쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 9월 30일 (수)까지1383건
2건 · "엔티티 링킹"조건 지우기 ×
001▲ 22 · 댓글 1엔티티 기반 코퍼스 맵으로 문서 검색 효율 높인다여러 문서에 흩어진 정보를 연결해야 하는 질문이나 작업 완료 시 LLM 에이전트가 전체 코퍼스를 반복 검색하는 방식은 비효율적이고 토큰을 많이 소비한다.AI · 머신러닝 · Follow the Entities: A Corpus Map for Agentic Search
엔티티 기반 코퍼스 맵으로 문서 검색 효율 높인다
Key PointLLM 에이전트 기반 문서 검색 시 엔티티 그래프를 활용하면 반복적인 재검색을 줄이고 더 효율적으로 증거를 연결할 수 있다는 점이 실무 기반 추론 시스템에 영향을 미칠 수 있다.
핵심 요약
- 여러 문서에 흩어진 정보를 연결해야 하는 질문이나 작업 완료 시 LLM 에이전트가 전체 코퍼스를 반복 검색하는 방식은 비효율적이고 토큰을 많이 소비한다.
- 연구팀이 제안한 CorpusMap은 코퍼스를 엔티티(개체)를 중심으로 조직화하는 네비게이션 레이어로, 문서에서 자동 추출한 반복되는 엔티티를 Entity Page로 표현한다.
- 각 Entity Page는 해당 엔티티에 대한 정보를 모으고 그 엔티티를 언급하는 모든 문서로 링크를 연결해 엔티티-문서 간 그래프를 구성한다.
전체 요약 6문장 읽기 →AI · 머신러닝 · mem0ai/mem0 · Python
AI 에이전트용 메모리 인프라 Mem0, 토큰 효율성 47% 향상
Key PointAI 에이전트가 사용자 정보를 효과적으로 기억하고 활용하는 것이 LLM 기반 서비스의 핵심인데, 이 업데이트는 토큰 비용을 유지하면서 성능을 30% 이상 끌어올렸기 때문에 생산 환경 배포를 고민하는 팀이 참고할 만하다.
핵심 요약
- Mem0는 AI 에이전트와 애플리케이션을 위한 지속적인 메모리 계층을 제공하는 오픈소스 프로젝트로, 사용자 선호도와 세션·에이전트 상태를 학습해 개인화된 상호작용을 가능하게 한다.
- 2026년 4월 업데이트된 새로운 메모리 알고리즘은 LoCoMo에서 71.4점에서 92.5점으로, LongMemEval에서 67.8점에서 94.4점으로 성능을 향상시켰다.
- 단일 LLM 호출로 동작하는 ADD-only 추출 방식을 도입해 메모리를 누적시키면서도 6.7~6.9K 토큰으로 낮은 레이턴시(0.88~1.09초)를 유지한다.
전체 요약 11문장 읽기 →