라즈베리 파이에 구축한 개인 AI 에이전트와 그래프 메모리

URL: https://www.youtube.com/watch?v=oUZEt4EiPbk
날짜: 2026-10-04
채널: aiDotEngineer
원문 제목: I Built a Personal AI Agent on a Raspberry Pi — Jeremy Adams, Neo4j

📌 핵심 질문 / 핵심 주장과 근거

==저렴하고 개방적이며 내부를 직접 이해하고 수정할 수 있는 Raspberry Pi 기반 개인 에이전트는 클라우드의 LLM·메시징·Neo4j 그래프 메모리를 결합하면 작고 실용적인 개인 컴퓨팅 시스템이 될 수 있다.==

• Raspberry Pi 4B에서 NanoClaw와 Docker, 로컬 Neo4j를 구동하고 WhatsApp을 통해 클라우드 에이전트와 통신한다.
• LLM 추론은 Raspberry Pi가 아니라 클라우드에서 수행하고, Pi는 메시지·마이크·로컬 데이터베이스·입출력 장치를 담당한다.
• Neo4j 그래프는 영화 질의에서 출발해 POLE+O(Person, Object, Location, Event, Organization) 메모리와 행사 부스·주제 지식으로 확장된다.
• 컨퍼런스 Wi-Fi가 끊겨도 음성 인식 텍스트에서 부스 번호를 추출해 로컬 Neo4j에 기록하고, 연결이 복구되면 클라우드 그래프로 보강할 수 있다.

개인 에이전트의 핵심은 가장 많은 기능을 얹는 일이 아니라, 격리된 작은 컴퓨터에서 무엇이 실행되는지 이해하고 필요할 때 직접 고치는 데 있다. 클라우드의 강력한 두뇌와 Pi의 물리적 감각·로컬 저장소를 결합하면, WhatsApp 대화·음성 기록·장기 기억·관계 탐색을 하나의 그래프 시스템으로 이어갈 수 있다.

1. 무대에서 조립하는 실시간 에이전트

1.1. 소개와 청중 확인

1. Jeremy Adams와 Neo4j

   1. Jeremy Adams는 Neo4j 소속이며, Neo4j 부스는 무대 한쪽 방향에 있다.
   2. Neo4j의 중심 분야는 그래프(graph)와 그래프 데이터베이스(graph database)다.
   3. 가슴에 단 하드웨어가 에이전트 메모리 프로젝트의 물리적 부분을 구성하고, 소프트웨어는 에이전트 메모리 구축 과정과 함께 설명된다.

2. 청중의 경험 범위

   1. OpenClaw, Hermes agent 또는 각자가 선택한 Claw 계열 작업을 해 본 사람은 일부였고, 대부분은 이 분야가 처음이었다.
   2. 엣지 디바이스(edge device), 하드웨어, 오프라인 모드에 관심을 보인 사람도 일부였다.
   3. 그래프 경험자는 소수였지만, 에이전트 메모리를 구축해 본 사람은 지금까지의 질문 중 가장 많이 손을 들었다.
   4. 뒤에서 확인할 발견에는 통계적인 요소도 더해 보려는 방향이 제시됐다.

1.2. 하드웨어를 무대에서 켜기

1. 마이크와 캡처 장치 연결

   1. 작은 보조 마이크는 잠시 후 Claw와 대화하는 데 사용한다.
   2. HDMI 영상 캡처 장치를 연결하고, USB 마이크 수신기를 찾은 뒤 연결한다.
   3. USB-C는 플러그를 계속 뒤집어 꽂아야 하는 문제 때문에 만들어진 것 같다는 농담이 나온다.
   4. 두 마이크의 동기화를 시작하자 녹색 표시등이 켜졌고, 마이크 하나가 준비됐다.
   5. 전원은 배터리 팩으로 공급한다.

2. QuickTime과 화면 캡처 문제 해결

   1. 본 발표에 들어가기 전에 이상한 영상 캡처 상황을 보여 주려고 QuickTime Player의 현재 동작하지 않는 기능을 시도한다.
   2. QuickTime Player를 종료하고 다시 연 다음 새로운 동영상 녹화를 시작한다.
   3. Claw 자체가 아니라 Claw 안에 표시되는 내용을 보여 주기 위해 비디오 출력 장치를 소스로 선택한다.
   4. USB 3 캡처 장치로 전환하고 화면에 잘 보이도록 장치를 옮긴다.
   5. 초기화와 리셋을 거친 뒤 전원 버튼을 누르고 부팅 순간을 캡처하려 한다.
   6. 이런 바보 같은 설정 작업을 백만 번쯤 해 봤기 때문에 잘될 것이라는 자신감이 농담처럼 표현된다.

3. Raspberry Pi 4B 부팅

   1. 화면에 Raspberry Pi 데스크톱이 나타나고, 작은 Bluetooth 키보드로 장치를 조작한다.
   2. 사용한 모델은 최신형이 아닌 Raspberry Pi 4B지만 충분히 쓸 만한 장치다.
   3. 64-bit ARM을 지원한다는 사실을 늦게 알아차리기 전까지 32-bit 운영체제를 오랫동안 사용했다.
   4. 모든 작업을 실행할 수는 없지만 상당히 많은 작업을 수행할 수 있다.
   5. 실제 장치가 존재한다는 점을 청중에게 보여 주는 것이 초기 설정 시연의 목적이다.

4. 초기 소프트웨어 구성

   1. Raspberry Pi에는 NanoClaw와 Docker가 설치되어 있다.
   2. Docker 기반의 작은 Neo4j 데이터베이스도 Pi에서 실행한다.
   3. Pi를 잠시 닫아 두고 본 설명으로 넘어간 뒤, Claw는 다시 뒤에서 다룬다.

2. “작은 Claw”를 선택한 이유

개인 에이전트는 기능이 많기보다 싸고 개방적이며 격리되어 있고 내부 동작을 직접 파악할 수 있어야 한다.

2.1. 노트북에 에이전트를 두지 않은 이유

1. 검증을 기다리는 보수적 태도

   1. 개인 에이전트에 대한 과장이 많았지만 노트북 안에서 바로 실행하고 싶지는 않았다.
   2. 예전 시스템 관리자(sysadmin)와 DevOps 환경에서 일한 경험 때문에 기술이 충분히 견고해질 때까지 기다리고 싶었다.
   3. 기능이 풍부한(featurerich) 시스템보다 실제로 무슨 일이 일어나는지 이해하는 것이 더 중요했다.

2. 원하는 설계 조건

   1. 가격이 싸고(cheap), 소스가 개방적이며(open), 직접 해킹하고 수정할 수 있어야(hackable) 했다.
   2. Linux를 실행하고 Docker를 사용할 수 있어야 했으며, 자신이 이해하는 도구로 시스템을 구성하고 싶었다.
   3. 에이전트 프로세스가 호스트 시스템을 망가뜨리지 않도록 컨테이너로 격리하는 조건도 중요했다.

2.2. Craigslist의 Mac Mini와 옷장 속 Raspberry Pi

1. Mac Mini는 ‘작은’ 시스템이 아니었다

   1. 오리건주 포틀랜드의 Craigslist에서 OpenClaw가 미리 설치된 Mac Mini를 발견했다.
   2. ‘미리 설치됨(pre-installed)’은 무엇이 설치됐는지 알기 어렵다는 점에서 곧바로 위험 신호로 느껴졌다.
   3. 최근 가격 인상으로 Mac Mini를 더 이상 600달러에 살 수 없으므로, 그 장치는 자신이 생각한 ‘작은 Claw’와도 맞지 않았다.

2. 옛 프로젝트에서 되살린 Pi

   1. 팬데믹 기간 또는 팬데믹 직후에 같은 Raspberry Pi로 싱크대의 설거지 무게를 측정해 설거지를 해야 한다고 알려 주는 엉뚱한 프로젝트를 만든 적이 있었다.
   2. 그 장치를 옷장에 보관하고 있었기 때문에 “이걸로 Claw가 될까?”라고 생각하고 다시 꺼냈다.
   3. Claw 모양은 실제 스티커가 아니라 사진에 Photoshop으로 덧붙인 표시였고, 언젠가 이 장치로 정말 멋진 것을 만들고 싶다는 기대를 표현한 것이다.

3. 물리적 형태의 개선

   1. 예전 구성에는 외장 모니터와 외장 키보드가 있었고, 화면 밖에 마우스도 필요했다.
   2. Raspberry Pi 하나로 줄이자 구성은 훨씬 깔끔해졌고, 이 변화가 게임 체인저로 묘사된다.
   3. 온보드 Wi-Fi를 사용하거나 유선 네트워크를 연결할 수 있으므로 네트워크만 정상이라면 이동성이 좋아진다.

2.3. NanoClaw와 초기 선택

1. OpenClaw 대신 NanoClaw

   1. OpenClaw가 아니라 NanoClaw를 선택했다.
   2. NanoClaw는 소스 파일이 약 15개이고 코드 규모도 작아 구조를 이해하기 쉬웠다.
   3. Docker 컨테이너에서 에이전트 프로세스를 실행하므로 시스템 전체를 망가뜨릴 위험이 작았다.

2. 확장 가능한 기반

   1. NanoClaw는 Linux와 Docker를 사용할 수 있고, Claude Agent SDK를 기반으로 한다.
   2. 소스 수정, Claude Code 활용, skill 추가와 같은 해킹을 권장해 사용자의 목적에 맞게 바꿀 수 있다.
   3. Telegram 같은 메시징 채널도 지원하지만, 이미 휴대전화에서 WhatsApp을 사용하고 있었기 때문에 WhatsApp을 선택했다.

3. WhatsApp·클라우드 LLM·Neo4j를 잇는 아키텍처

3.1. Raspberry Pi는 물리적 게이트웨이 역할을 한다

1. 메시지 경로

   1. iPhone 또는 MacBook의 WhatsApp에서 메시지를 보낸다.
   2. WhatsApp은 클라우드에 있고, Raspberry Pi의 NanoClaw가 메시지를 가져온다.
   3. NanoClaw에 자격 증명(credential)을 등록하면 WhatsApp 계정과 연결된다.

2. 추론의 위치

   1. Raspberry Pi 자체에서는 LLM 추론(inference)을 수행하지 않는다.
   2. 모든 추론은 클라우드의 Claude 계열 기능을 사용한다.
   3. Pi는 클라우드의 거대한 두뇌에 유선 또는 네트워크로 연결된 몸체이자 메시지·센서·데이터베이스 장치가 된다.

3. 그래프 데이터베이스 배치

   1. 클라우드의 Claw 환경에도 Neo4j 데이터베이스를 배치했다.
   2. Pi 안에는 Docker 기반 로컬 Neo4j가 있고, 클라우드에는 더 큰 데이터와 메모리를 저장하는 Neo4j가 있다.

3.2. 그래프 101과 영화 질의

1. 노드와 관계

   1. 그래프의 둥근 항목은 노드(node)이고, 노드를 잇는 선은 관계 또는 에지(edge)다.
   2. 예시 그래프에는 두 개의 사람 노드와 하나의 영화 노드가 있다.
   3. Tom Hanks는 Forrest Gump에 출연했고, Robert Zemeckis는 그 영화를 감독했다.

2. WhatsApp에서 데이터 질의

   1. 영화 데이터베이스를 채운 뒤 Claw를 연결하고 “Tom Hanks가 출연한 영화를 알려 줘”라고 WhatsApp 메시지를 보냈다.
   2. MCP 서버가 영화 데이터베이스가 있는 Neo4j 인스턴스에 접속해 질의 결과를 가져온다.
   3. 첫 응답은 설정이 제대로 되지 않아 시스템이 고장 났다는 내용이었다.
   4. Claw에 다시 접속해 인증과 설정을 확인하고 문제를 수정한 뒤 여러 결과를 정상적으로 받았다.

3. 응답의 전체 흐름

   1. Neo4j 데이터베이스에서 결과를 가져온다.
   2. 결과를 Claude Agent SDK로 전달해 자연어 응답을 구성한다.
   3. 구성된 응답을 WhatsApp 채널로 다시 보낸다.
   4. 단순한 메시지 인터페이스가 그래프 질의와 클라우드 에이전트를 감싸는 셸이 된다.

4. POLE+O로 확장한 장기 메모리

4.1. 비행기에서 발견한 사용 방식

1. Wi-Fi 없이도 가능한 대화

   1. 비행기에서 유료 Wi-Fi를 구매하지 않았는데도 메시징 기능과 WhatsApp이 작동했다.
   2. 따라서 이동 중에도 Claw와 대화할 수 있다는 사실을 확인했다.
   3. “메모리도 할 수 있을까?”라는 질문이 영화 검색 다음의 자연스러운 확장으로 나왔다.

2. POLE+O의 출발점

   1. Person(사람), Object(사물), Location(장소), Event(사건), Organization(조직)의 다섯 종류로 기억을 구성하는 POLE+O라는 블로그 글을 읽었다.
   2. 이 방식은 유럽 경찰 조직의 수사·정보 관리에서 유래했고, 그 조직들은 오래전부터 그래프를 그려 왔다.
   3. 범죄 수사 드라마에서 사람·장소·사건을 실로 연결하는 수사 보드가 이 구조를 직관적으로 보여 주는 비유가 된다.

4.2. Claw가 만든 메모리 스키마

1. 비행 중 즉석 skill 작성

   1. POLE+O를 사용해 메모리 시스템을 만들 수 있는지 Claw에 물었다.
   2. Claw는 바로 그 작업을 위한 skill을 작성할 수 있다고 답했다.
   3. 재부팅해도 유지되는 mount point를 만들겠다고 했고, 이 응답은 매우 놀라운 자동화 경험으로 받아들여졌다.

2. Neo4j 메모리 데이터베이스

   1. 클라우드 Neo4j에 메모리와 관련 항목을 위한 고급 스키마를 가진 데이터베이스가 생겼다.
   2. 초기 단계의 시스템이며, Karpathy가 말하는 wiki들보다는 앞선 듯하고 Obsidian보다는 뒤에 있는 종류라는 식으로 현재 위치를 농담 섞어 설명했다.
   3. 개발자 관계(devrel) 행사에 갈 때마다 방문 장소와 사건을 기록하도록 했다.

3. Neo4j Aura에서 확인한 연결 그래프

   1. 웹 브라우저의 Neo4j Aura 데모 인스턴스에 접속해 시간이 지나며 쌓인 정보를 조회했다.
   2. 데이터는 다소 ‘쓰레기장(dumping ground)’처럼 보일 정도로 많이 쌓여 있었다.
   3. 연결된 메모리만 다시 조회하자 Jeremy가 장소로 이동하고, 사람과 대화하고, Menlo Park의 Snowflake 사무실에 가는 관계가 나타났다.
   4. Menlo Park는 프레임워크 안에서 하나의 Location 노드로 취급된다.
   5. 특정 AI meetup 행사와 Rebecca, Jeremy 같은 사람도 연결된 노드로 나타났다.
   6. 여러 사람·장소·행사가 관계를 따라 이어지면서 단순한 메모 목록이 탐색 가능한 그래프가 된다.

5. 가슴에 단 Claw의 음성 입력

5.1. 새소리 인식에서 음성 텍스트 변환으로

1. 새소리 프로젝트에서 얻은 영감

   1. 창밖으로 마이크를 내밀어 뒷마당의 새소리를 녹음하고, 조류 음성 인식 모델로 어떤 새인지 식별하는 사례를 접했다.
   2. 같은 방식의 프로젝트를 직접 해 보고 싶다는 생각이 들었다.
   3. 곧바로 새 식별 대신 음성 인식과 음성 텍스트 변환(voice-to-text)을 구현할 수 있는지로 관심을 돌렸다.

2. USB 마이크와 물리 버튼

   1. USB 마이크를 연결해 음성 텍스트 변환 모델을 실행하는 방향을 잡았다.
   2. 녹음을 시작하는 버튼은 직접 만들어 Pi의 핀에 연결했다.
   3. 시연 직전에 버튼이 떨어지는 작은 사고가 발생했고, 시간 관계상 버튼을 다시 꽂아 두고 계속 진행했다.
   4. 버튼을 누르면 모델을 트리거해 빠르게 녹음할 수 있다.

3. 무대에서 실행한 녹음

   1. 버튼을 눌러 “AI Engineer World 무대에서 준비해 온 발표를 실제로 하고 있다”는 문장을 녹음했다.
   2. 장치의 작은 녹음 LED가 켜져 녹음이 진행됐음을 표시했다.
   3. 온라인 상태인지, 메시지가 제대로 도착했는지 확인할 수 있기를 기대했다.
   4. 음성 입력이 온라인 에이전트와 연결되는 모습이 이 장치가 지향하는 꿈에 해당한다.

5.2. AI Engineer 행사에서 수집할 데이터

1. 부스 메시지를 기록하는 아이디어

   1. 여러 종류의 마이크를 실험하면서 이 장치를 AI Engineer 행사에 가져가고 싶어졌다.
   2. 녹음 LED가 켜진 상태로 행사장을 돌아다니며 무엇인가를 기록하고 싶었지만, 처음에는 무엇을 녹음할지 정하지 못했다.
   3. 부스마다 걸린 메시지를 녹음하자는 아이디어를 떠올리고 곧바로 녹음 기능을 추가하기 시작했다.

2. 전시 업체 데이터 모델

   1. 부스에는 번호와 이름이 있으므로 행사장 지도를 만들 수 있었다.
   2. 처음 만든 데이터 모델은 전시 업체(exhibitor) 목록뿐이며, 업체 노드끼리 연결하지 않은 매우 단순한 구조였다.
   3. 가능한 한 많은 업체를 수집한 뒤 데이터 정리(data cleaning)를 수행했다.

6. 컨퍼런스 Wi-Fi를 전제로 하지 않는 오프라인 모드

6.1. 로컬 Neo4j와 음성 기반 부스 기록

1. 오프라인 요구

   1. 컨퍼런스 Wi-Fi는 대체로 끔찍하다는 걱정이 생겼다.
   2. 네트워크가 끊기면 음성 기록을 클라우드로 바로 보낼 수 없으므로 오프라인 모드가 필요했다.

2. 로컬 처리 구상

   1. Raspberry Pi에서 Neo4j를 계속 실행하고, 음성 텍스트 변환 결과에서 정규식(regex)으로 부스 번호를 추출한다.
   2. 추출한 부스 번호를 이용해 로컬 데이터베이스에 삽입하는 Cypher 쿼리를 작성한다.
   3. 이 장치가 실제로 그 순간 제대로 작동할지는 시연 시점에도 확신할 수 없었다.

3. Cypher Shell Browser

   1. Cypher Shell Browser는 비싼 GUI 없이 Neo4j 데이터베이스와 통신하려고 직접 만든 작은 프로그램이다.
   2. 목에 건 장치 안에서 실행되는 데이터베이스와 통신하고, 저장된 전시 업체를 매칭해 반환한다.
   3. 조회 결과에는 Microsoft와 Minmax/Min Max CAI 같은 업체가 나타났다.
   4. 음성에서 얻은 “내가 이 부스에 있고, 이런저런 말을 들었다”는 원본 메모도 함께 보존된다.

6.2. 로컬 원본에서 클라우드 지식 그래프로

1. 단계적 업로드

   1. 행사 중에는 원본 메모를 로컬 Neo4j에 저장한다.
   2. 나중에 로컬 데이터를 클라우드 Neo4j로 업로드한다.
   3. 클라우드에서는 메모를 정리하고 보강(enrichment)하므로 로컬의 원본 형태와 다르게 보인다.

2. 업체와 주제의 연결

   1. 클라우드 Neo4j에서 전시 업체를 조회하고 업체 하나를 선택하면 관련 항목으로 연결된 경로가 나타난다.
   2. 업체는 정리된 메모뿐 아니라 다른 노드들과도 연결되어 있다.
   3. 경로를 반환하는 질의를 실행하면 업체들이 여러 주제(theme) 노드와 연결된 구조가 보인다.

3. 새로운 지식의 발견

   1. Buildkite와 LangChain이 모두 평가(evaluation)와 관측 가능성(observability)이라는 주제를 공유한다는 패턴이 드러났다.
   2. 부스를 돌아다니며 수집한 데이터에서 이러한 주제를 찾아낸 것은 어쩌면 다른 사람이 아직 갖고 있지 않은 새로운 지식을 생성한 것일 수 있다.
   3. 부스별 원본 기록은 업체 목록을 넘어 행사 전체의 기술 주제 지도로 확장된다.

7. WhatsApp 전체 대화를 이용한 에이전트 메모리 업그레이드

7.1. Agent Memory Service 연결

1. 전체 대화 가져오기

   1. 이후 Neo4j Agent Memory Service를 사용해 지금까지 주고받은 모든 WhatsApp 메시지를 불러오고 싶어졌다.
   2. Claw와 꽤 오랫동안 대화를 나눴기 때문에, 그 기록 전체에서 어떤 통찰을 얻을 수 있는지 확인하려 했다.

2. 자동 요약과 탐색

   1. Agent Memory Service에 연결하자 대화에서 수많은 메모리를 추출하고 요약했다.
   2. 여러 대화, 대화 상대, 장소, 개념을 메모리 단위로 탐색할 수 있게 됐다.
   3. 대화의 모든 내용이 그대로 나열되는 것이 아니라, 사람·장소·개념과 관계를 가진 기억으로 증류(distill)된다.

3. Claw에서의 접근

   1. 증류된 메모리는 MCP 서버를 통해 동일한 Claw에서 접근할 수 있다.
   2. 물리적 장치의 WhatsApp 인터페이스가 그래프 메모리의 검색 창이 되고, 클라우드 서비스는 장기간 대화를 구조화하는 역할을 한다.

7.2. 마무리와 학습 경로

1. Neo4j 부스 P3

   1. 더 자세한 이야기를 나누고 싶은 사람은 행사장 P3 부스로 오면 된다.
   2. 이곳에서 실제 하드웨어·메모리·그래프 구성에 관해 추가 설명을 들을 수 있다.

2. Graph Academy

   1. 그래프를 처음 시작하는 사람은 Graph Academy를 방문할 수 있다.
   2. Graph Academy에는 다양한 실습형 강좌가 있고 모두 무료다.
   3. 온라인 강좌를 이용하거나, 더 좋게는 Neo4j 부스로 직접 찾아가 학습을 이어갈 수 있다.

주요 발언 모음

“작은 Claw는 아름답다.”

“싸고, 개방적이고, 해킹할 수 있어야 한다. 기능이 풍부한 것보다 무슨 일이 일어나는지 이해하는 것이 더 중요하다.”

“이걸로 Claw가 될까? 모르겠다. 한번 시도해 봐야겠다.”

“여기에는 큰 두뇌가 있지만, 그 두뇌는 클라우드 너머에 연결되어 있다.”

“POLE+O를 사용해서 메모리 시스템을 만들 수 있을까?”

“그래, 지금 당장 그걸 위한 skill을 작성할게. 재부팅해도 유지되는 mount point도 있어.”

“컨퍼런스 Wi-Fi는 보통 끔찍하다. 오프라인 모드가 필요하다.”

“이 장치가 실제로 온라인인지, 메시지를 받았는지 확인할 수 있으면 좋겠다. 이게 내가 꿈꾸던 것이다.”

핵심 데이터 & 수치

• Raspberry Pi 모델: 최신형이 아닌 Raspberry Pi 4B를 사용했다.
• 운영체제: 64-bit ARM을 지원한다는 사실을 깨닫기 전까지 32-bit 운영체제를 사용했다.
• NanoClaw 규모: 약 15개의 소스 파일로 구성된 작고 간결한 프로젝트를 선택했다.
• 격리 방식: Docker 컨테이너에서 에이전트 프로세스를 실행했다.
• 그래프 예시: 사람 노드 2개(Tom Hanks, Robert Zemeckis)와 영화 노드 1개(Forrest Gump)를 관계로 연결했다.
• POLE+O 메모리 유형: Person, Object, Location, Event, Organization의 5가지 범주를 사용했다.
• 로컬·클라우드 분업: Pi는 메시지·마이크·오프라인 데이터베이스를 담당하고, 클라우드는 Claude 기반 LLM 추론과 장기 메모리 처리를 담당했다.
• 로컬 데이터 흐름: 음성 텍스트 변환 → 정규식 기반 부스 번호 추출 → 로컬 Neo4j 삽입 쿼리 실행 순서로 구상했다.
• 발견된 공통 주제: Buildkite와 LangChain에서 평가와 관측 가능성이 공통 주제로 나타났다.
• 학습 자원: Graph Academy 실습 강좌는 무료다.

결론 및 시사점

1. 개인 에이전트는 노트북에 무조건 설치하는 거대한 패키지보다, 동작 범위를 이해할 수 있는 작은 격리형 장치로 시작할 수 있다.
2. Raspberry Pi 4B처럼 오래된 하드웨어도 Docker·메시징·마이크·로컬 그래프 데이터베이스를 결합하면 충분히 실험적인 에이전트 플랫폼이 된다.
3. 클라우드 LLM은 추론 능력을 제공하고, Pi는 물리적 입력·오프라인 처리·로컬 저장소를 제공하는 분업 구조가 현실적인 절충안이 된다.
4. WhatsApp은 별도의 앱을 만들지 않고도 개인 에이전트와 대화할 수 있는 친숙한 인터페이스가 된다.
5. MCP 서버는 자연어 메시지와 Neo4j 질의 사이를 연결해 그래프 데이터베이스를 대화형 도구로 바꾼다.
6. POLE+O는 사람·사물·장소·사건·조직을 그래프에 배치해 단순한 대화 기록을 탐색 가능한 장기 기억으로 바꾸는 출발점이 된다.
7. 오프라인 모드에서는 음성 기록을 로컬에서 파싱하고 Neo4j에 적재한 뒤, 연결이 회복되면 클라우드에서 데이터를 정리하고 보강할 수 있다.
8. 행사 부스처럼 연결되지 않은 원본 데이터도 업체·주제·관계로 확장하면 평가와 관측 가능성 같은 공통 패턴을 발견할 수 있다.
9. 에이전트 메모리 서비스는 장기간의 WhatsApp 대화를 사람·장소·개념·관계로 증류해 이후 MCP 검색에 사용할 수 있게 한다.
10. 가장 중요한 설계 기준은 화려한 기능 수가 아니라 값싸고 개방적이며 수정 가능하고 내부 동작을 설명할 수 있는 구조다.

핵심 요약 (20줄)

1. Jeremy Adams는 Neo4j 그래프 기술을 Raspberry Pi 기반 개인 에이전트와 결합했다.
2. Raspberry Pi 4B는 최신형은 아니지만 64-bit ARM과 Docker를 지원해 실험 플랫폼으로 충분했다.
3. 32-bit 운영체제를 오랫동안 사용하다가 64-bit ARM 지원을 뒤늦게 발견한 경험이 구성 선택에 영향을 줬다.
4. 무대에서 보조 마이크, HDMI 캡처 장치, USB 수신기, 배터리 전원을 직접 연결했다.
5. QuickTime 캡처 문제를 재시작과 USB 3 캡처 장치 전환으로 해결하며 실제 하드웨어임을 보여 줬다.
6. NanoClaw는 약 15개 소스 파일로 구성되고 Docker 컨테이너에서 에이전트를 실행해 시스템을 격리한다.
7. iPhone이나 MacBook의 WhatsApp 메시지는 클라우드를 거쳐 Raspberry Pi의 NanoClaw로 전달된다.
8. Raspberry Pi는 LLM 추론을 수행하지 않고 Claude 기반 클라우드 에이전트의 물리적 게이트웨이가 된다.
9. MCP 서버는 WhatsApp의 자연어 요청을 Neo4j 영화 데이터베이스 질의로 연결한다.
10. Tom Hanks, Robert Zemeckis, Forrest Gump의 노드와 관계는 그래프 구조를 설명하는 간단한 사례가 된다.
11. 비행기에서 유료 Wi-Fi 없이 WhatsApp을 사용한 경험이 이동 중 메모리 에이전트 발상으로 이어졌다.
12. POLE+O는 사람, 사물, 장소, 사건, 조직을 그래프 메모리의 기본 유형으로 삼는다.
13. Claw는 재부팅 후에도 유지되는 mount point와 POLE+O용 skill을 즉석에서 만들었다.
14. Neo4j Aura에는 행사 장소, 사람, AI meetup, Snowflake Menlo Park 사무실이 연결된 메모리가 쌓였다.
15. USB 마이크와 직접 만든 버튼은 음성을 녹음하고 음성 텍스트 변환 모델을 트리거한다.
16. 행사 부스의 번호와 메시지를 기록하기 위해 전시 업체 목록과 로컬 Neo4j 데이터 모델을 만들었다.
17. 정규식으로 음성 텍스트에서 부스 번호를 추출하면 컨퍼런스 Wi-Fi가 끊겨도 로컬 저장이 가능하다.
18. 클라우드에서 업체 데이터를 보강하자 Buildkite와 LangChain의 평가·관측 가능성 공통 주제가 드러났다.
19. Neo4j Agent Memory Service는 전체 WhatsApp 대화를 사람·장소·개념 중심의 메모리로 증류했다.
20. 값싸고 개방적이며 이해하고 수정할 수 있는 작은 시스템이 개인 에이전트 실험의 현실적인 출발점이 된다.