I Built a Personal AI Agent on a Raspberry Pi — Jeremy Adams, Neo4j

한 줄 핵심

Raspberry Pi와 Neo4j, MCP, WhatsApp을 엮어 로컬·클라우드 혼합형 개인 AI 에이전트 메모리 시스템을 만든 사례로, 작은 하드웨어에서도 대화·기억·음성 입력까지 구현할 수 있음을 보여준다.

시간별 요약

1. 0:00
   소개 현장에서 직접 시연하는 개인 AI 에이전트와 메모리 프로젝트를 소개하며, 그래프와 그래프 데이터베이스를 활용한 실험이라는 점을 먼저 밝힌다.
2. 0:12
   Neo4j 인사 그래프와 그래프 데이터베이스를 다루는 Neo4j의 맥락에서, 개인용 에이전트와 하드웨어, 오프라인 동작, 메모리 구축에 대한 관심이 이 발표의 출발점이 된다.
3. 1:32
   만들고 있는 것 목에 거는 하드웨어와 소프트웨어를 결합해 에이전트 메모리를 구현한 프로젝트이며, 실제 데모를 위해 라이브로 조립하면서 동작을 보여준다.
4. 1:57
   라이브 하드웨어 세팅 마이크, HDMI 캡처, 전원, USB 수신기를 연결해 Raspberry Pi 기반 장치를 실제로 켜고, 화면 캡처와 오디오 입력이 모두 동작하는지 즉석에서 확인한다.
5. 4:51
   Raspberry Pi 클로의 부팅 Raspberry Pi 4B가 부팅되며 실제 데스크톱 환경이 올라오고, Docker와 Neo4j까지 실행되는 모습을 통해 작은 장치에서도 꽤 많은 작업을 처리할 수 있음을 보여준다.
6. 6:06
   작은 클로가 좋은 이유 노트북 위의 대형 개인 에이전트보다 싸고, 열 수 있고, 수정 가능한 작은 장치를 선호하며, Raspberry Pi처럼 이미 손에 있는 장비로도 충분히 흥미로운 실험이 가능하다는 점을 강조한다.
7. 8:05
   NanoClaw를 선택한 이유 OpenClaw보다 소스 파일 수가 적고 구조가 단순한 NanoClaw를 택했으며, Docker 기반 실행과 Cloud Agent SDK, Claude Code, Skills, 메시징 연동 같은 수정 가능한 설계를 높이 평가한다.
8. 8:55
   WhatsApp → NanoClaw → Claude 구조 WhatsApp 메시지가 Raspberry Pi의 NanoClaw로 들어가고, 실제 추론은 Claude가 클라우드에서 담당하는 구조로 설계해, 로컬 장치에는 무거운 모델을 올리지 않고도 대화형 에이전트를 구현한다.
9. 9:40
   그래프 기초 노드와 관계로 이루어진 그래프의 기본 개념을 짧게 설명하며, 사람 노드와 영화 노드, 그리고 '배우다'나 '감독하다' 같은 관계가 어떻게 지식 표현에 쓰이는지 보여준다.
10. 10:10
    MCP로 Neo4j 질의하기 WhatsApp에서 자연어로 요청하면 MCP 서버를 통해 Neo4j의 영화 데이터베이스를 조회하고, 결과를 다시 Claude를 거쳐 답변으로 반환하는 왕복 흐름을 실제 예시로 보여준다.
11. 10:50
    비행기에서 만든 POLE 스키마 메모리 Person, Object, Location, Event, Organization을 축으로 기억을 저장하는 POLE 스키마를 떠올려, 오프라인 상태에서도 지속되는 메모리 구조를 WhatsApp 기반 에이전트에 붙이는 방법을 설계한다.
12. 12:15
    메모리 그래프 데모 Neo4j Aura의 데모 인스턴스에서 기억 노드와 연결 관계를 시각화해, 장소·사람·이벤트가 서로 어떻게 이어지는지 탐색하고 메모리가 실제 그래프로 관리됨을 보여준다.
13. 13:29
    음성-텍스트 추가 USB 마이크와 버튼 입력을 연결해 현장에서 말한 내용을 기록하는 흐름을 만들고, 음성 입력을 트리거해 텍스트로 저장하는 기능을 실험한다.
14. 14:49
    전시 부스 녹음 전시회장을 돌아다니며 부스별 메시지를 수집하는 용도로 확장하고, 전시업체와 부스 정보를 단순한 데이터 모델로 정리해 기록 가능한 형태로 만든다.
15. 15:34
    로컬 Neo4j로 오프라인 모드 컨퍼런스 Wi-Fi가 불안정할 상황을 대비해 Raspberry Pi 안에서 로컬 Neo4j를 돌리고, 음성 인식과 쿼리 생성으로 현장 데이터를 먼저 저장한 뒤 나중에 클라우드로 올리는 흐름을 만든다.
16. 17:03
    클라우드에서 테마 보강 현장에서 모은 부스 노트와 데이터를 클라우드 Neo4j로 올린 뒤, 각 부스가 어떤 테마와 연결되는지 경로를 따라가며 보강하고, 평가·관측성 같은 주제 분류를 추출한다.
17. 18:23
    Neo4j Agent Memory로 업그레이드 지금까지의 WhatsApp 대화 전체를 Neo4j Agent Memory 서비스에 넣어 대화에서 사람·장소·개념을 추출하고, MCPU 서버를 통해 다시 조회 가능한 기억으로 정리한다.
18. 19:33
    GraphAcademy로 시작하기 그래프를 처음 접하는 사람은 GraphAcademy의 무료 실습 과정으로 시작할 수 있으며, 더 자세한 내용은 부스에서 직접 이야기할 수 있다고 안내한다.

실무 인사이트

• 로컬 장치에는 실행과 수집만 맡기고, 추론은 클라우드 모델과 연결하는 구조가 하드웨어 제약과 비용을 동시에 줄이는 현실적인 패턴이다.
• 에이전트 메모리는 단순 로그 저장보다 사람·장소·이벤트·조직을 관계로 묶는 그래프 구조에서 훨씬 강하게 작동한다.
• 현장 수집형 에이전트는 오프라인 우선 설계와 나중에 클라우드 보강을 함께 두어야 실제 전시·이동 환경에서 안정적으로 쓸 수 있다.