💻 computer science

Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery

이 논문은 Shannon 정보 엔트로피 기반의 계층화, 인과적 메모리 그래프, 가치 기반 검색, 최적 정지 이론에 기반한 통합, 그리고 진화적 적합도 메커니즘을 결합한 다중 에이전트 개방형 발견을 위한 진화적 메모리 기질 'Prism'을 제안하고, 이를 통해 기존 방법론 대비 뛰어난 성능을 입증합니다.

원저자: Suyash Mishra

게시일 2026-04-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Suyash Mishra

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

프리즘 (Prism): 여러 AI 에이전트가 함께 지혜를 키우는 '진화하는 기억' 시스템

이 논문은 **"단순한 데이터 저장소가 아니라, 스스로 배우고 진화하는 AI 의 기억 시스템"**을 소개합니다. 저자 수야시 미슈라는 이 시스템을 **Prism(프리즘)**이라고 이름 붙였는데, 빛이 프리즘을 통과하면 여러 색으로 갈라지듯, 이 시스템도 다양한 형태의 기억을 정교하게 분류하고 진화시킨다는 뜻입니다.

이 복잡한 기술을 일상적인 비유로 쉽게 설명해 드리겠습니다.

1. 핵심 아이디어: "단순한 메모장이 아닌, 살아있는 도서관"

기존의 AI 는 대화 내용을 그냥 메모장에 적어두는 수준이었습니다. 하지만 Prism은 마치 지혜로운 도서관 사서가 있는 도서관 같습니다.

기존 방식: 모든 책을 무작위로 쌓아둡니다. (찾을 때 시간이 걸리고, 중요한 게 묻힙니다.)
Prism 방식: 책을 세 가지 구역으로 나누어 정리합니다.
1. 기술서적 (Skills): 자주 쓰는 핵심 지식. (가장 쉽게 꺼내 쓸 수 있음)
2. 일기장 (Notes): 중간 정도의 관찰 기록. (필요할 때 찾아봄)
3. 시도 기록 (Attempts): 실패한 실험이나 복잡한 원고. (특별히 필요할 때만 꺼냄)

이렇게 **정보의 중요도 (엔트로피)**에 따라 책을 분류하기 때문에, AI 는 항상 가장 필요한 지식을 빠르게 찾아냅니다.

2. 4 명의 탐험가 팀이 함께 일하는 방식 (다중 에이전트)

이 시스템은 혼자 일하는 AI 가 아니라, **4 명의 탐험가 (에이전트)**가 팀을 이뤄 문제를 해결합니다.

비유: 한 팀의 탐험대가 미로를 탐험한다고 상상해 보세요.
- A 는 왼쪽 길만 탐험하고, B 는 오른쪽 길만 탐험합니다.
- C 는 지붕을, D 는 지하를 탐험합니다.
- 각자가 발견한 것을 **공유된 지도 (기억 시스템)**에 적어둡니다.
Prism 의 역할: 각 탐험가가 다른 길을 가도록 유도하면서, 한 명이 발견한 비밀 통로를 다른 세 명도 즉시 활용할 수 있게 합니다. 덕분에 혼자 탐험할 때보다 2.8 배 더 빠르게 미로의 출구를 찾습니다.

3. 기억이 '진화'하는 원리 (자연선택)

이 시스템의 가장 놀라운 점은 기억 자체가 살아서 진화한다는 것입니다.

자연선택: 어떤 기억이 문제를 해결하는 데 자주 쓰이고 성공하면, 그 기억은 **'적합도 (Fitness)'**가 높아져 더 오래 살아남습니다.
사라짐: 쓸모없거나 틀린 기억은 시간이 지나면 자연스럽게 잊혀지거나 삭제됩니다.
비유: 마치 생물 진화처럼, 유용한 유전자 (지식) 만 살아남고 불필요한 유전자는 도태되는 과정입니다. 이를 통해 AI 는 나날이 더 똑똑해집니다.

4. "멈췄나요?"를 감지하는 심박수 (Heartbeat)

팀이 일을 하다가 막히면 어떻게 할까요? Prism 은 심박수 모니터처럼 팀의 상태를 계속 감시합니다.

진정 상태 감지: 만약 팀이 같은 곳에서 맴돌며 진전이 없다면 (정체), 시스템이 **"지금은 방향을 바꿔야 할 때!"**라고 신호를 보냅니다.
전략 변경: AI 는 자동으로 "아, 이 길은 안 되네. 다른 팀원이 가던 길을 따라가자"라고 판단하여 새로운 전략을 시도합니다.

5. 왜 이것이 중요한가요? (실제 효과)

이 시스템을 테스트한 결과, 기존 최고의 기억 시스템 (Mem0) 보다 31% 더 높은 점수를 받았습니다. 특히 복잡한 문제 (예: 100 개 도시를 순회하는 최단 경로 찾기) 를 풀 때, 여러 AI 가 협력하면 혼자 일할 때보다 약 3 배 더 빠르게 해결책을 찾았습니다.

요약: 프리즘 (Prism) 이란?

"AI 들이 서로의 경험을 공유하며, 쓸모 있는 지식은 남기고 쓸모없는 것은 버리는 '진화하는 도서관'입니다."

이 시스템은 AI 가 단순히 정보를 저장하는 것을 넘어, 생물처럼 배우고 적응하며 성장할 수 있는 토대를 마련했습니다. 마치 우리가 어릴 때 배운 것을 잊지 않고, 더 복잡한 문제를 해결할 때 그 지식을 활용하듯, AI 도 이제 스스로 진화하는 지혜를 갖게 된 것입니다.

1. 문제 정의 (Problem Statement)

자율 AI 시스템에서 열린-ended 발견 (Open-ended Discovery) 은 iterativ(반복적), long-horizon(장기적), non-obvious(비자명적) 인 문제 해결을 요구합니다. 최근 연구에 따르면 LLM 기반 에이전트가 수학적 추론이나 시스템 엔지니어링과 같은 복잡한 과제를 수행하려면 다음 세 가지 조건이 충족되어야 합니다.

세션 간 지속적 메모리: 과거 경험을 유지해야 함.
공유 지식을 통한 다중 에이전트 협업: 에이전트 간 지식 공유가 필수적.
반성적 통합 (Reflective Consolidation): 원시 경험을 재사용 가능한 기술 (Skill) 로 변환해야 함.

기존 메모리 아키텍처 (Claude Code 의 파일 기반, Mem0 의 벡터/그래프, Coral 의 진화적 협업 등) 는 이러한 조건을 부분적으로만 충족하거나, 형식적인 이론적 기반이 부족하여 다중 에이전트 환경에서의 효율적인 지식 진화를 지원하지 못했습니다.

2. 방법론 (Methodology)

Prism (Probabilistic Retrieval with Information-Stratified Memory) 은 네 가지 독립적인 패러다임 (계층형 파일 영속성, 벡터 기반 시맨틱 메모리, 그래프 구조 관계형 메모리, 다중 에이전트 진화적 탐색) 을 통합한 단일 결정 이론적 프레임워크입니다.

핵심 아키텍처 (8 개의 하위 시스템)

Prism 은 중앙의 3 단계 메모리 허브 (Tri-Partite Hub) 를 중심으로 8 개의 하위 시스템으로 구성됩니다.

S1: 추출 엔진 (Extraction Engine): 에이전트의 상호작용에서 메모리 후보를 추출하고, 에이전트 출처 (Provenance) 태그를 부여합니다.
S2: 엔트로피 게이트 3 단계 허브 (Entropy-Gated Tri-Partite Hub):
- 정보 이론적 계층화: Shannon 엔트로피 ( $H$ $H$ ) 를 기반으로 메모리를 3 단계로 분류합니다.
  - Tier 1 (Skills): 낮은 엔트로피, 높은 빈도 (항상 로드).
  - Tier 2 (Notes): 중간 엔트로피, 컨텍스트 필요 (ANN 검색).
  - Tier 3 (Attempts): 높은 엔트로피, 원시 로그 (VoI 분석 시 접근).
- 이론적 근거: Shannon 부호화 정리에 기반하여 컨텍스트 윈도우 사용량을 수학적으로 제한합니다.
S3: 인과적 메모리 그래프 (Causal Memory Graph):
- 개체 (V), 관계 ( $E_r$ ), 인과적 간섭 ( $E_c$ , do-calculus 연산자 포함) 으로 구성된 그래프.
- 에이전트 출처 (Provenance): 각 노드와 엣지에 에이전트 ID 를 부여하여 다중 에이전트 지식 추적 및 탐색 다양성 (Exploration Divergence) 측정을 가능하게 합니다.
S4: 복제자 - 감쇠 역학 (Replicator-Decay Dynamics):
- 진화적 적합도 (Fitness): 메모리의 성공적인 회수 빈도를 '적합도'로 정의합니다.
- 동역학 방정식: 베이지안 시간 감쇠 (Temporal Decay) 와 복제자 선택 (Replicator Selection) 을 결합하여 메모리 신뢰도 ( $\kappa$ ) 를 진화시킵니다.
- 수렴성: 시스템이 진화적으로 안정적인 메모리 집합 (ESMS, Evolutionary Stable Memory Set) 으로 수렴함을 증명합니다.
S5: 진화적 VoI (Value-of-Information) 검색:
- 밴딧 (Bandit) 기반 전략 선택기를 사용하여 어떤 검색 구성이 결과를 개선하는지 학습합니다.
- 정보 가치 (VoI) 를 극대화하는 메모리 집합을 동적으로 선택합니다.
S6: AutoDream 통합 (Consolidation):
- 'Notes'를 'Skills'로 증류 (Distillation) 하는 5 단계 파이프라인을 수행하며, 상호 정보량 (Mutual Information) 을 기반으로 중복 메모리를 제거합니다.
S7: 하트비트 컨트롤러 (Heartbeat Controller):
- 정체 (Stagnation) 감지: 최적 중단 이론 (Optimal Stopping Theory) 을 사용하여 에이전트의 성취가 정체되었을 때를 감지합니다.
- 개입: 반성 (Reflection), 통합 (Consolidation), 또는 전략 전환 (Redirection) 을 자동 트리거합니다.
S8: 프롬프트 조립: 검색된 메모리를 구조화된 컨텍스트 블록으로 구성하여 에이전트에게 제공합니다.

3. 주요 기여 (Key Contributions)

논문의 5 가지 주요 기여는 다음과 같습니다.

엔트로피 게이트 계층화 메커니즘: Shannon 정보 내용을 기반으로 메모리를 Skills/Notes/Attempts 로 자동 분류하며, 형식적인 컨텍스트 윈도우 사용량 상한을 제공합니다.
에이전트 출처가 포함된 인과적 메모리 그래프: do-calculus 연산자와 에이전트 ID 를 포함한 그래프를 통해 다중 에이전트 지식 추적 및 탐색 다양성을 정량화합니다.
자기 진화적 검색 정책: 밴딧 기반 전략 선택기를 통해 검색 구성을 스스로 학습하고 개선하며, 회수 (Regret) 에 대한 이론적 상한을 증명합니다.
하트비트 기반 통합 컨트롤러: 최적 중단 이론을 통해 정체 시점을 감지하고, 반성/통합/전략 전환을 자동으로 수행합니다.
복제자 - 감쇠 역학 프레임워크: 메모리 신뢰도를 진화적 적합도로 해석하여, 시스템이 ESMS(진화적으로 안정적인 메모리 집합) 로 수렴함을 수학적으로 증명했습니다.

4. 실험 결과 (Experimental Results)

두 가지 벤치마크 suite 에서 Prism 의 성능을 평가했습니다.

LOCOMO (대화형 메모리 벤치마크):
- 점수: Prism(단일 에이전트) 은 88.1 점 (LLM-as-a-Judge 기준) 을 기록하여, 기존 최강 모델인 Mem0(67.2 점) 보다 31.2% 높은 성능을 보였습니다.
- 특징: 시간적 쿼리 (Temporal queries) 에서 Mem0g 대비 26.6 포인트의 큰 향상을 보였으며, 이는 인과적 그래프와 시간 주석의 효과 때문입니다.
진화적 최적화 (Evolutionary Optimization):
- 과제: 100 도시 TSP, 원 패킹 최적화, 커널 엔지니어링.
- 성능: 4 에이전트 Prism 은 단일 에이전트 베이스라인 대비 2.8 배 높은 개선률 (Improvement Rate) 을 달성했습니다.
- 메커니즘: 지식 재사용률 (Knowledge Reuse Rate) 이 개선률과 강한 상관관계 ( $r=0.89$ ) 를 보였으며, 에이전트 간 탐색 다양성 (Exploration Divergence) 이 높을수록 성능이 향상됨을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이론적 통합: 정보 이론, 베이지안 추론, 진화 게임 이론을 하나의 형식적 프레임워크로 통합하여, 메모리가 단순한 데이터 저장이 아닌 진화하는 지식 생태계로 작동함을 증명했습니다.
실용적 가치: 제약 및 의료 분야 (Pharma) 에서 경쟁 구도 분석, 파이프라인 이벤트 탐색 등 복잡한 의사결정 시나리오에 적용 가능함을 제시했습니다.
미래 방향: Prism 은 Coral 과 같은 다중 에이전트 오케스트레이션 프레임워크의 메모리 백엔드로 통합될 수 있으며, 인간 - 에이전트 공진화 메모리, 분산 에이전트 군집을 위한 페더레이션 진화 메모리 등으로 확장될 수 있습니다.

결론적으로, Prism 은 다중 에이전트 시스템이 장기간의 복잡한 문제를 해결할 때 필요한 '지식의 지속성', '협업', '자기 개선'을 수학적으로 보장하는 최초의 진화적 메모리 기반 (Substrate) 입니다.