AI 에이전트의 지속 학습을 위한 메모리 중심 프레임워크

핵심 요약

• 기초 모델 기반 자율 에이전트는 추론·계획·도구 사용은 가능하지만 고정된 가중치와 컨텍스트 제한으로 장기 배포 중 경험 학습이 제약된다.
• 외부 메모리 시스템은 대부분 수동적 검색 캐시 역할만 하며 저장된 사실이나 과거 상호작용 회상 여부만 평가되고 있다.
• 메모리가 진정한 지속 학습을 가능하게 하는지는 미해결 과제다.
• 이 논문은 메모리를 검색 내용이 아니라 미래 행동 개선 여부로 평가해야 한다고 주장하며 메모리 중심 지속 학습(MCCL) 프레임워크를 제시한다.
• 첫째, 3축 분류법으로 메모리를 상태 저장 위치(기판), 표현 형태(자산), 관리 방식(정책)으로 체계화하며, 내부 루프에서 메모리 상태를 업데이트하고 외부 루프에서 작업 피드백 기반 정책을 개선하는 이중 루프 생명주기를 정의한다.
• 둘째, 평가 프로토콜이 간섭 하에서의 보유력, 변화 적응력, 작업 이전을 측정해 단순 컨텍스트 확장이 아닌 진정한 행동 개선을 분리한다.
• 셋째, 메모리 스케일링 프레임워크가 경험·저장 용량·계산 예산에 따라 비모수 및 모수 메모리 간 에이전트 성능 스케일링을 모델링한다.
• 이들 요소를 종합하면 에이전트 메모리를 수동적 검색에서 연속 학습으로 재정의하며 자동 개선되는 자율 에이전트로 나아가는 원리적 경로를 제공한다.