대규모 언어 모델 (LLMs)은 강력한 추론 및 생성 능력을 보여주지만, 고정된 컨텍스트 윈도우 (context windows)로 인해 다중 세션 상호작용 전반에 걸친 장기적인 정보 축적 및 재사용에 한계가 있습니다. 기존의 메모리 증강 시스템 (memory-augmented systems)은 종종 비효율적인 메모리 표현 (memory representations)이나 불안정한 비제약적 업데이트에 의존하여, 거칠고 불안정한 방식으로 메모리를 구축합니다. 이러한 문제를 해결하기 위해, 우리는 가치 밀도가 높은 저장과 안정적인 메모리 진화를 위해 설계된 장기 메모리 시스템인 AtomMem을 제안합니다. AtomMem은 Fact Executor를 도입하여, 긴 형태의 상호작용으로부터 가치가 높은 원자적 사실 (atomic facts)을 선택적으로 추출함으로써 매우 효율적인 메모리 표현으로 활용합니다. 이후, AtomMem은 이러한 사실들을 계층적 이벤트 구조 (hierarchical event structures)와 시간적 프로필 (temporal profiles)로 조직하여, 일관된 에피소드 컨텍스트 (episodic contexts)를 포착하고 시간에 따라 동적으로 진화하는 사용자 속성을 추적합니다. 검색 과정에서 시스템은 파편화된 메모리들을 연결하기 위해 연상 메모리 그래프 (associative memory graph)를 활성화합니다. LoCoMo 벤치마크에 대한 실험을 통해 AtomMem이 다양한 추론 작업에서 최첨단 (state-of-the-art) 성능을 달성함을 확인하였으며, 지능형 개인화 에이전트를 배포하기 위한 확장 가능하고 경제적으로 실행 가능한 솔루션을 제공합니다.