대규모 언어 모델 (LLMs)이 오픈 도메인 대화 시스템을 발전시켜 왔지만, 긴 문맥 추론 (long-context reasoning)의 내재적 한계와 방대한 원문 텍스트 처리의 비효율성으로 인해 장기적인 일관성을 유지하는 것은 여전히 과제로 남아 있습니다. 기존의 접근 방식은 대개 정보 손실이 발생하기 쉬운 비구조화된 메모리 저장 방식에 의존하거나, 높은 지연 시간 (latency)을 초래하는 계산 비용이 많이 드는 LLMs에 의존합니다. 이러한 한계를 해결하기 위해, 우리는 구조화된 트리플렛 추출 (triplet extraction) 및 연상 검색 (associative retrieval)을 위해 미세 조정된 소형 언어 모델 (sLM)을 활용하여 운영 비용을 크게 절감하는 그래프 강화 프레임워크인 G-Long을 제안합니다. 나아가, 우리는 T5 요약기 (summarizer)의 고유한 교차 주의 (cross-attention) 신호를 활용하여 핵심적인 메모리를 식별하는 새로운 주의력 인식 중요도 점수 산정 (attention-aware importance scoring) 메커니즘을 도입합니다. 다양한 벤치마크에 걸친 광범위한 실험을 통해 G-Long이 응답 생성 및 메모리 검색 모두에서 최첨단 (state-of-the-art) 성능을 달성함을 입증하였으며, 계산 오버헤드를 크게 최소화하면서도 MSC에서는 응답 품질이 최대 9.8%, LME에서는 검색 재현율 (retrieval recall)이 40.8% 향상되는 성과를 거두었습니다.