지속적으로 진화하는 연결성으로서의 메모리 재고찰

기존의 메모리 증강 LLM (Large Language Model) 에이전트들은 흔히 메모리를 미리 정의된 표현(representation)과 고정된 검색 파이프라인(retrieval pipeline)을 가진 정적인 저장소로 취급합니다. 이는 피드백, 작업의 변화, 그리고 이질적인 신호들이 무엇을 기억해야 하는지, 그리고 그것들이 어떻게 연결되어야 하는지를 지속적으로 재형성하는 역동적인 에이전트 환경(agentic environments)에서는 취약할 수 있습니다. 이를 해결하기 위해, 우리는 메모리를 이질적 그래프(heterogeneous graph)로 모델링하고 세 가지 단계, 즉 초기 연결 형성(initial connection formation), 피드백 기반 정제(feedback-driven refinement), 그리고 장기적 통합(long-term consolidation)을 통해 그 토폴로지(topology)를 점진적으로 개선하는 연결성 진화 메모리 프레임워크인 FluxMem을 제안합니다. 실행 과정에서 FluxMem은 메모리 일반화 가능성(memory generalizability)과 진화적 성숙도(evolutionary maturity)를 위한 하나의 지표에 따라 누락된 링크를 복구하고, 간섭을 가지치기(pruning)하며, 추상화 입도(abstraction granularity)를 정렬하고, 반복되는 성공적인 궤적(trajectories)을 재사용 가능한 절차적 회로(procedural circuits)로 증류합니다. LoCoMo, Mind2Web, GAIA를 포함한 세 가지 근본적으로 다른 벤치마크 전반에 걸쳐 FluxMem은 일관된 최첨단(state-of-the-art) 성능을 달성하며, 복잡한 에이전트 환경에서의 강력한 적응력과 일반화 능력을 입증했습니다. 코드는 https://github.com/zjunlp/LightMem 에 공개될 예정입니다.