Memora: 추상화와 구체성의 균형을 맞춘 조화로운 메모리 표현 방식

현재의 AI 에이전트는 과거 상호작용을 기억하지 못하는 Stateless 특성 때문에 장기적인 프로젝트를 수행할 때 효율성이 급격히 떨어집니다. 기존의 RAG 방식은 원문 조각을 인덱싱하고, Mem0 같은 시스템은 원자적 사실을 추출하지만, 정보의 구체성(Specificity)과 추상화(Abstraction) 사이의 트레이드오프를 해결하지 못한다는 한계가 있습니다.

Memora는 저장되는 내용(Rich memory content)과 검색되는 방식(Lightweight abstractions)을 분리하여 이 문제를 해결합니다. 이를 통해 에이전트는 프로젝트 타임라인이나 복잡한 논의 내용과 같은 풍부한 정보를 유지하면서도, 필요한 시점에 효율적으로 정보를 불러올 수 있습니다.

Memora의 주요 성과는 다음과 같습니다:

• LoCoMo 및 LongMemEval 벤치마크에서 새로운 SOTA(State-of-the-art) 달성
• Mem0, RAG, Full-context inference 대비 우수한 성능 기록
• 기존 방식 대비 컨텍스트 토큰 사용량을 최대 98% 절감

이 프레임워크는 ICML 2026에서 발표되었으며, 오픈 소스로 공개되어 AI 에이전트의 확장성 문제를 해결할 대안으로 주목받고 있습니다.