자원이 제한된 에지 (Edge) 디바이스에서 대규모 언어 모델 (LLM) 에이전트의 장기적 개인화 기억은 저장 비용과 다중 모달리티의 복잡성으로 인해 도전적입니다. 이를 해결하기 위해, 우리는 'Scrapbook Page'에 다중 모달리티 데이터를 통합하는 프레임워크인 ScrapMem 을 제안합니다. ScrapMem 은 오래된 기억의 해상도를 점진적으로 줄여 저장 비용을 낮추고 저평가된 세부 사항을 억제하는 광학 망각 (Optical Forgetting) 이라는 광학 압축 메커니즘을 도입했습니다. 의미론적 일관성을 유지하기 위해, 주요 사건들을 인과 - 시간적 구조로 조직하는 Episodic Memory Graph (EM-Graph) 를 구축했습니다. 다중 모달리티 ATM-Bench 의 광범위한 실험은 ScrapMem 이 세 가지 주요 이점을 제공함을 보여줍니다: (1) 강력한 성능, 51.0% Joint@10 점수로 새로운 최상위 수준을 달성; (2) 높은 저장 효율성, 광학 망각을 통해 메모리 사용량을 최대 93% 감소; 및 (3) 개선된 회상 능력, 구조적 집계를 통해 Recall@10 을 70.3%로 증가. ScrapMem 은 다중 모달리티 LLM 에이전트의 에지 상용 장기 기억에 대해 효과적이고 저장 효율적인 해결책을 제공합니다.