에이전트 메모리 이해하기

AI 에이전트가 세션 간에 기억을 유지하는 방식은 크게 세 가지 형태로 구분된다. 큐레이션된 Markdown 파일을 사용하는 File-based 방식, 데이터를 자동 추출하여 저장하는 Structured store 방식, 그리고 모델의 가중치에 직접 학습시키는 Experience architecture 방식이다.

File-based 메모리는 구현이 간단하지만, Structured store는 데이터 간의 관계를 그래프나 엔티티 중심으로 연결하여 더 정교한 관리가 가능하다. 특히 Structured 방식은 '장소(Place)' 중심과 '엔티티 및 시간(Entity-and-time)' 중심의 두 가지 계보로 나뉘며, 각각의 정확도와 비용 효율성이 다르다.

성능 검증은 다음과 같은 벤치마크를 통해 이루어졌다:

• LongMemEval: 메모리 저장 방식에 따른 정확도와 비용(Cost)을 측정.
• Agentic Benchmarks (ALFWorld, WebShop): 에이전트가 실제 환경에서 기억을 활용해 작업을 성공적으로 수행하는지 평가.

연구 결과, 각 메모리 형태는 용도에 따른 명확한 트레이드오프를 가진다. File-based 방식은 특정 작업에 강점이 있는 반면, LoCoMo와 같은 경험 기반 방식은 모델의 가중치에 메모리를 통합함으로써 더 높은 성능을 목표로 한다.