장기적 언어 에이전트(Long-horizon language agents)는 고정된 컨텍스트 창(Context window)이 수용할 수 있는 속도보다 훨씬 빠르게 대화 기록을 축적하며, 이는 답변 정확도와 서비스 비용 모두에 있어 메모리 관리(Memory management)를 매우 중요하게 만듭니다. 기존 방식들은 무엇을 검색할지에 대한 해결책 없이 컨텍스트 창을 확장하거나, 상당한 토큰 비용을 들여 인제스션(Ingestion) 단계에서 무거운 사실 추출(Fact extraction)을 수행하거나, 정확도와 효율성을 모두 놓치는 휴리스틱 그래프 탐색(Heuristic graph traversal)에 의존합니다. 본 논문에서는 장기적 메모리를 그래프 구조 메모리(Graph-structured memory) 상의 공동 검색 및 압축(Joint retrieval-and-compression) 문제로 다루는 학습이 필요 없는(Training-free) 검색 측 프레임워크인 PRISM을 제안합니다. PRISM은 네 가지의 직교하는 추론 단계(Inference-time) 구성 요소를 결합합니다: 유형화된 관계 경로(Typed relation paths)에 대한 계층적 번들 검색(Hierarchical Bundle Search), 탐색을 감지된 쿼리 의도(Query intent)와 일치시키는 쿼리 민감형 엣지 비용 산정(Query-Sensitive Edge Costing), 후보 번들을 압축된 답변 측 컨텍스트로 압축하는 증거 압축(Evidence Compression), 그리고 대부분의 쿼리를 Zero-LLM 계층을 통해 라우팅하는 적응형 의도 라우팅(Adaptive Intent Routing)입니다. 검색을 유형화된 경로 템플릿(Typed path templates)에 대한 최소 비용 선택(Min-cost selection)으로 공식화하고 이를 LLM 측 압축 단계와 결합함으로써, PRISM은 상위 인제스션 파이프라인(Upstream ingestion pipeline)에 대한 미세 조정(Fine-tuning)이나 수정 없이 엄격한 컨텍스트 예산(Context budget) 내에서 적절한 증거를 찾아냅니다. LoCoMo 벤치마크에서의 실험 결과, PRISM은 동일한 프로토콜을 사용하는 모든 베이스라인(Baseline)보다 현저히 높은 LLM-judge 정확도를 제공하면서도 컨텍스트 예산은 10배(Order-of-magnitude) 더 작게 유지하여, 정확도-컨텍스트-비용 프런티어(Accuracy-context-cost frontier)에서 기존에 비어 있던 영역을 점유하고 답변 품질과 검색 효율성 사이의 탁월한 균형을 입증했습니다.