대규모 언어 모델 (LLMs) 기반의 개인용 AI 에이전트가 급격히 등장함에 따라, 개인정보 보호와 응답성을 위해 이를 온디바이스 (on-device) 환경에서 구현하는 것이 필수적이 되었습니다. 실제 세계의 요청이 가진 본질적인 개인적이고 문맥 의존적인 특성을 처리하기 위해, 이러한 에이전트는 기기에 상주하는 개인적 문맥 (personal context)에 기반하여 생성 작업을 수행해야 합니다. 그러나 제한된 메모리 예산 하에서, 핵심적인 병목 현상은 검색 (retrieval)이 사용자와 정렬된 상태를 유지할 수 있도록 무엇을 저장할 것인가 하는 문제입니다. 우리는 사용자 선호도를 압축적이고 안정적인 형태의 개인적 문맥으로 간주하고 이를 RAG 파이프라인 전반에 통합하는 EPIC (Efficient Preference-aligned Index Construction)을 제안합니다. EPIC은 원시 데이터에서 선호도와 관련된 정보를 선택적으로 유지하며, 검색이 선호도에 정렬된 문맥을 향하도록 조정합니다. 대화, 토론, 설명 및 추천을 다루는 4가지 벤치마크에 걸쳐, EPIC은 인덱싱 메모리를 2,404배 줄이고, 선호도 준수 정확도 (preference-following accuracy)를 20.17 퍼센트 포인트 향상시켰으며, 가장 성능이 뛰어난 베이스라인 대비 33.33배 낮은 검색 지연 시간 (retrieval latency)을 달성했습니다. 우리의 온디바이스 실험에서 EPIC은 스트리밍 업데이트 시 29.35 ms/query의 지연 시간을 유지하며 1 MB 미만의 메모리 사용량을 유지합니다.