Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
장기 LLM 에이전트의 지속적인 메모리 문제를 해결하기 위해 주제 구조화된 문서 기반의 Infini Memory 아키텍처를 제안합니다. 이 시스템은 메모리를 의미론적 단위로 관리하여 사실 수정과 증거 집계를 용이하게 하며, 반복적인 도구 호출을 통해 효율적인 검색을 수행합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기장기 LLM (Large Language Model) 에이전트는 변화하는 사실을 추적하고 세션 전반에 걸쳐 관련 증거를 제공할 수 있는 지속적인 메모리 (Persistent Memory)가 필요합니다. 기존의 메모리 시스템은 관찰 내용을 고립된 기록, 요약 또는 인덱싱된 파편으로 저장하는 경우가 많으며, 이는 증거 집계, 사실 수정 및 메모리 유지 관리를 어렵게 만듭니다. 우리는 에이전트 메모리를 주제 구조화된 문서 (Topic-structured documents)로 취급하는 유지 관리 가능한 텍스트 기반 지속 메모리 아키텍처인 Infini Memory를 제안합니다. 각 주제 문서는 관련 증거를 수집하고, 메타데이터를 보존하며, 시간이 지남에 따라 사실을 수정하기 위한 의미론적 단위 (Semantic unit) 역할을 합니다. 새로운 관찰 내용은 먼저 버퍼 (Buffer)에 스테이징된 후, 주기적으로 일관된 텍스트 컨텍스트 (Textual contexts)로 통합됩니다. 추론 시에는 에이전트 기반 검색 (Agentic retrieval) 절차를 통해 LLM이 단일 검색 단계가 아닌 반복적인 도구 호출 (Tool calls)을 통해 메모리를 읽을 수 있도록 합니다. MemoryAgentBench에서 Infini Memory는 64.7%의 종합 점수를 달성했습니다. 절제 연구 (Ablations) 결과, 주제 구조화된 유지 관리와 반복적인 증거 검사가 장기 메모리 사용의 상호 보완적인 측면들을 개선함을 보여줍니다.