cs.AI 분야 arXiv 추천 요청: LLM 에이전트를 위한 파편 기반 메모리 시스템 'Memento'

작성자가 기술적 피드백을 요청하며 arXiv 추천을 구하고 있으며, 파편 기반 접근 방식에 대한 관심이 확인됐다.

• 긴 문서 단위의 RAG 대신 문장 단위의 파편화(Atomic Fragments)를 고려해 볼 것
• 메모리에 유형(Type)을 부여하여 검색 시 필터링 효율을 높일 것
• 비동기 처리를 통해 에이전트의 응답 지연 시간을 최소화할 것

에빙하우스 망각 곡선(Ebbinghaus's Forgetting Curve)

— 시간이 지남에 따라 학습한 정보가 잊혀지는 속도를 나타내는 가설이다. Memento 시스템에서는 이 곡선을 모델링하여 메모리 파편의 중요도나 감쇠율을 결정하는 데 활용하여 생물학적 기억 메커니즘을 모방한다.

상호 순위 결합(Reciprocal Rank Fusion (RRF))

— 여러 검색 알고리즘의 결과를 하나의 순위 목록으로 통합하는 기법이다. Memento는 Redis, PostgreSQL GIN, pgvector HNSW 등 서로 다른 검색 계층의 결과를 효과적으로 병합하여 검색 정확도를 높이는 데 사용한다.

계층적 탐색 가능 작은 세상(Hierarchical Navigable Small World (HNSW))

— 고차원 벡터 데이터에서 근사 근접 이웃(ANN)을 빠르게 찾기 위한 그래프 기반 인덱싱 알고리즘이다. 대규모 메모리 파편들 사이에서 유사한 맥락을 실시간으로 검색하는 데 필수적인 기술이다.

모델 컨텍스트 프로토콜(Model Context Protocol (MCP))

— AI 모델이 외부 데이터 소스나 도구와 표준화된 방식으로 상호작용할 수 있게 해주는 개방형 표준이다. Memento는 이 프로토콜을 통해 다양한 LLM 에이전트 환경에 메모리 시스템을 쉽게 통합할 수 있도록 설계됐다.