PersonaTree: LLM 에이전트의 인물 이해를 위한 구조화된 라이프사이클 메모리

지속적인 LLM 에이전트(LLM agents)는 장기적인 상호작용 전반에 걸쳐 인물 이해(person understanding)의 형성을 명시적으로 만드는 메모리 표현(memory representations)을 필요로 합니다. 기존의 에이전트 메모리 방법들은 정보의 유지와 검색을 강조하지만, 축적된 상호작용 증거가 어떻게 인물 이해로 추상화되는지에 대해서는 제한적인 설명만을 제공합니다. 우리는 이 과정을 상황적 증거(situated evidence)가 재사용 가능한 패턴과 안정적인 인물 수준의 주장(person level claims)으로 추상화되는 스키마 형성(schema formation)으로 간주합니다. 우리는 증거에서 주장으로 이어지는 명시적인 지원 경로(support paths)를 갖춘 3단계 페르소나 트리(persona tree)로 이러한 관점을 구현하는 구조화된 라이프사이클 메모리 프레임워크인 PersonaTree를 소개합니다. PersonaTree는 보수적인 쓰기(conservative writing), 신뢰도 기반 통합(confidence guided consolidation), 그리고 쿼리 조건부 경로 검색(query conditioned path retrieval)을 통해 트리를 유지하며, 각 쿼리에 필요한 증거 깊이만을 반환합니다. 세 가지 답변 백본(answer backbones)을 사용한 6개의 인물 이해 및 지속적 메모리 벤치마크에서 PersonaTree는 18개의 컴팩트 점수 중 12개에서 1위를 차지했으며, 16개 설정에서 상위 2위 안에 들었습니다. 절제 연구(Ablations) 결과, 계층 구조는 KnowMe에서 추상적인 인물 이해를 향상시키는 반면, 지원 경로 검색은 유사한 컨텍스트 예산(context budget) 하에서 RealPref 정렬(alignment)을 개선함을 보여줍니다.