저장에서 경험으로: LLM 에이전트 메모리 메커니즘의 진화에 대한 서베이

초록

대규모 언어 모델(LLM) 기반 에이전트는 외부 도구 통합과 계획 능력을 통해 인공지능의 근본적인 변화를 이끌어 왔다. 메모리 메커니즘은 이러한 시스템의 구조적 초석으로 자리 잡았지만, 현재 연구는 운영체제 공학과 인지과학 사이를 오가며 단편적으로 진행되고 있다. 이러한 이론적 간극은 기술 융합에 대한 통일된 관점과 일관된 진화적 전망을 저해한다. 이러한 격차를 해소하기 위해 본 설문조사는 LLM 에이전트 메모리 메커니즘에 대한 새로운 진화적 프레임워크를 제안하며, 개발 과정을 저장(궤적 보존), 반성(궤적 세분화), 경험(궤적 추상화)의 세 단계로 공식화한다. 먼저 이 세 단계를 공식적으로 정의한 후, 이러한 진화를 주도하는 세 가지 핵심 동인(장기적 일관성의 필요성, 동적 환경에서의 도전 과제, 지속적 학습이라는 궁극적 목표)을 분석한다. 나아가 최전선인 경험 단계의 두 가지 변혁적 메커니즘, 즉 능동적 탐색과 교차 궤적 추상화를 구체적으로 탐구한다. 이러한 서로 다른 관점을 종합함으로써, 본 연구는 차세대 LLM 에이전트 개발을 위한 강력한 설계 원칙과 명확한 로드맵을 제공한다.

English

Large Language Model (LLM)-based agents have fundamentally reshaped artificial intelligence by integrating external tools and planning capabilities. While memory mechanisms have emerged as the architectural cornerstone of these systems, current research remains fragmented, oscillating between operating system engineering and cognitive science. This theoretical divide prevents a unified view of technological synthesis and a coherent evolutionary perspective. To bridge this gap, this survey proposes a novel evolutionary framework for LLM agent memory mechanisms, formalizing the development process into three stages: Storage (trajectory preservation), Reflection (trajectory refinement), and Experience (trajectory abstraction). We first formally define these three stages before analyzing the three core drivers of this evolution: the necessity for long-range consistency, the challenges in dynamic environments, and the ultimate goal of continual learning. Furthermore, we specifically explore two transformative mechanisms in the frontier Experience stage: proactive exploration and cross-trajectory abstraction. By synthesizing these disparate views, this work offers robust design principles and a clear roadmap for the development of next-generation LLM agents.