LLM 에이전트(LLM agents)는 긴 상호작용 이력에 걸쳐 지속적인 추론을 요구하는 장기 작업(long-horizon tasks)에 점점 더 많이 배치되고 있습니다. 이를 대규모로 실현하기 위해서는 에이전트가 세션 전반에 걸쳐 자신의 메모리를 지속적으로 저장, 검색 및 업데이트해야 합니다. 평면적 검색(flat retrieval), LLM 매개 추출(LLM-mediated extraction), 통합된 사실 저장소(consolidating fact stores), 에이전트 제어 흐름(agentic control flows)에 이르는 에이전트 메모리 시스템의 풍부한 생태계가 등장했습니다. 그러나 이들의 시스템 수준(system-level) 동작은 아직 특성화되지 않은 상태입니다. 본 논문에서는 에이전트 메모리에 대한 최초의 시스템 특성 분석(systems characterization)을 제시합니다. 첫째, 네 가지 축을 따라 에이전트 메모리 시스템을 분류하는 시스템 지향적 분류 체계(system-oriented taxonomy)를 도입합니다. 둘째, 구축(construction), 검색(retrieval), 생성(generation)에 대한 비용을 할당하는 단계 인식 프로파일링 하네스(phase-aware profiling harness)를 구축합니다. 셋째, 두 가지 벤치마크 제품군(benchmark suites)에 걸쳐 10개의 대표적인 시스템을 특성화하여, 설계 선택이 쓰기(write) 및 읽기(read) 경로 전반에서 비용을 어떻게 변화시키는지 밝혀냅니다. 마지막으로, 구축 스케줄링(construction scheduling), 역량 하한선(capability floors), 쿼리 볼륨을 통한 비용 분할(amortization via query volume), 신선도-지연 시간 트레이드오프(freshness-latency tradeoffs), 그리고 플릿 규모 관리(fleet-scale management)를 다루는 10가지 시스템 권장 사항을 도출합니다.