하이브리드 구조를 통한 에이전트 메모리의 진화 및 검색을 위한 새로운 메모리 메커니즘 H-Mem

메모리 데이터는 Large Language Model (LLM) 기반 에이전트(예: OpenClaw 및 Manus)에서 어디에나 존재합니다. 최근 몇몇 연구들이 질의응답 (QA) 작업에서 성능을 향상시키기 위해 에이전트의 메모리를 활용하려고 시도했으나, 메모리 데이터가 시간이 지남에 따라 어떻게 진화하는지 모델링하고 메모리 데이터를 효과적으로 검색하기 위한 원칙적인 메커니즘이 부족하여 메모리 활용 성능이 저하되는 문제가 있었습니다. 이러한 공백을 메우기 위해, 우리는 장기간에 걸친 에이전트 메모리의 진화를 효과적으로 모델링할 수 있을 뿐만 아니라 효율적인 메모리 검색 방식도 제공할 수 있는 하이브리드 구조를 통한 새로운 메모리 메커니즘인 H-Mem을 제안합니다. 특히, H-Mem은 단기 메모리 데이터가 점진적으로 장기 메모리 데이터로 진화할 수 있도록 하는 시간적 및 의미적 트리 구조 (temporal and semantic tree structure)를 구축하며, 여기서 장기 메모리는 단기 메모리에 대한 요약된 정보를 제공합니다. 동시에 메모리 내 엔티티 (entity) 간의 관계를 포착하기 위한 지식 그래프 (knowledge graph)를 구축합니다. 또한, 트리 구조와 그래프 구조의 하이브리드 구조를 활용하여 효과적인 메모리 검색 방식을 제공합니다. 세 가지 에이전트 메모리 벤치마크에 대한 광범위한 실험 결과, H-Mem은 QA 작업에서 최첨단 (state-of-the-art) 성능을 달성함을 보여주었습니다.