현대 소프트웨어 시스템의 장애 진단은 운영 경험에 의해 안내되는 반복적인 증거 획득과 가설 추론을 필요로 합니다. 기존 LLM 기반 방법들은 에이전트적 추론(agentic reasoning)이나 지식 증강(knowledge augmentation)을 통해 진단을 개선하지만, 반복적인 진단 과정에서 변화하는 진단 상태를 운영 경험과 조정할 메커니즘이 부족합니다. 본 논문에서는 OpsMem이라는 이중 메모리 프레임워크를 제안하며, 이는 현재의 진단 상태를 위한 단기 메모리와 재사용 가능한 운영 경험을 위한 장기 메모리를 유지합니다. OpsMem은 크로스 메모리 공명(cross-memory resonance)을 사용하여 상태 관련 장기 메모리를 활성화하고, 단기 및 활성화된 장기 메모리에 기반하여 다중 에이전트 진단을 수행하며, 해결된 인시던스에서 재사용 가능한 경험을 장기 메모리로 통합합니다. 실제 Huawei 마이크로서비스 장애 진단 데이터셋에 대한 실험 결과, OpsMem은 대표적인 에이전트적 추론 및 지식 증강 기반의 베이스라인보다 우수한 성능을 보여, Match는 최대 46.88%, Relevant는 최대 18.39%까지 향상시켰습니다.