일간 논문

메모리는 AI 에이전트에게 매우 중요하지만, 널리 채택된 정적 메모리는 사전에 즉시 사용 가능한 메모리를 생성하려는 목적으로 심각한 정보 손실을 피할 수 없다. 이러한 한계를 해결하기 위해, 우리는 일반 에이전트 메모리(GAM)라는 새로운 프레임워크를 제안한다. GAM은 "적시 컴파일(JIT)" 원칙을 따르며, 오프라인 단계에서는 단순하지만 유용한 메모리만 유지하면서 런타임에 클라이언트를 위한 최적화된 컨텍스트를 생성하는 데 초점을 맞춘다. 이를 위해 GAM은 다음과 같은 구성 요소로 이루어진 듀오 디자인을 채택한다. 1) 메모라이저(Memorizer): 경량 메모리를 사용하여 주요 역사적 정보를 강조하면서, 보편적인 페이지 저장소 내에 완전한 역사적 정보를 유지한다. 2) 리서처(Researcher): 사전 구축된 메모리의 지도를 받아 페이지 저장소에서 유용한 정보를 검색하고 통합하여 온라인 요청에 대응한다. 이 디자인은 GAM이 최첨단 대형 언어 모델(LLM)의 에이전트 능력과 테스트 시 확장성을 효과적으로 활용할 수 있게 하며, 강화 학습을 통한 종단 간 성능 최적화도 가능하게 한다. 우리의 실험 연구에서 GAM은 기존 메모리 시스템 대비 다양한 메모리 기반 작업 완료 시나리오에서 상당한 개선을 달성함을 보여준다.