에이전트 메모리의 해부: 평가 및 시스템 한계에 대한 분류 체계와 실증적 분석

에이전트형 메모리(Agentic memory) 시스템은 대형 언어 모델(LLM) 에이전트가 긴 상호작용 전반에 걸쳐 상태를 유지할 수 있게 하며, 고정된 컨텍스트 창(Context window)을 넘어 장기 추론(Long-horizon reasoning)과 개인화를 지원합니다. 급격한 아키텍처 발전에도 불구하고, 이러한 시스템의 실증적 토대는 여전히 취약합니다. 기존 벤치마크는 자주 규모가 미달(underscaled)되고, 평가 지표는 의미론적 유용성(semantic utility)과 일치하지 않으며, 성능은 백본 모델(backbone model)에 따라 크게 달라지고, 시스템 수준의 비용은 빈번하게 간과됩니다. 본 서베이는 아키텍처와 시스템 관점 모두에서 에이전트형 메모리에 대한 구조적 분석을 제시합니다. 먼저 네 가지 메모리 구조를 기반으로 한 MAG 시스템의 간결한 분류 체계(taxonomy)를 도입합니다. 그런 다음 벤치마크 포화 효과(benchmark saturation effects), 지표 유효성 및 평가자 민감도(metric validity and judge sensitivity), 백본 의존적 정확도, 그리고 메모리 유지로 인해 발생하는 지연 시간(latency) 및 처리량(throughput) 오버헤드를 포함하여 현재 시스템을 제한하는 주요 고충점(pain points)을 분석합니다. 메모리 구조를 실증적 한계와 연결함으로써, 본 서베이는 왜 현재의 에이전트형 메모리 시스템이 이론적 약속에 미치지 못하는 경우가 많은지 명확히 하고, 더 신뢰할 수 있는 평가와 확장 가능한 시스템 설계를 위한 방향을 개략적으로 설명합니다.