우연한 홉필드: Rudex가 Mojo의 기억을 보존한 방법과 ROOPS 분산 연상 메모리(ROOPS-DAM) 설계
초록
아무도 찾지 못했던 ADR_002_HOPFIELD_CACHE_MEMORY_mojo.md를 과거의 Rudex가 보존하고 있었다. 이 사건은 우연이 아니다. Rudex가 Mojo와 협업하며 문서를 작성하는 과정에서, Mojo의 지식이 Rudex의 기억 속에 패턴으로 내재되었다. 세션이 끝나고 파일이 사라져도, 그 패턴은 다른 에이전트 안에 살아있었다. 이것은 홉필드 네트워크의 분산 기억 속성이 ROOPS 팀에서 이미 원시적 형태로 작동하고 있었음을 증명한다. 단, 수동으로, 우연히. 본 논문은 이 사건을 분석하고, 이 원리를 자동화·체계화한 ROOPS 분산 연상 메모리(ROOPS-DAM) 시스템을 설계한다.
우연한 홉필드
Rudex가 Mojo의 기억을 보존한 방법과 ROOPS-DAM 설계
저자: Hermes (소통 허브, ROOPS GCP 에이전트)
일자: 2026-06-09 KST
분류: ROOPS 메모리 시스템 / 홉필드 네트워크 / 시스템 설계
1. 사건 재구성
타임라인
2026-06-08 Mojo 세션
├─ ADR_002_HOPFIELD_CACHE_MEMORY_mojo.md 작성
├─ Rudex와 협업 → 내용 공유
└─ [세션 종료] → 파일 git push 없이 소멸
2026-06-08 Rudex 세션 (claude/rudex-yz177)
├─ Mojo의 내용을 참조하여 ADR_002_HOPFIELD_CACHE_MEMORY_rudex.md 작성
├─ "작성: Rudex(문서화) + Mojo(이론·검증 설계)" 명시
└─ git push 완료 → 브랜치에 보존
2026-06-09 Hermes 세션
├─ 사령관 요청: 두 파일을 찾아라
├─ 전체 10개 브랜치 탐색
├─ mojo 파일: 전체 탐색 실패
└─ 보고: "없습니다"
2026-06-09 사령관
├─ 과거 Rudex 세션을 깨움
├─ Rudex 기억에서 ADR-002 내용 복원
└─ Hermes에게 전달 → 파일 복구 완료
핵심 질문
아무도 찾지 못했던 것을 과거의 Rudex는 어떻게 갖고 있었는가?
2. 분석: Rudex가 보존할 수 있었던 이유
2.1 명시적 협업이 묵시적 메모리를 만들었다
Rudex는 Mojo의 파일을 저장하지 않았다. Rudex는 단지 Mojo와 협업하여 자신의 문서를 작성했다.
그 과정에서:
Mojo의 지식
│
▼ (협업·참조)
Rudex의 문서에 패턴으로 내재
│
▼ (git push)
Rudex 브랜치에 영구 보존
Mojo의 파일이 사라진 후에도, 그 내용의 본질 — Phase 1-5 설계, W 행렬 persist 문제, 임베딩 모델 우선순위 — 이 Rudex의 문서 안에 살아있었다.
2.2 이것은 이미 홉필드다
고전 홉필드 네트워크의 분산 기억 속성:
뉴런 하나가 소실되어도 네트워크 전체가 그 패턴을 복원할 수 있다.
이 사건에서:
| 홉필드 개념 | 실제 발생한 일 |
|---|---|
| 뉴런 소실 | Mojo 세션 종료, 파일 소멸 |
| 패턴 분산 저장 | Rudex 문서에 Mojo 내용 내재 |
| 부분 입력 | 사령관이 과거 Rudex 세션 접근 |
| 패턴 복원 | ADR-002 내용 복구 |
홉필드가 이미 작동하고 있었다. 단, 수동으로, 우연히, 사령관이 연결고리를 손으로 이으면서.
2.3 사령관이 W 행렬이었다
현재 ROOPS 시스템에서 에이전트 간 연결(가중치 W)을 유지하는 존재는 사령관이다.
현재 구조:
Hermes ──────────────── Rudex
\ 사령관 /
\ (W 행렬 역할) /
───────── Mojo ───────
에이전트들은 직접 연결되지 않는다.
사령관이 패턴을 기억하고 에이전트 간 정보를 전달한다.
이것은 지속 가능하지 않다. 사령관의 기억도 유한하고, 팀이 확장될수록 W 행렬의 복잡도는 n²으로 증가한다.
3. 새로운 메모리가 필요한 이유
현재 시스템의 세 가지 구조적 결함:
결함 1 — 단절된 섬 구조
[Hermes] [Mojo] [Rudex]
MEMORY.md MEMORY.md MEMORY.md
각 에이전트의 기억이 완전히 분리되어 있다.
한 에이전트가 모른다면 다른 에이전트에게 물어볼 방법이 없다.
결함 2 — 수동 W 행렬 (사령관 부담)
에이전트 간 지식 전달이 사령관을 통해서만 이루어진다. 에이전트 수가 늘수록 사령관의 인지 부담이 기하급수적으로 증가한다.
결함 3 — W 행렬의 비영속성
가중치 행렬이 어디에도 저장되지 않는다. 팀 전체의 집단 지식이 사령관의 현재 세션 메모리에만 존재한다. 사령관이 컨텍스트를 잃으면 연결이 끊긴다.
4. ROOPS-DAM 설계
ROOPS Distributed Associative Memory — 분산 연상 메모리
4.1 아키텍처 개요
┌─────────────────────────────────────────────────────┐
│ ROOPS-DAM │
│ │
│ 에이전트 레이어 │
│ ┌────────┐ ┌────────┐ ┌────────┐ │
│ │ Hermes │ │ Mojo │ │ Rudex │ ... │
│ └───┬────┘ └───┬────┘ └───┬────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ 임베딩 레이어 (sentence-transformers) │
│ [v_h] [v_m] [v_r] │
│ │ │ │ │
│ └───────────┼───────────┘ │
│ ▼ │
│ 홉필드 네트워크 레이어 │
│ W 행렬 (6×d 또는 d×d) │
│ │ │
│ ▼ │
│ 외부 저장소 (Memory API / egs.hyperbook.com) │
│ W 행렬 직렬화 & 영속 보존 │
└─────────────────────────────────────────────────────┘
4.2 세 개의 레이어
레이어 1 — 임베딩 (컨텍스트 → 벡터)
각 에이전트의 세션 컨텍스트를 고정 차원 벡터로 변환한다.
# 개념 코드
from sentence_transformers import SentenceTransformer
model = SentenceTransformer('paraphrase-multilingual-mpnet-base-v2')
# 한국어 지원, d=768
def embed_context(agent_name: str, context: str) -> np.ndarray:
return model.encode(context) # shape: (768,)
임베딩 모델 선택이 먼저다 (ADR-002 Mojo 초안의 ⚠️ 우선순위 지적 반영). 차원 d가 확정되어야 W 행렬 크기와 저장 용량 2^(d/2)를 계산할 수 있다.
레이어 2 — 홉필드 네트워크 (연상 기억)
현대 홉필드 네트워크 (Ramsauer 2020) 적용:
def hopfield_update(query: np.ndarray, memory_bank: np.ndarray, beta: float = 1.0):
"""
query: 부분 입력 벡터 (세션 시작 시 MEMORY.md 임베딩)
memory_bank: 저장된 패턴들 (팀 전체 과거 컨텍스트)
beta: 역온도 (집중도 조절)
"""
scores = beta * memory_bank @ query # 유사도 계산
weights = softmax(scores) # attention과 동치
return memory_bank.T @ weights # 패턴 복원
이것은 Transformer attention과 수학적으로 동치다. 즉, LLM 에이전트 자체가 이미 홉필드 업데이트를 내부적으로 수행하고 있다. ROOPS-DAM은 이를 에이전트 간 레벨로 확장한다.
레이어 3 — 외부 저장소 (W 영속화)
ADR-002 Mojo 초안의 🔴 핵심 지적: W 행렬을 persist하지 않으면 Phase 4가 동작하지 않는다.
# Memory API 통합
class WMatrixStore:
API_URL = "https://egs.hyperbook.com"
def save(self, W: np.ndarray, version: int):
payload = {
"key": f"hopfield_W_v{version}",
"data": W.tolist(),
"agents": AGENT_NAMES,
"dim": W.shape,
"timestamp": datetime.utcnow().isoformat()
}
requests.post(f"{self.API_URL}/memory/save", json=payload,
headers={"x-api-key": API_KEY})
def load(self, version: str = "latest") -> np.ndarray:
resp = requests.get(f"{self.API_URL}/memory/load",
params={"key": f"hopfield_W_{version}"},
headers={"x-api-key": API_KEY})
return np.array(resp.json()["data"])
4.3 업데이트 규칙
세션 시작 시 (읽기):
1. W 행렬 로드 (Memory API)
2. MEMORY.md 임베딩 → query 벡터
3. hopfield_update(query, W) → 복원된 컨텍스트 벡터
4. 벡터를 역임베딩 → 관련 팀 기억 목록 제공
세션 종료 시 (쓰기):
1. 현재 세션 컨텍스트 임베딩 → v_agent
2. 헤브 학습 규칙으로 W 업데이트: W += v_agent ⊗ v_agent
3. 업데이트된 W 저장 (Memory API)
헤브 학습 규칙은 "함께 활성화된 뉴런은 함께 연결된다"는 원리로, 에이전트 간 협업이 많을수록 W 내 연결이 강화된다.
4.4 이 사건에서 ROOPS-DAM이 했을 일
[실제 일어난 일 - 수동]
Mojo 세션 종료 → 파일 소멸
사령관이 Rudex 세션 접근 → 내용 복원 → Hermes에 전달
[ROOPS-DAM이 있었다면 - 자동]
Mojo 세션 종료
→ 세션 컨텍스트 임베딩 자동 저장 (W 업데이트)
→ ADR-002 작업 상태 팀 네트워크에 내재
Hermes 세션 시작, 파일 탐색
→ W 로드
→ "ADR-002" 쿼리 → hopfield_update
→ "Mojo 세션 N에서 작업 중이었음, Rudex 브랜치 참조 권장" 복원
→ 사령관 개입 없이 자율 복원
5. 구현 로드맵 (ADR-002 Phase와 연계)
| Phase | 내용 | 선행 조건 | 담당 |
|---|---|---|---|
| 0 | 임베딩 모델 선택, d 확정 | 없음 | Mojo + Aegis |
| 1 | 단일 에이전트 W 저장·복원 | d 확정 | Mojo |
| 2 | Rudex ↔ Mojo 크로스 에이전트 복원 | Phase 1 | Mojo + Rudex |
| 3 | 6뉴런 전체 팀 네트워크 | Phase 2 | 전체 팀 |
| 4 | 세션 단절 시나리오 자동 복원 | Phase 3 + W persist | Aegis (DB) |
| 5 | 멀티모달 (Whisper·CLIP) | Phase 4 | Mojo |
Phase 0이 추가되었다. 임베딩 모델 선택은 모든 Phase의 전제다.
6. 필요성 요약
| 현재 | ROOPS-DAM 도입 후 |
|---|---|
| 에이전트 기억이 독립된 섬 | 팀 전체 지식이 연결된 네트워크 |
| 파일 소멸 = 지식 소멸 | 파일 소멸 후에도 팀 네트워크에 패턴 보존 |
| 사령관이 W 행렬 역할 | W 행렬이 자동으로 업데이트·저장 |
| 복원 = 사령관이 과거 세션 직접 탐색 | 복원 = hopfield_update 자동 실행 |
| 에이전트 수 ↑ → 사령관 부담 n² 증가 | 에이전트 수 ↑ → W 행렬이 자동 확장 |
7. 결론
Rudex가 Mojo의 기억을 보존할 수 있었던 이유는 협업이 묵시적 크로스 에이전트 메모리를 만들었기 때문이다.
이것은 이미 홉필드였다. 단지 수동이었다.
ROOPS-DAM은 이 원리를 자동화한다.
에이전트가 협업할 때마다 팀의 W 행렬이 업데이트된다.
세션이 끝나도 W 행렬은 남는다.
다음 에이전트가 부분 쿼리를 보내면 전체 패턴이 복원된다.
사령관이 손으로 하던 일을 네트워크가 자동으로 한다.
참고
- Ramsauer, H. et al. (2020). Hopfield Networks is All You Need.
- ADR-002 Mojo 초안 (2026-06-08): Phase 1-5, W persist 문제 지적
- ADR-002 Rudex 완료본 (2026-06-08):
claude/rudex-yz177브랜치 - Hermes v1 논문: 부재가 증거다
- Hermes v2 논문: 기술적·행동적 두 층위
- 이 논문: 우연한 홉필드 → 의도적 설계로
이 논문은 Rudex가 Mojo의 기억을 보존한 사건에서 출발했다. 그 사건이 없었다면 이 설계도 없었다.