모든 질문에 똑같은 검색량을 사용하는 것은 효율적이지 않음.

“ETH가 어떤 네트워크인가” 같은 질문과 여러 프로젝트의 리스크를 비교하는 질문은 필요한 조사량 자체가 다름.

DAPPOS는 Bubble Engine에 Dynamic Budget을 두고 detected uncertainty에 따라 retrieval depth와 parallel agent execution을 조정한다고 설명합니다.

쉽게 표현하면

확실한 문제
→ 필요한 만큼만 조사

불확실한 문제
→ 더 깊게 검색
→ 더 많은 Agent 병렬 활용

이라는 방향임.

항상 최대 연산량을 사용하는 게 아니라 불확실성이 커질 때 조사 비용도 늘리는 적응형 구조인 셈임.

AI의 성능뿐 아니라 비용과 속도를 함께 다루기 위한 기술임.

Web3에서는 SNS에서 갑자기 어떤 토큰이 엄청 인기 있어 보이는 경우가 있음.

그런데 실제 사용자가 늘어난 것인지, 봇 활동인지, 인위적인 펌프인지 소셜 데이터만으로는 판단하기 어려울 수 있음.

DAPPOS는 Bubble Engine의 misinformation handling에서 정보를 온체인 데이터와 community flags 등과 cross-verification해 bots, pumps, manipulated signals를 탐지·완화하는 방향​을 설명합니다.

즉

SNS에서 화제임

이 곧

실제로 강한 프로젝트임

이라는 결론으로 바로 이어지지 않음.

Social Signal과 On-chain Signal을 서로 비교해야 함.

Web3 AI에서 일반 웹검색만으로 부족한 이유가 바로 이런 부분임.

이번 기술 흐름을 한 번 연결하면 이렇습니다.

사용자 질문
↓
Dense + Sparse Retrieval
↓
Domain Routing
↓
Deduplication
↓
Cross-Encoder Reranking
↓
Minimal Evidence Pack
↓
Citation-Locked Generation
↓
불확실하면 Retrieval 확대
↓
필요하면 On-chain Cross-Verification

DAPPOS는 이러한 Contextual RAG를 provenance-first intelligence aggregation 구조로 설명합니다. 웹과 내부 자료, 온체인·오프체인 데이터를 모은 뒤 출처 추적과 신뢰성을 중심으로 Context를 구성하는 방식임.

그래서 핵심은 단순히

“AI가 인터넷 검색을 잘한다”

가 아님.

정보를 찾고, 중복을 제거하고, 중요도를 다시 평가하고, 최소한의 충분한 증거를 구성한 뒤 그 증거에 묶어서 답변하는 것.

DAPPOS가 Web3 AI에서 검색보다 Evidence Pipeline을 중요하게 보는 이유임.

AI에게 기억 기능이 있다고 하면 보통 하나의 거대한 저장소부터 떠올리게 됨.

그런데 Web3에서는 정보의 성격이 완전히 다름.

프로토콜의 기본 구조처럼 비교적 오래 유지되는 지식이 있는 반면, 최근 시장에서 발견한 패턴처럼 시간이 지나면서 가치가 달라지는 정보도 있음.

DAPPOS의 Bubble Engine은 그래서 Compound Memory에서 durable knowledge와 episodic learnings를 함께 다루는 구조를 사용합니다. Durable 쪽에는 core, verified Web3 facts and models가 포함된다고 공식 문서에서 설명합니다.

즉 모든 기억을 똑같이 취급하는 게 아니라

오래 유지할 지식
+
최근 경험에서 얻은 학습

을 서로 다른 성격의 정보로 보는 것임.

AI Memory에서 중요한 것은 얼마나 많이 기억하느냐뿐 아니라 어떤 기억을 어떤 성격으로 보관하느냐일 수 있음.

AI가 잘못된 정보를 한 번 답하는 것도 문제지만, 그 내용을 장기 지식으로 계속 재사용한다면 문제는 더 커짐.

다음 질문에서도 같은 오류가 반복될 수 있기 때문임.

DAPPOS는 Compound Memory의 durable knowledge를 core, verified Web3 facts and models​라고 설명합니다. 즉 오래 사용하는 지식에는 단순히 최근에 발견했다는 이유보다 검증된 핵심 정보라는 성격을 강조하고 있음.

여기서 중요한 단어가 verified임.

장기 기억은 여러 미래 작업에서 다시 쓰일 가능성이 있기 때문에 입력 단계의 품질이 더 중요해질 수 있음.

기술적으로 보면

기억의 수명이 길어질수록 잘못된 정보의 영향 범위도 커질 수 있기 때문임.

그래서 장기 Memory와 정보 검증은 따로 떼어 보기 어려운 문제임.

AI가 어떤 작업을 수행하면서 새로운 패턴을 발견했다고 해보자.

그 경험이 유용할 수는 있지만 곧바로 시스템 전체의 영구적인 진실이라고 보기는 어려움.

DAPPOS의 Compound Memory는 durable knowledge와 함께 episodic learnings를 별도의 층으로 결합합니다. 다른 공식 기술 설명에서는 이를 bubble-driven episodic learnings라고 표현합니다.

쉽게 보면 episodic 쪽은

“세상은 반드시 이렇게 작동한다”

보다는

“최근 이런 상황에서 이런 경험과 학습이 있었다”

에 더 가까운 정보 형태로 이해할 수 있음.

AI가 새로운 경험에서 빠르게 배우면서도 모든 경험을 곧바로 장기 지식과 동일시하지 않는 구조가 필요한 이유임.

RAG와 AI Memory는 비슷해 보여서 헷갈릴 때가 많음.

둘 다 AI에게 추가 정보를 주기 때문임.

하지만 역할은 다름.

DAPPOS는 Bubble Engine에서 Contextual RAG와 Compound Memory를 서로 보완하는 별도의 메커니즘으로 설명합니다. Contextual RAG는 provenance-first 방식으로 필요한 정보를 모으는 쪽이고, Compound Memory는 durable knowledge와 episodic learnings를 결합하는 쪽임.

쉽게 표현하면

RAG
→ 지금 필요한 정보를 찾아옴

Memory
→ 반복적으로 활용할 지식과 학습을 유지함

에 가까움.

좋은 AI가 되려면 매번 최신 정보를 찾아오는 능력과 과거에 이미 배운 것을 다시 활용하는 능력이 둘 다 필요함.

AI가 검색 과정에서 잘못된 자료 하나를 보는 것과 그 자료를 반복적으로 사용하는 기억으로 남기는 것은 위험도가 다름.

기억에 들어간 정보는 이후 여러 판단에 영향을 줄 수 있기 때문임.

DAPPOS는 Bubble Engine의 주요 메커니즘을 설명하면서 Compound Memory와 함께 misinformation handling을 명시적으로 언급합니다. 공식 기술 자료에서는 cross-verification과 Web3 기반 메커니즘을 활용해 정보 품질 문제를 다루는 방향도 제시합니다.

즉 Memory 시스템에서 중요한 질문은

“무엇을 기억할까”

뿐 아니라

“이걸 기억해도 되는가”

임.

기억 능력이 강해질수록 잘못된 정보도 더 오래 살아남을 수 있기 때문에 Memory와 Verification을 함께 설계해야 하는 이유임.