검색 증강 생성 (Retrieval-augmented generation, RAG)은 검색된 컨텍스트 길이에 비례하는 프리필 (prefill) 비용을 발생시키며, Transformer 백본을 사용할 경우 생성되는 각 토큰에 따라 증가하는 KV-캐시 (KV-cache) 비용을 수반합니다. 상태 공간 모델 (State-Space Models, SSMs)은 구조적으로 두 번째 비용을 방지합니다. 우리는 첫 번째 비용을 제거하여, 쿼리당 프리필 비용을 $O(L_{context})$에서 $O(1)$로 축소합니다. 우리는 SSM만의 고유한 특성을 활용하는 검색 메커니즘인 PRECOG (Pre-Computed Context Injection)를 소개합니다. 이 특성이란 고정된 크기이며 위치에 무관한(position-agnostic) 순환 은닉 상태 (recurrent hidden state)가 모델이 읽은 모든 것에 대한 완전한 요약이라는 점입니다. PRECOG는 문서 코퍼스 (document corpora)를 SSM 은닉 상태로 오프라인에서 사전 인코딩하며, 쿼리 시점에 가장 잘 일치하는 상태를 직접 주입함으로써 컨텍스트 내 재수집 (in-context re-ingestion) 과정을 완전히 우회합니다. 동일한 상태 주입 메커니즘은 SMC (Structured Memory Consolidation)를 가능하게 합니다. SMC는 인지 도메인 클러스터링 (cognitive-domain clustering), 조절 가능한 충실도 대 저장 용량 (fidelity-vs-storage) 다이얼, 그리고 $O(1)$ 세션 초기화를 갖춘 계층적 지속 메모리 (hierarchical persistent memory)로, 단기 에피소드 상태 (short-term episodic states)를 장기 의미 메모리 (long-term semantic memory)로 통합하고 쿼리 시점에 이를 검색된 코퍼스 상태와 융합합니다. 우리는 192 KB의 은닉 상태를 가진 1.2B 파라미터 게이트형 SSM (gated-SSM) 언어 모델인 TENNs-LLM에서 이 시스템을 입증합니다. PRECOG는 컨텍스트 내 RAG와 대등한 답변 품질을 유지하면서, 엣지 하드웨어에서 프리필 지연 시간을 ~27초에서 <6ms로 단축했습니다. 이는 사용 불가능한 수준에서 상호작용이 가능한 수준으로 넘어가는 임계점을 넘어서는 약 4500배의 속도 향상입니다. 이 메커니즘은 위치가 얽혀 있고(position-entangled) 컨텍스트 길이에 따라 선형적으로 증가하는 Transformer KV-캐시에서는 구조적으로 불가능합니다.