Anthropic이 AI 에이전트를 위한 메모리에 대한 13페이지짜리 PDF를 방금 공개했습니다.

토큰 비용을 90% 줄이고 에이전트가 진정으로 학습하게 만드는 5가지 계층👇

1. 작업 기억 (Working Memory): 지금 보는 것
   컨텍스트 창(context window). 에이전트가 현재 앞에 두고 있는 모든 정보.
   이것이 가득 차면, 이전 컨텍스트는 사라집니다. 대부분의 에이전트는 여기에 머물다가 왜 실패하는지 우리가 의문을 갖게 됩니다.

2. 에피소드 기억 (Episodic Memory): 일어났던 것
   날짜와 시간과 함께 완전한 상호작용 기록.
   에이전트는 마이그레이션 스크립트에 오류가 있어서 지난 화요일 오전 3시에 배포가 실패했다는 것을 기억합니다.
   다시 설명할 필요가 없습니다.

3. 의미론적 기억 (Semantic Memory): 알고 있는 것
   지식 그래프(knowledge graph)에 저장된 사실, 개체 및 관계.
   '사용자는 TypeScript를 선호한다'와 같은 정보가 여기에 존재하며,
   세션이 종료되어도 사라지지 않습니다.

4. 절차적 기억 (Procedural Memory): 어떻게 해야 하는지
   에이전트가 3가지 접근 방식을 시도합니다. 그중 하나가 작동합니다.
   그 방법은 재사용 가능한 기술(skill)로 변환됩니다.
   다음번에는 바로 성공했던 방식으로 이동합니다.

5. 망각 (Forgetting): 버려야 할 것
   절대 잊지 않는 에이전트는 모순을 축적하게 됩니다.
   오래된 선호도가 새로운 것을 압도합니다. 이사했는데도 예전에 살던 곳의 식당을 계속 추천받는 경우와 같습니다.
   기억하는 것도 중요하지만, 무엇을 잊어야 하는지도 중요합니다.

결과는?
→ Mem0은 쿼리당 26,000 토큰 대신 1,800 토큰을 저장합니다.
→ Snowflake는 온톨로지(ontology) 계층을 추가하여 정확도를 20% 높이고 도구 호출(tool calls)을 39% 줄였습니다.

메모리는 첫날부터 비용을 상쇄합니다.

이 13페이지짜리 PDF는 일반적인 챗봇과 진정으로 학습하는 에이전트 사이의 차이를 보여줍니다. 놓치지 마세요 ↓