연구진이 LLM 에이전트의 장기 기억을 이산 의미 표현으로 저장하는 프레임워크 MemCode를 제안했다. 논문에 따르면 LongMemEval-S와 LoCoMo 두 평가에서 GPT-4o-mini와 Qwen3-30B-A3B-Instruct-2507 기반으로 비교한 기법 가운데 전체 정확도가 가장 높았다. 비교 대상에는 LightMem, A-MEM, MemoryOS가 포함됐다.
LongMemEval-S와 LoCoMo에서 GPT-4o-mini와 Qwen3-30B-A3B-Instruct-2507 기반으로 잰 결과, 대화 하나의 기억을 만드는 데 걸리는 시간은 약 40~130초였다. 연구진은 이 구축 시간이 LightMem보다 3~21배 빠르다고 밝혔다. A-MEM과 MemoryOS보다는 10배 넘게 빠르다고 했다. 논문은 2026년 10월 14일 공개됐다.
기존 에이전트 메모리는 대화 조각을 그대로 저장한 뒤 연속 임베딩 공간에서 최근접 이웃 검색으로 꺼내는 방식이 많다. 연구진은 이 방식이 접근 단위가 불안정하고, 논리적으로 연결됐지만 표현이 먼 근거를 체계적으로 놓친다고 지적했다.
MemCode는 먼저 대화를 맥락 없이도 이해되는 독립된 기억 단위로 다시 쓴다. 이어 이 기억 단위를 학습으로 만들어지는 코드 목록(코드북)에 대응시키고, 코드북에서 함께 나타나는 관계의 구조를 벡터 검색을 보완하는 또 다른 검색 경로로 쓴다.
장기 기억 저장소에서는 대화가 들어올 때 바로 기억을 쓰는 작업과, 나중에 따로 기억을 정리하는 작업을 나눠 처리한다.
출처
이 기사는 아래 자료를 바탕으로 정리했습니다. 제목을 누르면 원문이 새 창으로 열립니다.