PlugMem: 원시 에이전트 상호작용을 재사용 가능한 지식으로 전환

AI 에이전트는 긴 상호작용 기록을 쌓을수록 오히려 쓰기 어려워진다. 관련 없는 내용이 함께 섞여 검색 비용이 커지고, 필요한 순간에 정확한 정보를 꺼내 쓰기 어려워지기 때문이다.

PlugMem은 이런 문제를 해결하기 위해 원시 상호작용을 그대로 저장하지 않고, facts와 skills로 정리된 구조화된 지식으로 바꾼다. 대화, 문서, 웹 세션 같은 기록을 propositional knowledge와 prescriptive knowledge로 변환해 memory graph에 쌓고, 현재 과제와 맞는 지식만 골라 다시 쓸 수 있게 만든다.

구성은 세 단계다.

• Structure: 원시 상호작용을 표준화해 사실과 재사용 가능한 기술로 변환한다.
• Retrieval: 긴 텍스트 조각이 아니라 현재 작업에 맞는 지식 단위를 검색한다.
• Reasoning: 가져온 지식을 짧고 실행 가능한 지침으로 압축해 에이전트 컨텍스트에 넣는다.

저자들은 이 접근이 인지과학의 구분, 즉 사건을 기억하는 것과 사실·기술을 아는 것은 다르다는 점에서 출발했다고 설명한다. 기억의 목적은 과거를 보관하는 데 그치지 않고, 다음 행동에 필요한 지식으로 바꾸는 데 있다는 것이다.

성능 평가는 서로 다른 메모리 요구를 가진 3개 벤치마크에서 이뤄졌다.

• 긴 다중 턴 대화에서 질문에 답하기
• 여러 Wikipedia 문서에 걸친 사실 찾기
• 웹을 탐색하며 의사결정하기

결과적으로 PlugMem은 범용 retrieval 방식과 태스크 특화 메모리 설계보다 일관되게 뛰어났고, 동시에 더 적은 memory token budget을 사용했다. 저자들은 메모리의 크기보다, 필요한 정보를 적시에 얼마나 유용하게 전달하는지가 더 중요하다고 본다.

이를 위해 정보의 양이 아니라 utility와 컨텍스트 소비량을 함께 보는 지표도 제안했다. 이 기준에서도 PlugMem은 다른 방법보다 더 많은 의사결정 관련 정보를 더 적은 컨텍스트로 제공했으며, 이는 원시 로그를 그대로 저장·검색하는 방식보다 경험을 지식으로 바꾸는 방식이 더 효율적임을 보여준다.

PlugMem은 특정 작업 하나에만 맞춘 메모리 모듈이 아니다. 대화형 에이전트, 지식 검색, 웹 에이전트 등 다양한 설정에 붙일 수 있는 general-purpose memory layer로 설계됐으며, 태스크 특화 기법과 함께 쓰면 추가 성능 향상도 얻을 수 있다.

코드와 실험 결과는 GitHub에 공개돼 있어 재현과 후속 연구가 가능하다.