딥 리서치를 통한 범용 에이전트 메모리(GAM) 프레임워크 제안

섹션별 상세

기존 AI 에이전트의 정적 메모리 시스템은 사전에 메모리를 구축하는 과정에서 중요한 세부 정보를 잃어버리는 정보 손실 문제를 겪는다. GAM은 이를 극복하기 위해 런타임에 필요한 정보를 동적으로 구성하는 JIT(Just-In-Time) 컴파일 개념을 메모리 관리에 도입했다.

GAM의 핵심 구성 요소인 Memorizer는 가벼운 메모리를 사용하여 주요 이력 정보를 하이라이트하는 동시에, 전체 이력 데이터는 범용 페이지 저장소(Universal Page-store)에 온전히 보관한다. 이는 메모리 용량 제한과 정보 보존 사이의 균형을 맞추는 역할을 한다.

Researcher 컴포넌트는 온라인 요청이 발생했을 때 사전 구축된 메모리의 가이드를 받아 페이지 저장소에서 유용한 정보를 검색하고 통합한다. 이 과정에서 최신 LLM의 에이전트 추론 능력과 테스트 시간 확장성(Test-time Scalability)을 활용하여 최적의 컨텍스트를 생성한다.

GAM 프레임워크는 강화학습(Reinforcement Learning)을 통해 성능을 엔드투엔드로 최적화할 수 있도록 설계되었다. 실험 결과, 다양한 메모리 기반 작업 수행 시나리오에서 기존 메모리 시스템 대비 성능이 대폭 향상되었음을 입증했다.

용어 해설

적시 컴파일(JIT Compilation): — 프로그램이 실행되는 시점에 코드를 기계어로 번역하는 기법이다. 이 아티클에서는 오프라인에서 메모리를 미리 확정하지 않고, 런타임 요청에 맞춰 최적의 컨텍스트를 동적으로 생성하는 메모리 관리 방식을 비유한다.
테스트 시간 확장성(Test-time Scalability): — 모델이 추론(테스트) 단계에서 더 많은 계산 자원이나 시간을 투입할수록 성능이 향상되는 특성이다. GAM은 최신 LLM의 이러한 능력을 활용하여 복잡한 메모리 검색 및 통합 과정을 수행한다.
강화학습(Reinforcement Learning): — 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동을 학습하는 머신러닝 방법론이다. GAM 프레임워크 내에서 메모리 관리와 검색 프로세스를 엔드투엔드로 최적화하는 데 사용된다.
컨텍스트 윈도우(Context Window): — LLM이 한 번의 추론 과정에서 처리할 수 있는 입력 데이터의 최대 범위이다. 효율적인 메모리 시스템은 방대한 이력 데이터 중 이 윈도우 내에 들어갈 최적의 정보만 선별하여 주입하는 역할을 한다.

기술

Large Language Models
Reinforcement Learning
General Agentic Memory (GAM)

활용 사례

장기 대화 유지 챗봇
복잡한 다단계 추론 에이전트
대규모 문서 기반 지식 검색 시스템

언급된 리소스

논문General Agentic Memory Via Deep Research (arXiv:2511.18423)

문서PDF Full-text