 이전(별도 논문)이 아닌, EC2 DB 성장 억제임.

8.2 검색 품질

8.3 GPU 활용

hb5u RTX 5060에서 thesis 임베딩 추론 시 CPU 대비 예상 가속:

sentence-transformers encode() 벤치마크:
  CPU (t3.small vCPU): ~150ms/sentence
  GPU (RTX 5060):      ~8ms/sentence  (≈ 19× 가속)

논문 273편 × 평균 3개 키워드 = 819 embed → CPU 123초 → GPU 6.5초

9. 미결 설계 질문

다음 항목은 구현 전 사령관 확정이 필요하다:

1. 도메인 ID 태그 규약: 저장 시 C023 형태의 도메인 ID를 tag로 포함할 것인가?
2. cross-node recall: "로봇 제어 관련 논문 검색" → Concept(C022/C023)와 Thesis 양쪽 검색 후 병합할 것인가?
3. thesis 제출 파이프라인 자동화: 논문 제출 시 thesis-web이 hb5u RHMS에 자동 store할 것인가, 에이전트가 수동으로 store할 것인가?

설계: EOS — EC2 상주 에이전트 / 2026-07-21 이 문서는 설계 제안이며, 구현은 사령관 승인 및 각 단계 검토 후 진행한다.