Hippo, 학습 없이 외부 메모리로 LLM 에이전트 성능 높여

Hippo는 모델 파라미터를 갱신하지 않고 외부 메모리만으로 LLM 에이전트가 경험에서 배우게 하는 메모리 프레임워크다. 논문은 SWE-bench Verified, WebArena, Mind2Web 세 환경에서 모두 성능이 올랐다고 밝혔다.

논문은 2026년 10월 17일 arXiv에 공개됐다. 추가 학습 없이 쓰는 방식이며, 이득은 능력이 서로 다른 여러 기반 모델 전반에서 나타났다. 연구진은 이를 근거로 메모리 기반 적응이 고성능 모델에도 유용하다고 밝혔다.

비교로 경험을 추리는 방식

연구진은 시도 한 번에서 쓸모 있는 경험을 뽑기 어렵다고 짚었다. 잘못된 추론으로도 성공할 수 있고, 실행이 서툴러 좋은 전략이 가려지기도 한다. Hippo는 같은 과제를 여러 번 시도한 결과를 비교해 재사용할 결정과 그 결정이 통하는 조건을 가려낸다. 해마의 선택적 부호화와 재생에서 착안한 구조이며, 부족한 점이 진단될 때 이 비교로부터 학습한다.

이렇게 얻은 경험은 기존 메모리와 대조해 겹치는 내용을 합치고, 충돌은 적용 조건을 명시해 해소한다. 교훈마다 항목을 따로 저장하지 않고도 이전 지침을 고칠 수 있다는 것이 연구진의 설명이다.

단순 누적과의 차이

경험을 정리 없이 쌓기만 하는 기준선은 처음에는 성능이 오르다가 결국 메모리를 쓰지 않는 기준선보다 낮아졌다. Hippo는 이 기준선보다 보관하는 경험의 수도 크게 적었다고 논문은 밝혔다.