“이 프로젝트를 분석해주세요”라는 요청 하나에도 팀·기술·시장·온체인 데이터·경쟁사처럼 서로 다른 조사 영역이 들어 있음.

DAPPOS의 MAF는 공식 문서상 작업별 Subgraph를 사용합니다. 하나의 거대한 AI 흐름에 모든 단계를 넣는 대신, 특정 목적을 가진 작은 작업 그래프들을 조합하는 방식임.

예를 들어 프로젝트 분석이라는 큰 요청 안에서도:

공식 문서 조사
온체인 데이터 확인
경쟁사 비교
위험 요인 검토

처럼 별도 작업 단위로 나눈 뒤 최종 결과에서 다시 합칠 수 있음.

큰 문제를 작은 전문 워크플로로 쪼갤 수 있다는 점이 복잡한 작업에서 DAPPOS MAF가 확장될 수 있는 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.