대규모 언어 모델 (LLM) 에이전트를 위한 장기 기억 (Long-term memory) 시스템은 일반적으로 가능한 한 많은 사실을 유지하기 위해 기억을 균일하게 추출하며, extit{모든 것을 기억하려고} 시도합니다. 그러나 실제 서비스 환경에서는 추론 비용 (inference cost)과 제한된 컨텍스트 예산 (context budgets)으로 인해 이러한 방식은 유지하기 어렵습니다. 원시 대화 (raw dialogue)를 기억으로 통합하는 것을 넘어, 에이전트는 각 사용자가 실제로 관심을 갖는 정보만을 효율적으로 유지하는 extit{쓰기 제어 (write control)}를 수행해야 합니다. 그렇지 않으면, 장기적인 개인화 상호작용은 무관한 잡다한 정보가 유용한 정보를 밀어내고 질의응답 (QA) 정확도를 지속적으로 떨어뜨리는 extit{메모리 팽창 (memory bloat)} 문제를 겪게 됩니다. 우리는 기억할 가치가 있는 것이 역할에 따라 달라진다고 주장하며, 피드백을 통해 각 사용자별로 extit{무엇을 기억할지 학습하는} 방법론인 extbf{AdaMem} (Adaptive Memory)을 제안합니다. AdaMem은 구조화된 역할별 메모리 정책 (Memory Policy)을 유지하며, 실패 롤백 (failure rollback) 기능이 포함된 경량 패치 스타일의 자기 성찰 (self-reflection) 단계를 통해 매주 발생하는 QA 피드백으로부터 이를 정교화합니다. 이 설정을 연구하기 위해, 우리는 주 단위 QA를 포함하여 수 주간의 상호작용을 시뮬레이션하는 벤치마크인 extbf{AdaMem-Bench}를 구축했습니다. 두 가지 추출 모델과 두 가지 피드백 모드에 걸쳐, AdaMem은 균일한 Mem0 베이스라인 대비 QA 정확도를 최대 extbf{+9.0%} 향상시키는 동시에 메모리 용량을 extbf{9%} 줄였습니다.