LLM 에이전트의 장기 기억을 상태 중심으로 진화시키는 EvoMemState

핵심 요약

• LLM 에이전트가 사용자와의 상호작용에서 사용자 정보를 유지하는 장기 기억 능력을 개선하기 위해 EvoMemState 프레임워크를 제안한다.
• 기존 시스템은 기억을 독립적인 사실로 관리하지만, 새로운 사실이 이전 정보를 어떻게 업데이트·제약·충돌하는지 간과하고 현재 요청에서의 적용 가능성을 명시하지 않는다.
• EvoMemState는 고정된 사실에 관계 상태(사실 간 유효성과 관계 변화)와 추론 상태(현재 요청에 대한 사실 적용 방식)를 추가하는 상태 중심 방식을 취한다.
• 온톨로지 기반 메모리 상태 유도 컴포넌트는 지속적 사실을 추출하고 유효성·범위·진화하는 관계를 유지하는 관계 상태를 구성한다.
• 강화학습 기반 상태 진화 컴포넌트는 기억 사용 경험으로부터 정책을 학습하여 요청 특화 추론 상태를 생성한다.
• 상태 인식 추론 컴포넌트는 관련 사실과 그 관계 상태, 생성된 추론 상태를 결합하여 개인 에이전트의 의사결정을 안내한다.
• 장기 대화 및 메모리 활용 벤치마크에서 기존 메모리 시스템 대비 검색 완전성과 메모리 기반 응답 정확도에서 일관된 개선을 보였다.
• 코드와 구현 상세 내용은 GitHub에 공개되어 있다.