AI퀸트를 위한 설계초안
sLLM 2~3개, embedding model, redis, postgresql(+timescaledb+pgvector), 초거대상용LLM 을 이렇게 저렇게 엮어서(포지티브 피드백, 네거티브 피드백, 재귀적 강화 등) 생물의 뇌기능을 흉내내 본겁니다. 컨셉은 이렇다는거죠. 이렇게 하는거 맞습니까?
구현은 잘 될지 해봐야 되는거고.
인공 신경계 모사 AI 퀀트 아키텍처:
이 시스템은 저전력 N100 서버 2대를 활용하여, 단순 매매가 아닌 **'지능적 데이터 탐색 및 정제'**를 수행하는 인공 신경계를 구축합니다. INTJ-A 성향 개발자의 주식 스윙 로직이 시스템 전반의 '유전자'로 주입되어 있습니다.
1. 감각 및 변연계 (Sensory & Limbic): 데이터 수집과 직관
* Rust Scraper (말초 신경): 실시간 시세와 뉴스를 포착하는 감각 기관입니다. 사용자님이 Rust로 직접 설계한 스윙 로직에 따라 1차 데이터를 필터링합니다.
* Gut Layer (아미그달라): 임베딩 모델을 통한 '육감' 레이어입니다. 현재 데이터가 **해마(VectorDB)**에 저장된 과거 성공 사례와 얼마나 닮았는지 대조하여 직관적 가중치를 부여합니다.
2. 기억 계층 (Memory Layers): 정보의 가공과 축적
* Redis (작업 기억/Working Memory): N100의 자원 한계를 극복하기 위한 단기 기억 장치입니다. Context Rolling 기법을 통해 재귀적 탐색 과정의 맥락을 실시간으로 유지합니다.
* PostgreSQL/TimescaleDB (해마/Hippocampus): 모든 원문 데이터와 7일간의 수익률 역추적 결과를 저장하는 장기 기억 저장소입니다. 이 '보상 기록'은 시스템이 자가 강화되는 토대가 됩니다.
3. 미니 딥 리서치(Mini Deep Research): 이중화된 지능 레이어
이 단계는 보고서 작성이 목적이 아니라, 초거대 LLM에게 넘길 최적의 정보 패키지를 생산하는 과정입니다.
* Gemma 3 12B (탐구적 피질): 수행자(Investigator) 역할입니다. 사용자 로직과 Gut Layer의 가중치를 바탕으로 지능적 검색을 수행하고, 파편화된 정보를 논리적으로 연결하여 데이터를 확보합니다.
* Qwen 2.5 7B (비판적 피질): 검증자(Critic) 역할입니다. 서버 2에서 Gemma의 가공 데이터를 감시합니다. **해마(DB)**의 원문과 대조하여 왜곡이나 누락(Hallucination)을 교정하고 데이터의 객관성을 최종 확보합니다.
4. 외부 초거대 LLM 연결 (Oracle Workflow): 통찰의 완성
* Data Packaging: 검증과 교정을 마친 고농축 정보를 Markdown 파일로 패키징합니다.
* Frontier LLM (Oracle): Gemini 3.0 Pro나 GPT-5와 연결됩니다. 초거대 AI는 이 '지능형 전처리'를 거친 데이터를 바탕으로, 사용자님의 스윙 트레이딩을 위한 인사이트를 도출합니다.
[Summary]
본 아키텍처는 **눈(Scraper) → 직관(VectorDB) → 지능검색(Gemma) → 작업기억(Redis) → 해마(DB) → 비판교정(Qwen) → 보고서(ChatGPT 5) → 사용자(인사이트) **으로 이어지는 유기적 루프를 통해 정보를 가공 전달 합니다.
