기억은 인출되는 것이 아니라 재구성된다: LLM 에이전트를 위한 그래프 메모리

초록

최근의 진전에도 불구하고, LLM 에이전트는 긴 상호작용 이력에 대한 추론에서 여전히 어려움을 겪고 있다. 현재의 메모리 증강 에이전트는 정적인 검색 후 추론(retrieve-then-reason) 패러다임에 의존하지만, 이러한 경직된 파이프라인 설계는 추론 과정에서 발견된 중간 증거에 따라 메모리 접근을 동적으로 적응시키지 못하게 한다. 이러한 한계를 극복하기 위해, 우리는 연관 메모리 그래프(associative memory graph)와 능동 재구성 메커니즘(active reconstruction mechanism)을 결합한 프레임워크인 MRAgent를 제안한다. 우리는 메모리를 큐-태그-내용(Cue-Tag-Content) 그래프로 표현하며, 여기서 연관 태그는 세분화된 큐와 메모리 내용을 연결하는 의미적 다리 역할을 한다. 이 구조를 기반으로 작동하는 능동 재구성 메커니즘은 LLM 추론을 메모리 접근에 직접 통합하여, 에이전트가 축적된 증거에 따라 검색 경로를 반복적으로 탐색하고 가지치기할 수 있게 한다. 이를 통해 메모리 검색이 추론 맥락에 동적으로 적응하면서도, 제약 없는 확장으로 인한 조합적 폭발을 방지한다. LoCoMo 벤치마크와 LongMemEval 벤치마크 실험 결과, 강력한 기준 모델 대비 최대 23%의 유의미한 성능 향상을 보였으며, 토큰 및 실행 시간 비용을 상당히 절감하여 장기 메모리 추론을 위한 능동적이고 연관적인 재구성의 효과를 입증하였다.

English

Despite recent progress, LLM agents still struggle with reasoning over long interaction histories. While current memory-augmented agents rely on a static retrieve-then-reason paradigm, this rigid pipeline design prevents them from dynamically adapting memory access to intermediate evidence discovered during inference. To bridge this gap, we propose MRAgent, a framework that combines an associative memory graph with an active reconstruction mechanism. We represent memory as a Cue-Tag-Content graph, where associative tags serve as semantic bridges connecting fine-grained cues to memory contents. Operating on this structure, our active reconstruction mechanism integrates LLM reasoning directly into memory access, allowing the agent to iteratively explore and prune retrieval paths based on accumulated evidence. This ensures that memory retrieval is dynamically adapted to the reasoning context while avoiding combinatorial explosion caused by unconstrained expansion. Experiments on the LoCoMo benchmark and LongMemEval benchmark demonstrate significant improvements over strong baselines (up to 23%), while substantially reducing token and runtime cost, highlighting the effectiveness of active and associative reconstruction for long-horizon memory reasoning.