메모리 시스템은 개인화된 거대 언어 모델 (Large Language Models (LLMs))에 필수적입니다. 그러나 이러한 시스템의 기존 검색 방법은 주로 의미적 유사성 (semantic similarity)에 의존하며, 이는 의미적 중첩이 제한적인 논리적으로 중요한 메모리를 놓칠 가능성이 있습니다. 현재의 벤치마크들은 이 문제를 평가하기에는 여전히 불충분합니다. 이러한 격차를 해소하기 위해, 우리는 긴 대화 시나리오에서의 암시적 논리적 메모리 검색 (implicit logical memory retrieval)을 목표로 하는 최초의 고품질 벤치마크인 IMLogic를 구축합니다. 이 과제에 착안하여, 우리는 장기적인 사용자 이력으로부터 재사용 가능한 개인화된 논리를 추출하는 구조화되고 의사결정을 보존하는 표현 방식인 root memory를 도입합니다. 그런 다음, 우리는 원시 이력을 구조화된 root memories로 먼저 추출한 다음, LLM 기반 라우터 (router)를 사용하여 논리적으로 관련 있는 메모리를 활성화함으로써 의미적 검색을 개인화된 의사결정 논리로 보완하는 플러그 앤 플레이 (plug-and-play) 프레임워크인 RootMem을 제안합니다. 광범위한 실험을 통해 RootMem이 가장 강력한 검색 베이스라인 (baselines)보다 크게 성능이 뛰어나며, 기존 메모리 에이전트 (memory agents)의 정확도를 일관되게 향상시킨다는 것을 입증했습니다. 우리의 벤치마크와 코드는 https://anonymous.4open.science/r/IMLogic-DBB3 에서 확인할 수 있습니다.