arXiv:2610.33274v1 발표 유형: 신규
요약: 대규모 언어 모델(LLM) 에이전트는 각기 다른 메모리 요구 사항을 갖는 다양한 시나리오에서 작동합니다. 과거 대화에 관한 질문에는 해당 질문이 명시한 정확한 사실이 필요하며, 다단계 작업에서는 이미 수행된 단계들의 흐름과 다음 단계에서 명시할 수 없는 세부 정보가 함께 필요합니다. 기존의 메모리는 각각 특정 유형의 시나리오에 맞춰 설계되고 검증되어 왔습니다. A-Mem과 같은 검색형 메모리는 현재 쿼리에서 표현되지 않은 단계를 놓칠 수 있고, 요약형 메모리는 정확한 문자열을 누락하는 문제가 있습니다. 또한 두 가지 방식을 결합하면 예산 분할 문제를 미리 해결할 수 있지만, 이는 여전히 한계가 존재합니다. 우리는 FlexA-Mem을 제안합니다. 이는 모든 역사적 기록을 변경 불가능한 저장소에 한 번씩 기록하고, 매 호출마다 새로운 메모리를 생성하는 범용 메모리입니다. 생성된 메모리는 간결한 기록 연대표와, LLM 호출 없이도 고정된 규칙에 따라 남은 공간에 맞출 수 있는 세부 정보로 구성됩니다. 여기서 세부 정보는 원문 그대로의 텍스트나 발췌문, 또는 쿼리와 가장 잘 부합하는 원문 조각 등으로 제공됩니다. 하나의 저장소만으로 FlexA-Mem은 두 가지 유형의 시나리오 모두를 지원합니다. AppWorld 챌린지 과제에서 4k 규모의 경우, 두 번째로 우수한 방법보다 11.5% 더 높은 성능을 보이며, 미리 예측이 고정된 147개의 미사용 과제에서는 요약형 메모리인 A-Mem보다 12.2% 높은 성능을 달성합니다. LongMemEval 및 LoCoMo 테스트에서는 메모리를 전혀 작성하지 않는 전용 키워드 검색기와 동등한 성능을 보이는 반면, LLM이 작성한 텍스트를 기반으로 구축된 메모리는 매우 제한된 예산 하에서는 크게 뒤처집니다. 분석 결과에 따르면, 연대표는 AppWorld 완료율을 높이는 데 주로 기여하는 반면, 복구 기능은 주로 해당 시나리오에서 수행된 단계들을 절감하고 정확성은 정확한 사실에 의해 결정됨을 확인할 수 있습니다. 코드는 https://github.com/WujiangXu/Flex-Amem에서 확인하실 수 있습니다.