Zep은 에이전트에게 완벽한 검색 기억을 제공하지만, 자체 메모리에 대한 '그룹별 평균' 질문에는 여전히 답할 수 없다.
요약
Zep의 Context Lake는 시간적 지식 그래프를 활용하여 에이전트에게 뛰어난 검색(recall) 기반 기억을 제공합니다. 하지만 이 시스템은 메모리 자체에 대한 '그룹별 평균'과 같은 분석적인 질문에는 한계가 있어, 단순 검색 이상의 추론 능력이 필요함을 시사합니다.
핵심 포인트
- Zep의 Context Lake는 시간적 지식 그래프를 사용해 사실을 저장하고 관련 정보를 반환한다.
- 검색(recall) 측면에서는 매우 뛰어나지만, 분석적인 질문에는 한계가 있다.
- 에이전트 메모리에서 단순 검색을 넘어선 추론 및 통계적 분석 능력이 필요하다.
원래 nlqdb.com/blog에 게시됨
만약 Zep을 연결해 보았다면, 그 특징을 알고 있을 것입니다: 바로 Context Lake입니다. 이는 시간적 지식 그래프(Graphiti, 27k+ stars)로, 에이전트가 학습하는 모든 사실을 유효성 창을 가진 노드로 저장하고, 엔티티를 해결하며, 쿼리 시점에 가장 관련성 높은 사실들을 반환합니다. 검색(recall) 측면에서는 정말 뛰어나며, 이를 증명하기 위해 벤치마크(LongMemEval, DMR)를 발표합니다.
하지만 우리는 계속 같은 벽에 부딪혔습니다. 에이전트가 수백 가지의 것을 기록한 후, 우리는 메모리에서 검색하는 것이 아니라 메모리에 대해 질문하고 싶었습니다:
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기0