쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 9월 25일 (금)까지1027건
3건 · "에이전트 메모리"조건 지우기 ×
001당일 +1,607에이전트가 학습하는 장기 메모리 시스템 Hindsight 공개Hindsight는 대화 히스토리 재현이 아닌 에이전트의 지속적 학습을 목표로 설계한 에이전트 메모리 시스템이다.AI · 머신러닝 · vectorize-io/hindsight · Python
에이전트가 학습하는 장기 메모리 시스템 Hindsight 공개
Key Point에이전트가 대화를 단순히 기억하는 것을 넘어 경험으로부터 학습할 수 있게 하는 메모리 시스템이 나왔으며, 기존 방식보다 성능이 훨씬 뛰어난 것으로 검증되었다.
핵심 요약
- Hindsight는 대화 히스토리 재현이 아닌 에이전트의 지속적 학습을 목표로 설계한 에이전트 메모리 시스템이다.
- LongMemEval 벤치마크에서 RAG, 지식 그래프 등 기존 기법을 능가하는 성능을 달성했다.
- Python, Node.js, Go, CLI 등 다양한 SDK를 지원하며, Docker, 베어메탈, 쿠버네티스, 관리형 클라우드 등 여러 배포 옵션을 제공한다.
- 25개 이상의 LLM 제공자(OpenAI, Anthropic, Gemini, Groq 등) 및 로컬 실행 환경(Ollama, LM Studio 등)을 지원한다.
- Virginia Tech와 Washington Post에서 벤치마크 성능을 독립적으로 재현했으며, Fortune 500 기업과 AI 스타트업에서 프로덕션 환경에 활용 중이다.
AI · 머신러닝 · Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents
LLM 에이전트, 과거 경험을 '필요할 때' 꺼내 쓴다
Key Point에이전트 메모리 설계의 근본 패러다임이 바뀌고 있습니다. 쓰기 시점이 아닌 읽기 시점에 정제하는 방식이 실제로 더 나은 성능을 내는 만큼, LLM 에이전트 개발자들은 메모리 아키텍처를 다시 생각해야 합니다.
핵심 요약
- 기존 에이전트 메모리는 작업 완료 후 즉시 내용을 요약·저장하는데, 미래 어떤 질문이 필요할지 미리 알 수 없어 정보 손실이 발생한다.
- 새 논문은 원본 실행 궤적을 그대로 보관했다가 새로운 작업이 들어올 때 '읽기 시점'에 필요한 정보만 정제하는 JitMem(Just-in-Time Memory) 방식을 제안했다.
- 읽기 시점 정제는 현재 작업을 알고 있으므로, 장기간 신호 지연 없이 즉시 학습이 가능하고 관련 작업을 인위적으로 묶을 필요도 없다.
- ALFWorld, WebShop, τ²-bench 세 벤치마크에서 기존 방식 대비 각각 16.2, 16.3, 3.9 포인트 성공률 상승을 기록했다.
- 학습하지 않은 정제기도 기존 방식을 능가했으며, 이는 작업별 맞춤형 읽기 정제 자체가 핵심 성능 요인임을 시사한다.
AI · 머신러닝 · Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents
System One/Two 인지로 AI 에이전트 메모리 최적화
Key Point장시간 작업을 처리하는 AI 에이전트의 성능과 속도가 메모리 관리 효율성에 달려있고, 이 논문이 기존의 비싼 LLM 기반 메모리 시스템을 크게 개선하는 구조를 제시한다.
핵심 요약
- Jev-Mem은 인간의 빠른 사고(System One)와 느린 추론(System Two)을 모방한 AI 에이전트 메모리 아키텍처다.
- System One 제어부가 메모리 타입 지정, 관계 조직화, 쿼리 라우팅, 검색 예산 할당, 그래프 순회, 후보 점수 매김, 적응형 중단을 담당한다.
- System Two는 복잡한 추론과 답변 종합이 필요할 때만 호출되어 LLM 생성 비용을 줄인다.
- 기존 방식은 메모리 작업의 모든 단계에서 LLM을 사용해 비효율적이었다.
- LoCoMo 벤치마크에서 점수 0.777(기준 대비 11% 향상), 메모리 구성 시간 158초(6.6배 가속), 평균 쿼리 지연 0.93초(36.7% 감소)를 달성했다.