1. 문제 정의 (Problem Statement)

대형 언어 모델 (LLM) 이 상태 없는 챗봇에서 자율적 에이전트 (Autonomous Agents) 로 진화함에 따라 **'거버넌스 격차 (Governance Gap)'**라는 치명적인 한계에 직면해 있습니다.

• 기존 RAG 의 한계: 표준 검색 증강 생성 (RAG) 은 메모리를 수동적인 저장소 (Passive Storage Bucket) 로 간주합니다. 이로 인해 다음과 같은 문제가 발생합니다.
  • 모순된 사실의 혼재: 에이전트가 과거의 충돌하는 정보 (예: 2024 년 '미혼' vs 2025 년 '기혼') 를 동시에 검색하여 **메모리 환각 (Memory Hallucination)**을 유발합니다.
  • 컨텍스트 오염: 시간이 지남에 따라 구식 사실 ('Zombie Memories') 이 컨텍스트 윈도우를 오염시켜 장기 작업 수행 시 신뢰성을 떨어뜨립니다.
  • 수동적 관리: 기존 시스템 (MemGPT, MemOS 등) 은 메모리를 단순히 기록하거나 압축하는 데 그쳐, 상태 모순 해결, '잊힐 권리 (Right-to-be-Forgotten)' 준수, 또는 유용성에 따른 능동적 삭제가 불가능합니다.

2. 방법론 (Methodology)

저자들은 MemArchitect를 제안하며, 이는 모델 가중치와 메모리 수명 주기를 분리하는 거버넌스 미들웨어 레이어입니다. 이 시스템은 수동적인 검색을 능동적인 '심판 (Adjudication)'으로 전환하며, 사용자와 에이전트 사이에 '선별 및 입찰 (Triage & Bid)' 경제를 도입합니다. 모든 정보는 컨텍스트 윈도우를 차지하기 위해 경쟁해야 합니다.

핵심 거버넌스 엔진 (4 가지 정책 도메인)

MemArchitect 는 다음 4 가지 핵심 기둥을 기반으로 정책을 실행합니다:

1. 수명 주기 및 위생 (Lifecycle & Hygiene - "Forgetting" Engine)

   • FSRS 감쇠 (FSRS Decay): 단순 지수 감쇠 대신 **자유 간격 반복 스케줄러 (FSRS v4)**를 적용하여 생물학적 망각 곡선을 모방합니다. 회수 가능성 ($R$) 은 안정성 ($S$) 과 시간 ($t$) 에 의존합니다.
   • 엔트로피 기반 통합: 정보 밀도를 모니터링하여, 중복도가 높은 경우 ($R < 0.3$) 는 삭제하고, 희미해지는 에피소드적 기억 ($0.3 \le R \le 0.7$) 은 안정적인 의미적 사실로 압축합니다.

2. 일관성 및 진실 (Consistency & Truth - "Utility" Engine)

   • 칼만 필터 (Kalman Filter) 기반 반성 루프: 각 메모리의 '신뢰 점수 (Trust Score, $U$)'를 추적합니다. 유용한 기억은 관성을 얻고, 환각은 수학적으로 가중치를 낮춥니다.
   • 관련성 판별기 (Veto Gate): 벡터 검색을 통과하더라도 엄격한 함의 (Entailment) 임계값 (0.1 미만) 을 충족하지 못하면 컨텍스트에 포함되지 않도록 차단합니다.

3. 적응형 검색 (Adaptive Retrieval - "Auction" Engine)

   • 다중 홉 분해: 복잡한 쿼리를 하위 질문으로 분해하여 사실을 검색합니다.
   • 적응형 점수 매기기: 쿼리 유형 (사실, 시간적, 추론) 에 따라 검색 가중치를 동적으로 조정합니다. (예: 추론 작업에서는 오래된 기억에 페널티 부여).
   • 헤비안 그래프 확장: "함께 활성화되는 기억은 연결된다"는 원리에 따라, 자주 함께 사용되는 기억들 ($P(B|A) > 0.7$) 을 자동으로 컨텍스트에 포함시킵니다.

4. 효율성 (Efficiency - "Budget" Engine)

   • 적응형 토큰 예산: 검색 신뢰도에 따라 컨텍스트 윈도우를 동적으로 할당합니다. 고신뢰도 검색 시 '추론 예비 (Reasoning Reserve)'를, 저신뢰도 검색 시 '기억 회수 (Recall Reserve)'를 최대화합니다.

작동 사이클

• 읽기 경로 (Read Path): 쿼리 분류 $\rightarrow$ 입찰 및 랭킹 $\rightarrow$ 필터링 및 확장 $\rightarrow$ 토큰 예산 채우기.
• 반성 경로 (Reflect Path): 생성 후 출력 분석을 통해 실제 사용된 기억을 식별하고, 칼만 유틸리티 및 FSRS 안정성 지표를 업데이트합니다.
• 백그라운드 경로 (Background Path): 유휴 시간에 위생 엔진이 작동하여 노이즈를 삭제하고 기억을 통합합니다.

3. 주요 기여 (Key Contributions)

• 패러다임 전환: 메모리를 '저장소'가 아닌 '능동적 심판'이 필요한 자원으로 재정의했습니다.
• 모델 중립성 (Model-Agnostic): 모델 가중치를 수정하지 않고 외부 레이어로만 작동하여 경량화 및 다양한 모델 적용이 가능합니다.
• 정책 기반 거버넌스: 수동적 압축 (SimpleMem) 이나 OS 수준의 관리 (MemOS) 와 달리, FSRS, 칼만 필터, 입찰 메커니즘 등을 결합한 정교한 정책 엔진을 구현했습니다.
• 새로운 실패 모드 전환: 통제되지 않은 환각 (Hallucination) 을 관리 가능한 '과도한 가지치기 (Over-Pruning)'로 전환하여 시스템의 신뢰성을 높였습니다.

4. 실험 결과 (Results)

LoCoMo-10 벤치마크에서 Qwen-3B와 Llama-3.1-8B를 사용하여 평가했습니다.

• SimpleMem 대비 우위:
  • Qwen-3B 기준: 단일 홉 (+15.6%), 다중 홉 (+29.1%), 시간적 추론 (+39.2%), 오픈 도메인 (+26.0%) 에서 압도적인 성능 향상을 보였습니다.
  • 특히 SimpleMem 은 시간 마커를 무차별적으로 압축하여 시간적 추론 성능이 저하되었으나, MemArchitect 는 FSRS 정책을 통해 이를 효과적으로 보존했습니다.
• MemOS 대비 트레이드오프:
  • Llama-3.1-8B 기준: 단일 홉 및 시간적 회수 (Recall) 작업에서는 MemOS 가 모든 로그를 보관하는 특성상 더 높은 성능을 보였습니다 (MemArchitect 는 -44.9% 감소).
  • 그러나 다중 홉 (+4.1%) 및 오픈 도메인 (+11.3%) 작업에서는 MemArchitect 가 더 우수했습니다. 이는 능동적 거버넌스가 eidetic(완벽한) 기억을 희생하더라도 추상적 종합 및 장기적 일관성을 크게 향상시킨다는 것을 의미합니다.
• 종합: 모든 작업에서 평균 **7.45%**의 정확도 향상을 기록했습니다.

5. 의의 및 결론 (Significance)

MemArchitect 는 자율 에이전트 환경에서 메모리 관리의 새로운 표준을 제시합니다.

• 신뢰성 확보: 모순된 정보와 구식 사실을 능동적으로 제거함으로써 에이전트의 신뢰성을 높입니다.
• 지속 가능성: 생물학적 망각과 유사한 메커니즘을 도입하여 무한한 컨텍스트 확장 없이도 장기적인 상호작용을 가능하게 합니다.
• 미래 방향: 향후 LongMemEval 및 PersonaMem 과 같은 벤치마크를 통해 평가 범위를 확대하고, FSRS 파라미터를 저빈도 사실 보존에 맞게 미세 조정할 계획입니다.

결론적으로, MemArchitect 는 단순한 기술적 최적화를 넘어, **메모리 거버넌스 (Memory Governance)**가 자율 에이전트의 핵심 구성 요소임을 입증한 연구입니다.