기억하는 방식에 대한 재고: 평생 학습하는 LLM 에이전트 메모리에서의 원자적 사실을 넘어

요약

기존 LLM 에이전트의 메모리 시스템은 대화를 원자적 사실로 압축하는 과정에서 세부 사항을 누락하고 깊은 추론을 지원하지 못하는 한계가 있습니다. 이를 해결하기 위해 제안된 TriMem은 원시 대화, 추출된 사실, 합성 프로필이라는 세 가지 입도의 표현 방식을 결합하여 저장 충실도와 추론 능력을 동시에 확보합니다. 또한 TextGrad 기반의 프롬프트 최적화를 통해 파라미터 업데이트 없이도 지속적인 성능 개선이 가능함을 입증했습니다.

핵심 포인트

• 기존의 사실 기반 패러다임이 가진 정보 누락 및 추론 한계 지적
• TriMem: 원시 세그먼트, 원자적 사실, 합성 프로필의 3단계 표현 입도 구조 제안
• TextGrad를 활용한 프롬프트 최적화로 모델 파라미터 수정 없는 평생 학습 구현
• LoCoMo 및 PerLTQA 벤치마크에서 기존 메모리 베이스라인 대비 우수한 성능 증명