역할 수행 에이전트(Role-playing agents)는 단기적인 상호작용에는 뛰어나지만, 장기적인 대화는 컨텍스트 윈도우(Context windows)를 초과하여 외부 메모리 프레임워크의 필요성을 불러일으킵니다. 현재의 시스템들은 일반적으로 페르소나를 고려하지 않는 요약(Persona-agnostic summarization)에 의존하며, 이는 페르소나 특유의 해석 없이 사실만을 기록하여 페르소나 충실도(Persona fidelity)를 저해하는 일반적인 응답을 생성합니다. 이러한 격차를 해소하기 위해, 우리는 사실적 파편들을 페르소나를 통해 해석해야만 정답에 도달할 수 있는 4가지 추론 작업을 특징으로 하는 데이터셋인 RoleMemo를 소개합니다. RoleMemo를 통한 평가 결과, 페르소나를 고려하지 않는 프레임워크의 결정적인 한계가 드러났습니다. 이에 따라 우리는 메모리를 두 가지 스트림인 사실적 인지(Factual cognition)와 페르소나 조건부 통찰(Persona-conditioned insight)로 분리하는 DualMem을 제안합니다. 지도 미세 조정(Supervised Fine-Tuning, SFT)과 강화학습(Reinforcement Learning, RL)을 통해 학습된 우리의 4B 파라미터 모델 프레임워크는 지속적인 페르소나 충실도 측면에서 DeepSeek-V3.2 기반의 제로샷(Zero-shot) 페르소나 무관 프레임워크보다 뛰어난 성능을 보입니다. 우리의 리소스는 https://github.com/role2026/rolememo 에서 확인할 수 있습니다.