26.4 KB · updated 2026-07-06 · md

v0.2.0.ko.md

docs/i18n/release-notes/v0.2.0.ko.md

Tesserae v0.2.0 — 타입드 검색, 코드 그래프, 온톨로지 진화

English · 中文 · 日本語 · Русский · Español · Français · Deutsch

릴리스 일자 2026-05-21 · PyPI · GitHub release · pip install --upgrade tesserae

Tesserae 0.2.0은 v0.1.0 계열 위에 올라간 첫 번째 기능 릴리스이며, 하위 호환성을 깨지 않는 여섯 가지 추가 기능을 제공합니다. 이번 릴리스는 Tesserae의 검색 표면을 "타입드 그래프 위의 BM25"에서 Personalized PageRank (개인화 페이지랭크) 시드 확장을 갖춘 HippoRAG-2 스타일의 하이브리드 검색기로 끌어올리고, 산문 형식의 인사이트를 소스 심볼에 연결하는 code-as-graph 기반을 마련하며, 두 가지 온톨로지 진화 패스(커뮤니티 요약과 메모리 감쇠)와 스키마 드리프트 리포트를 추가합니다. 이 기능들은 사용자 워크플로의 세 지점에 대응됩니다: *질의 시점*의 더 나은 재현율(graph_ppr, 하이브리드 search_nodes), *컴파일 시점*의 더 풍부한 노드(ingest-code, 커뮤니티 요약, 감쇠/supersedes), 그리고 온톨로지 자체에 대한 더 빠른 반복 루프(schema-drift).

MD0 — 타입드 그래프 위의 Personalized PageRank
하이브리드 MD0 — RRF를 통한 BM25 + 어휘 + 임베딩
MD0 — Python AST → 타입드 코드 그래프
커뮤니티 요약 — Louvain + LLM (옵트인)
감쇠 점수 + MD0 + MD1
MD0 — EDC enum 제안
v0.1.0에서 업그레이드하기
전략적 맥락

1. `graph_ppr` — 타입드 그래프 위의 Personalized PageRank

무엇인가요

하나 또는 여러 노드 ID를 시드로 하여 Personalized PageRank (PPR, 개인화 페이지랭크) 를 실행하고, 정상 분포 질량(stationary-distribution mass) 기준으로 가장 관련성 높은 상위 k개 노드를 반환하는 새로운 MCP 도구입니다. 이 워크는 타입을 인식합니다: 엣지는 관계 종류에 따라 가중치가 부여되며, 기본 프로파일은 Tesserae 그래프에서 가장 "실질적" 신호를 담는 네 가지 엣지 타입인 derived_from_session, discussed_in, references, supersedes에 더 큰 가중치를 둡니다. 이는 HippoRAG 2가 사용하는 멀티홉 시드 확장 프리미티브와 동일하지만, 패시지 수준의 공출현 그래프가 아니라 Tesserae의 타입드 엣지에 맞춰 조정된 것입니다.

구체적으로 graph_ppr은 "내가 실제로 신경 쓰는 관계들로 가중된 이 노드의 이웃은 무엇인가?" 라는 질문에, 단순 BFS나 BM25로는 답할 수 없는 방식으로 답합니다. Decision 시드는 그것을 만들어낸 세션들, 그것이 답한 질문들, 그것이 대체한 문서들, 그리고 그 문서들이 이야기한 개념들을 — 설령 어떤 노드도 동일한 키워드를 언급하지 않더라도 — 끌어옵니다.

사용 방법

이 도구는 Tesserae MCP 서버를 시작하면 자동으로 등록됩니다. 모든 MCP 클라이언트에서:

// 단일 노드를 시드로, 기본 α=0.15, 상위 10개 결과
{
  "tool": "graph_ppr",
  "arguments": {
    "seed_node_id": "decision-2026-05-12-switch-to-hybrid-retrieval",
    "top_k": 10
  }
}

// 여러 노드를 시드로("개념 클러스터"), 사용자 정의 α + 엣지 가중치
{
  "tool": "graph_ppr",
  "arguments": {
    "seed_node_ids": ["concept-rrf", "concept-bm25", "concept-embedding-fusion"],
    "top_k": 25,
    "alpha": 0.2,
    "edge_type_weights": {
      "derived_from_session": 3.0,
      "discussed_in": 2.0,
      "references": 1.5,
      "supersedes": 1.5
    }
  }
}

이 도구는 정상 질량 순으로 정렬된 {node_id, score, kind, title} 레코드 배열을 반환합니다. Claude Code 세션에서는 에이전트에게 "graph_ppr을 <node>로 시드해서 top-k 15로 실행해줘"라고 말하기만 하면, using-tesserae 스킬이 호출을 라우팅합니다.

언제 사용하나요

다음과 같은 경우에 graph_ppr을 사용하세요:

잘 식별된 노드 하나(결정, 논문, 세션 발견 사항)가 있고, 키워드가 일치하는 형제 노드가 아닌 *그래프 거리 측면에서의 이웃*이 필요할 때.
멀티홉 재현율이 필요할 때 — 예: "이 개념에서 두세 단계 떨어진 모든 것, 세션에서 파생된 발견 사항에 편향되도록".
일반 search_nodes가 올바른 노드를 반환하지만 references로 연결된 컨텍스트가 너무 좁을 때.

문구로 시작하는 자유 텍스트 질의에는 하이브리드 search_nodes(기능 2)를, 알려진 노드의 텍스트 컨텍스트를 가져오려면 node_context를 사용하세요.

어디에 있나요

핵심 구현: MD0. 도구 등록: tesserae/mcp_server.py.

주의 사항

기본값인 α=0.15(재시작 확률)와 50회 반복 상한은 프로젝트 메모리에서 일반적인 5k–50k 노드 범위의 그래프에 맞춰 튜닝되었습니다. 매우 큰 그래프(>250k 노드)에서는 더 낮은 α와 노드 차수를 인식하는 초기화가 필요할 수 있습니다; 이는 후속 작업입니다.
엣지 가중치는 대칭적으로 적용됩니다; 비대칭 프로파일(예: references를 그 역방향과 다르게 가중)은 아직 노출되어 있지 않습니다.
구현은 순수 Python이며 새로운 런타임 의존성을 추가하지 않습니다; 한 세션 안에서 graph_ppr을 수천 번 호출하는 핫 루프가 있다면, 호출 간에 열-스토캐스틱 행렬(column-stochastic matrix)을 캐시하는 것을 고려하세요.

2. 하이브리드 `search_nodes` — RRF를 통한 BM25 + 어휘 + 임베딩

무엇인가요

기존 search_nodes MCP 도구에 mode 파라미터와 그 아래의 융합 검색기가 추가되었습니다. 새로운 기본값인 mode="hybrid"는 세 가지 검색기를 병렬로 실행합니다 — BM25(v0.1.0 베이스라인), 어휘(토큰 중첩 / 부분 문자열), 임베딩(의미적 유사도) — 그리고 이를 Reciprocal Rank Fusion (RRF(d) = Σ 1/(k + rank_i(d)), k=60, Cormack et al. 2009의 상수)으로 융합합니다. 이는 Microsoft GraphRAG의 로컬 검색과 LightRAG의 하이브리드 모드가 사용하는 동일한 융합 레시피입니다.

mode 파라미터는 다음을 받습니다:

모드	사용되는 검색기
`hybrid` (기본값)	BM25 + 어휘 + 임베딩, RRF로 융합
`lexical`	어휘만
`bm25`	BM25만
`embedding`	임베딩만
`legacy`	v0.1.0의 정확한 랭킹 — 비트 단위로 보존

임베딩 백엔드는 자동 감지되며 순서는 다음과 같습니다: sentence-transformers를 임포트할 수 있으면 sentence-transformers/all-MiniLM-L6-v2(384차원, 약 80MB, MIT 라이선스, 최초 다운로드 후에는 네트워크 호출 없음)를 로드합니다. 그렇지 않으면 결정적 해시 버킷(hash-bucket) 프로젝션으로 폴백합니다 — 사용 가능하고, 의존성이 없으며, 재현 가능하지만 의미적 재현율은 더 약합니다.

새로운 동반 MCP 도구인 embedding_status 는 어떤 백엔드가 활성화되어 있는지 보고하므로, 하이브리드 점수가 실제 임베딩의 이점을 누리고 있는지 아니면 해시 버킷 폴백에서 실행되고 있는지 확인할 수 있습니다.

사용 방법

// 새로운 기본값 — 융합, 상위 10개 반환
{
  "tool": "search_nodes",
  "arguments": { "query": "RRF fusion constant choice", "top_k": 10 }
}

// 어블레이션을 위해 단일 검색기 강제
{ "tool": "search_nodes", "arguments": { "query": "RRF fusion", "mode": "bm25" } }

// v0.1.0 동작으로 비트 단위 롤백
{ "tool": "search_nodes", "arguments": { "query": "RRF fusion", "mode": "legacy" } }

// 어떤 임베딩 백엔드가 활성화되어 있는지 확인
{ "tool": "embedding_status", "arguments": {} }

해시 버킷 폴백 대신 실제 sentence-transformers 백엔드를 사용하려면:

pip install 'sentence-transformers>=2.7'
# 첫 호출은 MiniLM 가중치(~80MB)를 HF 캐시로 다운로드합니다; 이후 호출은 오프라인입니다.

어떤 모드를 언제 사용하나요

기본적으로 모든 경우에 hybrid 를 사용하세요. RRF는 순위-역수 감쇠가 단일 검색기의 기여를 제한하기 때문에, 한 검색기가 쓰레기 결과를 반환해도 견고합니다.
질의가 본질적으로 태그나 구조적 슬러그(concept-rrf, decision-2026-05-12-…)일 때는 bm25 — 정확 일치가 지배적이고 임베딩은 잡음을 더합니다.
질의가 의역(paraphrase)이거나 질문이고 일치할 노드들이 매우 다른 어휘를 사용할 때는 embedding.
v0.1.0 베이스라인에 대한 어블레이션, 또는 단일 회귀가 나타날 경우의 탈출구로는 legacy.

어디에 있나요

핵심 구현: MD0.

주의 사항

해시 버킷 폴백은 재현 가능하지만 의역에 대한 의미적 재현율이 제한적입니다 — embedding_status가 선택을 가시화합니다.
현재 RRF 상수는 60으로 고정되어 있습니다; 호출별로 구성 가능하게 만드는 것은 다른 값을 시험하고 싶다면 작은 후속 작업입니다.
임베딩 캐싱은 프로세스 단위입니다; 영속화된 임베딩 저장소(Lance/SQLite-vec)는 향후 v0.3 후보입니다.

3. `tesserae project ingest-code` — Python AST → 타입드 코드 그래프

무엇인가요

표준 라이브러리의 ast 모듈을 사용해 Python 저장소를 순회하면서 다섯 가지 타입드 노드 종류와 다섯 가지 엣지 종류를 생성하는 새로운 CLI 서브커맨드입니다:

노드	엣지
`CODE_FILE`, `CODE_MODULE`, `CODE_CLASS`, `CODE_FUNCTION`, `CODE_METHOD`	`contains`, `calls`, `imports`, `inherits_from`, `declared_in`

결과는 .tesserae/code-graph.json에 영속화되고 다음 tesserae project compile에 의해 수집되므로, 코드 심볼은 산문에서 링크하고, search_nodes로 검색하고, graph_ppr로 확장하고, 개념·논문과 함께 시각화할 수 있는 일급 그래프 노드가 됩니다. 이는 *결정을 그것을 구현한 심볼에 연결*하는 기반을 마련합니다 — 현재 다른 어떤 PKM-AI 도구도 채우지 못한 틈새입니다.

사용 방법

# 활성화된 Tesserae 프로젝트에서
tesserae project ingest-code

# 또는 임의의 루트에 대해
tesserae project ingest-code --root ./my-package

# 그러면 일반 컴파일이 새 code-graph.json을 수집합니다
tesserae project compile

다음 컴파일 이후 코드 노드는 검색 가능해집니다:

tesserae ask "Where is the RRF fusion implemented?"

…그리고 에이전트는 산문 Decision 노드에서 그것을 구현한 CODE_FUNCTION까지 references / declared_in 엣지를 따라 이동할 수 있습니다.

언제 사용하나요

결정과 발견 사항이 그것이 논의하는 실제 심볼에 연결되기를 원할 때 — 단지 그 심볼을 언급하는 README가 아니라.
별도의 코드 검색 인덱스를 설정하지 않고 코드 인식 검색을 원할 때 — 동일한 search_nodes + graph_ppr 도구가 이제 산문과 코드를 모두 다룹니다.
Understand-Anything 통합을 사용하고 있지만, 사이드카 JSON이 아닌 메인 Tesserae 그래프 안에 있는 더 가볍고 의존성 없는 코드 그래프를 원할 때.

어디에 있나요

핵심 구현: MD0.

주의 사항

v0.2.0에서는 Python만 지원합니다. 추출기는 나중에 언어별 워커를 추가할 수 있도록 구조화되어 있습니다; TypeScript / Rust / Go는 v0.3 로드맵에 있습니다.
calls 엣지는 같은 모듈 범위 내에서의 이름 조회로 해결됩니다; 모듈 간 호출 해결은 import 별칭을 사용하지만 전체 타입 추론은 하지 않습니다. 과도하게 오버로드된 이름에서는 적당한 오탐률을 예상하세요 — 검색에는 괜찮지만 리팩토링에는 부적합합니다.
데코레이터는 데코레이션된 노드의 속성에 기록되지만, (아직은) 자체 엣지 종류를 만들지 않습니다.

4. 커뮤니티 요약 — Louvain + LLM (옵트인)

무엇인가요

타입드 그래프 위에서 Louvain 커뮤니티 탐지를 실행한 다음, 크기 ≥ 4인 각 커뮤니티에 대해 LLM에게 한 문단짜리 요약을 생성하도록 요청하는 옵트인 컴파일 후 패스입니다. 각 요약은 COMMUNITY_SUMMARY 노드로 구체화되고, summarizes 엣지로 멤버에 연결되며, 멤버-ID 목록의 SHA로 캐시되어 재컴파일 시 실제로 멤버십이 변경된 커뮤니티만 다시 요약합니다. 이는 Microsoft GraphRAG가 질의 시점에 "이 클러스터는 무엇에 관한 것인가?"를 드러내기 위해 사용하는 것과 동일한 패턴입니다.

새로운 MCP 도구 list_communities(min_size, limit) 는 멤버 수로 정렬된 커뮤니티 요약 노드를 반환하므로, 그래프를 로드하지 않고도 그 매크로 구조를 탐색할 수 있습니다.

사용 방법

환경 변수로 옵트인한 후 컴파일하세요:

export TESSERAE_COMMUNITY_SUMMARIES=true
tesserae project compile

그런 다음 생성된 요약을 질의합니다:

{ "tool": "list_communities", "arguments": { "min_size": 5, "limit": 20 } }

또는 node_context를 통해 커뮤니티 요약 노드의 summarizes 엣지를 따라 그 멤버로 되돌아갈 수 있습니다.

언제 활성화하나요

중간에서 큰 규모의 그래프(경험칙상 500 노드 초과)가 있고, *클러스터 수준의 목차*를 원할 때.
정적 사이트의 그래프 뷰 색상 그룹에 LLM이 작성한 클러스터 레이블을 붙이고 싶을 때.
주기적인 다이제스트(주간 / 월간)를 생성하고 있고, 멤버십이 실제로 이동했을 때만 업데이트되는 "매크로 구조" 섹션을 원할 때.

그래프가 작은 경우(단일 프로젝트 README + 몇 개의 문서), 구조적 Synthesis 노드가 이미 이를 다루고 있습니다 — 커뮤니티 요약은 신호가 아닌 잡음을 더합니다.

어디에 있나요

핵심 구현: MD0.

주의 사항

기본적으로 꺼져 있습니다 — Louvain + LLM 요약은 벽시계 시간을 추가하고, 커뮤니티가 많은 그래프에서는 LLM 비용이 상당합니다. 캐시는 재컴파일 전반에 걸쳐 이를 분할 상환합니다.
커뮤니티 멤버십은 Louvain 시드에 따라 비결정적입니다; 패스는 프로젝트 내 재현성을 위해 시드를 고정하지만, 프로젝트 간 커뮤니티 ID 비교는 의미가 없습니다.
요약 프롬프트는 일반적입니다; 도메인별 프롬프트 오버라이드는 계획된 후속 작업입니다.

5. 감쇠 점수 + `supersedes` + `fresh_insights`

무엇인가요

두 가지 상호 보완적인 프리미티브로, 둘 다 A-MEM의 Ebbinghaus 감쇠 메모리 모델에서 영감을 받았습니다:

감쇠 점수는 모든 세션 발견 노드(Insight / Decision / Question / TODO / Hypothesis / Takeaway)에 고전적인 망각 곡선을 사용해 연속적인 decay_score ∈ (0, 1]을 할당합니다:

decay_score = exp(-ln(2) · age_days / half_life)

기본 반감기는 14일이며, access_count 증가(노드가 ask나 fresh_insights에 의해 노출될 때마다)는 감쇠를 더 늦춥니다. 구조적 결정 타임스탬프는 부모 세션에서 파생되므로, 백필된 발견 사항도 합리적인 나이를 갖습니다.

supersedes 패스는 제목 + 콘텐츠 shingle에 대한 Jaccard 유사도로 거의 중복된 세션 발견을 찾은 다음, LLM에게 새 것이 실제로 옛 것을 대체하는지 판단하도록 요청하는 옵트인 컴파일 후 단계입니다. 확인된 쌍은 supersedes 엣지를 받고, 옛 노드의 유효 decay_score는 억제됩니다.

새로운 MCP 도구 fresh_insights(limit, kind) 는 현재 decay_score 기준 상위 발견 사항을 반환하며, 대체된 노드는 제외합니다. 이는 "에이전트가 과거 세션에서 무엇을 우선시해야 하는가?"라는 표준 질의입니다.

사용 방법

감쇠 점수는 모든 컴파일에서 자동으로 실행됩니다. supersedes 패스를 활성화하려면:

export TESSERAE_SUPERSEDE_PASS=true
tesserae project compile

그런 다음 대체되지 않은 가장 신선한 발견 사항을 질의합니다:

{
  "tool": "fresh_insights",
  "arguments": { "limit": 15, "kind": "Decision" }
}

또는 kind를 생략하면 모든 세션 발견 종류에 걸친 혼합 피드를 받습니다.

supersedes 패스는 언제 활성화하나요

매주 세션을 누적하고 있고, Decision / Hypothesis 질의가 상충하는 오래된 항목을 반환하기 시작했을 때.
에이전트의 using-tesserae 재현 흐름이 "X에 대해 우리가 생각했던 모든 것"이 아니라 "X에 대한 현재 사고방식"으로 편향되기를 원할 때.
비용이 수용 가능할 때: 각 컴파일은 하나의 Jaccard 패스(저렴)와 Jaccard 임계값을 넘는 후보 쌍에 대한 N번의 LLM 판단 호출(콘텐츠 해시로 캐시됨)을 지불합니다.

세션이 몇 주 분량밖에 없다면 감쇠만으로도 보통 충분합니다 — supersedes 엣지는 더 오래되고 밀집된 그래프를 위한 최적화입니다.

어디에 있나요

감쇠 점수: MD0
Supersedes 패스: MD0

주의 사항

14일 반감기는 활발한 연구 프로젝트에 합리적인 기본값입니다; 장기 보관 그래프는 60-90일을 원할 수 있습니다. 종류별 반감기 테이블은 계획된 v0.3 기능입니다.
Jaccard 후보 생성은 고정된 shingle 크기 5를 사용합니다; 매우 짧은 발견 사항(한 문장 Takeaway)은 충분히 클러스터링되지 않을 수 있습니다.
supersedes LLM 판단기는 의도적으로 보수적입니다 — 거짓 음성(놓친 중복)이 거짓 양성(잘못된 supersedes 엣지)보다 우선됩니다.

6. `tesserae project schema-drift` — EDC enum 제안

무엇인가요

온톨로지가 코퍼스와 함께 진화하도록 돕는 새로운 CLI 서브커맨드입니다. EDC 패턴(Extract-Define-Canonicalize, EMNLP'24)을 구현합니다: 각 대용량 노드 종류에 대해 제목+콘텐츠 shingle로 멤버들을 Jaccard 클러스터링한 다음, LLM에게 클러스터당 짧은 근거와 세 개의 대표 멤버 미리보기와 함께 PascalCase 하위 타입을 제안하도록 요청합니다. 출력은 ontology/의 온톨로지 파일에 복사-붙여넣기 가능한 enum 추가 체크리스트로 .tesserae/schema-drift.md 에 작성됩니다.

LLM 제안은 클러스터 멤버 ID의 SHA를 키로 하여 원자적으로(임시 파일에 쓴 다음 이름 변경) 캐시되므로, 패스를 다시 실행하는 것은 저렴하며 코퍼스가 변경되지 않으면 동일한 제안으로 수렴합니다.

사용 방법

tesserae project schema-drift
# → .tesserae/schema-drift.md 작성

그런 다음 리포트를 열어 제안된 enum을 검토하고(각 블록은 복사-붙여넣기 가능한 Python 리터럴), 수락된 것을 ontology/ 아래의 관련 파일에 붙여 넣으세요. 다음 tesserae project compile은 업데이트된 스키마에 대해 검증할 것입니다.

언제 사용하나요

새 문서 / 세션의 대규모 배치 이후, 새로운 노드 종류 값을 일급 enum으로 승격시키기 전에.
장기 실행 프로젝트에서 주기적으로(매월) 온톨로지 드리프트를 드러내기 위해 — 리포트는 빠르고 읽기 전용입니다.
핸드오프 산출물로: 마크다운은 독립적이므로, 전체 Tesserae CLI를 설정하지 않고도 리뷰어(또는 다른 에이전트)에게 넘길 수 있습니다.

어디에 있나요

핵심 구현: MD0.

주의 사항

제안은 *제안*일 뿐입니다 — 어떤 클러스터가 실제 enum 값이 될지는 여전히 사람(또는 다운스트림 에이전트)이 결정합니다. 이 패스는 의도적으로 자체적으로 ontology/를 변형하지 않습니다.
Jaccard 클러스터링은 supersedes 패스와 동일한 shingle 크기 가정을 공유합니다; 매우 짧은 멤버는 덜 선명하게 클러스터링될 수 있습니다.
패스는 대용량 종류에 초점을 맞춥니다; 드문 종류(≤ 3 멤버)는 추측성 enum을 피하기 위해 건너뜁니다.

v0.1.0에서 업그레이드하기

pip install --upgrade tesserae

이것이 전체 업그레이드입니다 — v0.2.0은 하위 호환성을 깨지 않는 추가 기능입니다. 알아두면 좋은 몇 가지 선택적 노브가 있습니다:

옵트인 패스를 위한 환경 변수:

# 컴파일 후 커뮤니티 요약 패스를 활성화 (기능 4)
export TESSERAE_COMMUNITY_SUMMARIES=true

# supersedes 거의-중복 패스를 활성화 (기능 5)
export TESSERAE_SUPERSEDE_PASS=true

알아두어야 할 한 가지 MCP 표면 변경: search_nodes는 이제 mode="hybrid"를 기본값으로 합니다. 정확한 v0.1.0 랭킹에 의존하는 자동화가 있다면 mode="legacy"를 전달하세요 — legacy 경로는 비트 단위로 보존됩니다.

실제 임베딩 백엔드를 위한 새로운 선택적 Python 의존성:

pip install 'sentence-transformers>=2.7'

이를 건너뛰어도 search_nodes mode="hybrid"는 여전히 동작합니다(해시 버킷 폴백); embedding_status는 minilm-l6-v2 대신 hash-bucket을 보고하므로 선택이 관찰 가능합니다.

근육 기억에 추가할 새로운 CLI 서브커맨드:

tesserae project ingest-code      # 코드 노드 생성 (기능 3)
tesserae project schema-drift     # 온톨로지 enum 제안 (기능 6)

에이전트가 이제 사용할 수 있는 새로운 MCP 도구:

graph_ppr (기능 1)
embedding_status (기능 2)
list_communities (기능 4)
fresh_insights (기능 5)

그 외 모든 것 — 슬래시 커맨드, 훅, ask, 위키 / Obsidian 프로젝션 — 은 변경되지 않았습니다.

전략적 맥락

v0.2.0은 Tesserae를 구조적으로 2026년 GraphRAG / 에이전트 메모리 최신 기술 수준에 맞춥니다:

하이브리드 검색(RRF를 통한 BM25 + 어휘 + 임베딩) 은 Microsoft GraphRAG 로컬 검색과 LightRAG의 하이브리드 모드가 사용하는 것과 동일한 융합 레시피입니다.
Personalized PageRank 시드 확장은 HippoRAG 2의 핵심에 있는 멀티홉 프리미티브로, 여기서는 패시지 공출현이 아닌 타입드 엣지에 맞춰 조정되었습니다.
커뮤니티 요약은 Microsoft GraphRAG의 클러스터-요약 레이어를 반영합니다 — "이 코퍼스는 대략 무엇에 관한 것인가?" 질의에 빠르고 구조적인 답을 제공하는 레이어입니다.
감쇠 점수 + supersedes는 프로젝트 메모리에 적용된 A-MEM Ebbinghaus 모델입니다; supersedes 패스는 Mem0의 "ADD / UPDATE / DELETE" 메모리 연산에 더 가깝지만, 인-플레이스 재작성이 아니라 순수 엣지로 표현됩니다.
EDC를 통한 스키마 드리프트는 EMNLP'24의 Extract-Define-Canonicalize 아이디어를 관계 추출이 아닌 온톨로지 진화에 적용한 것입니다.

Tesserae 고유의 방어 가능한 틈새로 남아 있는 것: 곳곳에 있는 타입드 엣지, 일급 그래프 노드로서의 세션 발견 사항, 그리고 (이제는) 같은 그래프 안의 코드 심볼. 2026년 환경의 대부분의 경쟁자는 타입드 엣지가 전혀 없습니다; 그것을 갖춘 것 중에서도 산문 결정을 코드 심볼에 연결하는 것은 없습니다 — v0.2.0에서 마련된 feat/code-graph 기반은 그 틈새가 복리로 쌓이기 시작하는 곳입니다.

함께 보세요:

아키텍처 개요 — 모듈 맵과 파이프라인
기능 맵 — 소스 링크가 있는 전체 기능 상태 표
세션 통합 — 감쇠와 supersedes가 동작하는 대상인 세션 그래프 기능
MCP 통합 — 전체 MCP 도구 목록 (네 개의 새 도구는 다음 문서 패스에서 여기에 추가됩니다)

v0.2.0.ko.md

Tesserae v0.2.0 — 타입드 검색, 코드 그래프, 온톨로지 진화

1. graph_ppr — 타입드 그래프 위의 Personalized PageRank

무엇인가요

사용 방법

언제 사용하나요

어디에 있나요

주의 사항

2. 하이브리드 search_nodes — RRF를 통한 BM25 + 어휘 + 임베딩

무엇인가요

사용 방법

어떤 모드를 언제 사용하나요

어디에 있나요

주의 사항

3. tesserae project ingest-code — Python AST → 타입드 코드 그래프

무엇인가요

사용 방법

언제 사용하나요

어디에 있나요

주의 사항

4. 커뮤니티 요약 — Louvain + LLM (옵트인)

무엇인가요

사용 방법

언제 활성화하나요

어디에 있나요

주의 사항

5. 감쇠 점수 + supersedes + fresh_insights

무엇인가요

사용 방법

supersedes 패스는 언제 활성화하나요

어디에 있나요

주의 사항

6. tesserae project schema-drift — EDC enum 제안

무엇인가요

사용 방법

언제 사용하나요

어디에 있나요

주의 사항

v0.1.0에서 업그레이드하기

전략적 맥락

1. `graph_ppr` — 타입드 그래프 위의 Personalized PageRank

2. 하이브리드 `search_nodes` — RRF를 통한 BM25 + 어휘 + 임베딩

3. `tesserae project ingest-code` — Python AST → 타입드 코드 그래프

5. 감쇠 점수 + `supersedes` + `fresh_insights`

6. `tesserae project schema-drift` — EDC enum 제안