장기 대화 기억 (long-term conversational memory) 은 여러 세션에 흩어진 증거를 검색해야 하지만, 단회성 검색 (single-pass retrieval) 은 시간적 및 다단계 질문에서 실패합니다. 기존 반복적 방법들은 생성된 콘텐츠나 문서 수준 신호를 통해 쿼리를 개선하지만, 누적된 검색 세트에서 누락된 내용을 명시적으로 진단하는 '증거 격차 (evidence gap)'를 파악하지 못해 쿼리 개선을 표적화하지 못하게 합니다. 우리는 IRIS (Iterative Retrieval via Insufficiency Signals) 와 LaceMem (Layered Architecture for Conversational Evidence Memory) 을 결합한 EviMem 을 제시합니다. 이는 충분성 평가를 통해 증거 격차를 감지하고, 누락된 내용을 진단하며, 표적화된 쿼리 개선을 유도하는 폐쇄 루프 프레임워크입니다. 또한 미세한 격차 진단을 지원하는 코어에서 파인 (coarse-to-fine) 기억 계층 구조를 갖는 LaceMem 을 함께 제공합니다. LoCoMo 데이터셋에서 EviMem 은 MIRIX 대비 시간적 질문 (73.3% 에서 81.6% 로 향상) 과 다단계 질문 (65.9% 에서 85.2% 로 향상) 에서 Judge Accuracy 를 개선하며, 지연 시간을 4.5 배 줄였습니다. 코드: https://github.com/AIGeeksGroup/EviMem.