Claude의 에이전트 메모리 시스템, 드리밍으로 자기 성찰
원제 The Components of Agent Memory
118 포인트댓글 65

Key Point
메모리 시스템 설계의 고민과 검증 결과를 보여줌으로써, 에이전트 AI가 실제 세계에서 효과적으로 학습하고 작업할 수 있는 방법에 대한 실용적 인사이트를 제공한다.
핵심 요약
- Anthropic이 AI 에이전트의 메모리 시스템 설계 원칙을 공개했다. 인간 뇌의 해마와 신피질 구조처럼, 에이전트는 세션 중 경험을 로그에 기록하고 유휴 시간에 이를 정리하는 '드리밍'을 통해 메모리를 조직화한다.
- Claude는 메모리 노트를 작성해 사건의 중요도를 표시하고, 이는 미래 세션에서 읽을 수 있다. 메모리는 미래 패턴 반복을 예측하는 행위로, 예컨대 검증된 사실을 기록함으로써 향후 다시 확인할 필요가 없다고 예측한다.
- Continual Learning Bench 벤치마크에서 Claude Opus 5.5와 Sonnet 5.5는 메모리를 통해 검증된 규칙을 캡처했고, 기존 방식 대비 약 같은 성능을 유지하며 학습 루프를 완성했다.
- Pokémon Red 게임 테스트에서 Sonnet 3.7은 413개 파일을 생성해 모든 정보를 무분별하게 기록했으나 진행이 느렸고, Fable 5는 9개 파일로 전략·규칙·계획만 선별해 4개 배지를 얻었다. 이는 모델이 중요도 판단(살리언스) 능력을 개선했음을 보여준다.
- 드리밍은 메모리의 잘못을 수정한다. Pokémon에서 Claude가 잘못된 위치 정보를 기록했을 때, 드리밍으로 세션 트랜스크립트와 비교하며 오류를 발견·수정했다.
- 드리밍을 통해 Claude는 위키(wiki) 같은 새로운 메모리 표현을 구축한다. 사내 문서 350,000개(420M 토큰)로 실험했을 때, 2세션에서는 25개 질문 중 13%만 답했으나 128세션 후 48%까지 올랐다.
- 위키는 특히 정보를 여러 문서에서 찾아야 하는 작업에 효과적이다. 합병 관련 24개 질문 테스트에서 위키만 사용 시 87% vs 검색만 사용 시 73%의 성능을 보였다.
- 드리밍은 자주 접근하는 메모리를 계층 상단으로 승격시켜 매 세션마다 자동으로 로드되게 한다. 다만 주입된 메모리는 토큰을 소비하고 오류 전파 위험이 있어 신중히 관리해야 한다.
- 드리밍은 메모리 성장을 특정 목표에 맞춰 형성한다. LAB 벤치마크 계약 분석 작업에서 초기 지시만으로는 57개 사실 중 41개(72%)만 위키에 들어갔으나, Claude의 실패 반성을 거쳐 지시를 개선하자 100%로 올랐다.
- 드리밍은 여러 세션에서의 패턴을 찾아 간격을 채운다. 위키 두 번째 드리밍 패스에서 생성되지 않은 페이지로의 링크 9개를 기존 페이지로 재연결하고 3개 새 페이지를 추가했다.
- 메모리 시스템의 미결 과제로 메모리 생성 시점(작업 중 vs 백그라운드), 메모리 최신성 유지, 드리밍 빈도 조정 등이 남아 있다. 모든 메모리를 지속 확인하는 것은 비실용적이므로 자주 접근하는 정보에 집중해야 한다.
- 드리밍과 검색을 결합하면 효율성이 높아진다. 검색과 위키를 함께 사용했을 때 54%에서 61%로 성능이 오르고 질문당 약 20,000 토큰을 절약했다.