장기 실행되는 언어 에이전트 (Language Agents)는 작업 컨텍스트 (Working Context)가 사라진 후 어떤 경험이 지속되어야 하는지를 결정하는 메커니즘이 필요합니다. 검색 시스템 (Retrieval Systems)은 과거의 텍스트를 다시 삽입할 수 있지만, 검색 시스템 그 자체만으로는 특정 경험이 모델 자체의 행동으로 선택적으로 통합 (Consolidated)되었음을 보여주지는 못합니다. 우리는 게이트형 LoRA 통합 (Gated LoRA Consolidation)을 위한 Echo-Valence Attractor Field 메커니즘인 EVAF와, 통제된 간섭 (Interference) 하에서 선택적 파라미터 통합 (Selective Parametric Consolidation)을 측정하기 위한 검사-재검사 (Test-retest) 프로토콜을 소개합니다. GPT-2 및 TinyLlama를 대상으로 실험한 결과, EVAF는 상호 보완적인 라우팅된 메모리 경로 (Routed Memory Path)를 통해 검색 가능한 사실적 기억 (Factual Memory)을 보존하면서도, 높은 가치 (High-valence)와 높은 놀라움 (High-surprise)을 가진 경험을 우선적으로 통합합니다. 검사-재검사 측정 결과, EVAF는 파라미터 드리프트 (Parameter Drift)와 교차 페르소나 오염 (Cross-persona Contamination)을 낮게 유지하면서도, 동결된 (Frozen), 검색 전용 (Retrieval-only), 그리고 게이트가 없는 지속적 업데이트 (Ungated Continual-update) 베이스라인 모델들보다 간섭 이후 더 강력한 행동 지속성을 보여주었습니다. 이러한 결과는 메모리 접근 (Memory Access)과 메모리 깊이 (Memory Depth) 사이의 분리를 뒷받침합니다. 즉, 사실을 검색하는 것과 경험을 내재화하는 것은 서로 다른 계산 작업 (Computational Operations)입니다.