Hands-On AI Engineering: 메모리 탑재 연구 보조 에이전트 구현 패턴
1. 개요
Sumanth077/Hands-On-AI-Engineering 레포지토리의 구현 사례를 바탕으로 한, 지속성 메모리(Persistent Memory)를 탑재한 연구 보조 에이전트(Research Assistant Agent)의 아키텍처 및 구현 패턴입니다. 에이전트가 탐색 과정을 수행하면서 획득한 중간 지식을 보존하고 중복 탐색을 방지하는 실천적인 메모리 결합 설계 방식을 제시합니다.
2. 메모리 기반 에이전트 구조
이 설계 패턴은 단발성 프롬프트-답변 구조에서 탈피하여 에이전트가 상태(State)와 이전 작업 기록을 메모리에 누적하는 구조를 지향합니다.
graph TD User([사용자 질의]) --> Agent[연구 에이전트 Core] Agent --> MemoryLoad[메모리 엔진: 과거 Context 로드] MemoryLoad --> Planner[실행 플래너] Planner --> Exec[도구 실행: WebSearch / Read] Exec --> MemorySave[새 지식 추출 및 메모리 저장/업데이트] MemorySave --> Deduplication[중복 제거 및 지식 합성] Deduplication --> FinalAnswer[최종 요약 및 보고]
3. 기술적 구현 스케치 (Python)
메모리 컨텍스트를 유지하며 연구 및 웹 서치를 자율 수행하는 에이전트 파이프라인의 핵심 구조는 다음과 같습니다.
import os
from typing import List, Dict
class AgentMemory:
"""에이전트의 이전 작업 컨텍스트와 수집된 지식을 관리하는 메모리 클래스"""
def __init__(self):
self.history: List[Dict] = []
self.collected_facts: List[str] = []
def add_history(self, action: str, result: str):
self.history.append({"action": action, "result": result})
def add_fact(self, fact: str):
if fact not in self.collected_facts: # 기초 중복 검사
self.collected_facts.append(fact)
def get_context(self) -> str:
history_str = "\n".join([f"- Action: {h['action']}\n Result: {h['result'][:200]}..." for h in self.history[-3:]])
facts_str = "\n".join([f"- {f}" for f in self.collected_facts])
return f"### Recent Actions:\n{history_str}\n\n### Collected Facts:\n{facts_str}"
class ResearchAssistant:
def __init__(self, memory: AgentMemory):
self.memory = memory
def step(self, task: str):
# LLM 프롬프트에 현재까지 수집된 메모리 컨텍스트 주입
context = self.memory.get_context()
prompt = f"""
당신은 온디바이스/웹 연구 보조 에이전트입니다.
수행할 태스크: {task}
[현재까지 수집된 지식 및 실행 로그]
{context}
다음 행동(Search, Read, Finalize)과 인자를 JSON 형식으로 반환하세요.
예: {{"action": "Search", "arg": "LiteRT NPU 가속"}}
"""
# response = call_llm(prompt)
# return parse_json(response)
# 실전 사용례
memory = AgentMemory()
agent = ResearchAssistant(memory)
# 루프 내에서 agent.step()을 실행하며 memory.add_fact() 및 add_history() 갱신4. 실전 적용 포인트
- 중복 검색 제어: 동일 키워드에 대해 여러 번
WebSearch를 수행하지 않도록,AgentMemory에 이미 검색한 키워드 목록을 보존하여 LLM의 플래닝 과정에서 제외시킵니다. - 컨텍스트 윈도우 최적화: 수집된 텍스트가 거대해질 경우, 원문을 메모리에 다 넣지 않고
ExtractFact에이전트 단계를 거쳐 **구조화된 1줄 핵심 사실(Atomic Claims)**로 축소한 뒤 메모리에 삽입합니다.