🧠 에이전트 네이티브 메모리 시스템 평가 및 4대 모듈 아키텍처
AI 에이전트의 장기적 상태 유지와 지식 동기화를 처리하는 외부 메모리 레이어는 RAG를 넘어 persistent 데이터 관리 시스템으로 진화하고 있습니다 (arXiv:2606.24775).
1. 에이전트 메모리 시스템의 4대 핵심 모듈 (Taxonomy $M_{sys} = \langle R, S, Q, U
angle$)
- 표상 및 저장소 (Representation & Storage - )
- 논리 표상: Sequence-level (discrete text tokens, continuous latent vectors), Graph/Tree-level (Temporal Knowledge Graph, Hierarchical Tree), Heterogeneous Composite (plain-text + activation + parametric).
- 물리 저장소: In-context Register (Volatile KV cache), Single-Engine (pgvector, Neo4j, relational SQL), Multi-Engine (LanceDB + IVF-PQ).
- 메모리 추출 (Extraction - )
- 방식: Raw Sequence Concatenation (Overhead 최소화), Schema-Free Semantic Extraction (독립적인 Standalone Fact 추출), Schema-Constrained Structured Extraction (Entity-Relation 트리플 및 JSON 스키마 변형 추출).
- 메모리 검색 및 라우팅 (Retrieval & Routing - )
- 알고리즘: Attention-based (masking), Semantic Dense Retrieval (KNN cosine), Topological Graph Traversal, Autonomous Agentic Routing (Tool-calling, Query Expansion), Multi-Stage Hybrid (Sequential Filtering, Parallel Ensemble).
- 메모리 유지보수 (Maintenance - )
- 하부 연산: Conflict Resolution & Versioning (Chronological ISO-8601 precedence), Capacity Management (Hard eviction, Priority decay), Semantic Consolidation (LLM-based compression, CRUD updates).
2. 실험 평가 결과 및 주요 통찰
- 워크로드별 적합도: 대화형 QA에서는 하이브리드 복합 시스템이 강세를 보이나, 단일 홉 팩트 회수에서는 그래프 기반 모델이 우수함. 단, 그래프 모델은 시간적 추론(Temporal Reasoning)에서 한계를 보임.
- RAG와의 차이: RAG는 passage를 가져오는 정적, 읽기 전용인 반면, 메모리는 시간에 따라 충돌하는 사실을 정합(consistency)하고 업데이트하는 dynamic state management임.
- 환각 전파 방지: 에이전트 메모리 수집 및 업데이트 단계에서 오류가 누적되면 QA 단계의 환각으로 이어지므로, 정교한 라이프사이클 관리 정책이 필요함.
관련 문서: