기술 요약: MemCog – 도구로서의 기억에서 인지로서의 기억으로

1. 문제 제기

현재 대화형 에이전트 메모리 시스템은 주로 도구로서의 기억 (Memory-as-Tool) 패러다임 하에 작동합니다. 이 프레임워크에서 메모리 접근은 명시적 쿼리에 의해 트리거되는 수동적이고 일회성인 검색 메커니즘입니다. 시스템은 상위 k 개의 패시지 (passages) 를 평면 목록으로 반환한 후 에이전트가 추론을 수행합니다. 저자들은 이 패러다임에서 세 가지 근본적인 한계를 식별합니다:

1. 호출 병목 현상: 메모리 시스템은 명시적 쿼리가 있을 때만 활성화되며, 대화 맥락에 기반하여 검색을 능동적으로 트리거할 능력이 부족합니다. 이는 메모리를 에이전트의 자연스러운 추론 흐름과 분리시키고, 종종 자발적 회상을 수반하는 인간의 기억 패턴과 괴리됩니다.
2. 추론 - 검색 분리: 검색 과정은 추론 루프와 격리되어 있습니다. 초기 평면 목록이 반환된 후, 결과가 불충분하다면 에이전트는 추가 탐색을 동적으로 계획할 수 없습니다. 추론 모듈은 검색 파이프라인에 개입할 수 없어 두 모듈의 독립적인 최적화를 강제합니다.
3. 구조적 불일치: 메모리가 계층적으로 조직되어 있더라도, 검색 결과는 구조적 탐색 정보가 결여된 평면 조각으로 반환됩니다. 이는 에이전트가 최적의 다음 단계 검색 경로를 추론하거나 메모리 저장소 내에서 지향적이고 반복적인 탐색을 수행하는 것을 방해합니다.

2. 방법론: MemCog

이러한 한계를 해결하기 위해 저자들은 MemCog를 제안합니다. 이는 메모리 접근이 추론 과정의 필수적인 부분이 되는 인지로서의 기억 (Memory-as-Cognition) 시스템입니다. MemCog 는 세 가지 긴밀하게 통합된 구성 요소로 이루어져 있습니다:

2.1 탐색 가능한 메모리 저장소

평면 데이터베이스 대신 사용자 지식은 세 가지 세분성 수준을 가진 계층적이고 링크가 풍부한 구조로 조직화됩니다:

• 차원 (Dimensions): 지식 공간을 분할하는 최상위 카테고리 (예: 업무, 개인 선호도, 사회적 관계).
• 페이지 (Pages): 차원 내에서 일관된 주제를 다루는 개별 지식 단위.
• 섹션 (Sections): 요약, 구조화된 사실, 메타데이터를 포함하는 세분화된 정보 블록.

중요하게도, 이 저장소는 related_to(관련됨), temporal_next(시간적 다음), caused_by(원인), contrasts_with(대조됨) 와 같은 차원 간 연관 링크 (Cross-Dimensional Associative Links) 를 사용하여 오버레이 그래프를 형성합니다. 이를 통해 에이전트는 차원 간 경계를 탐색할 수 있으며, 추가 프롬프트 없이 추가 탐색 방향을 제안하는 구조적 affordance 를 제공합니다.

2.2 차원 간 탐색 인터페이스

MemCog 는 단일 검색 도구를 다중 세분성 탐색 동작 집합으로 대체합니다:

• list_dimensions(): 최상위 카테고리를 반환합니다.
• browse_dimension(dim): 특정 차원 내의 페이지를 나열합니다.
• read_page(page_id): 나가는 링크를 포함한 전체 페이지 콘텐츠를 반환합니다.
• follow_link(link): 하이퍼링크를 통해 대상 페이지로 이동합니다.

각 동작은 콘텐츠뿐만 아니라 사용 가능한 링크, 형제 페이지, 차원적 위치와 같은 구조적 맥락도 반환하여 에이전트가 현재 관찰 결과를 기반으로 다음 단계를 자율적으로 결정할 수 있게 합니다.

2.3 능동적 추론 프로토콜

구조화된 시스템 프롬프트로 구현된 이 프로토콜은 메모리 사용에 대한 에이전트의 행동 규범을 정의합니다. 두 가지 모드를 도입합니다:

1. 능동적 연관: 에이전트는 대화 단서 (예: 사람/장소 언급, 잠재적 모순, 역사적 맥락 기회) 가 저장된 지식과 연결될 가능성을 시사할 때 자발적으로 메모리 탐색을 시작합니다.
2. 반응적 응답: 에이전트는 명시적 사용자 질문에 반응하여 탐색합니다.

이 프로토콜은 완전한 그림을 구축하기 위해 링크를 따라가는 점진적 탐색, 회상된 정보의 자연스러운 통합, 그리고 관련성, 시간적 유효성, 민감도에 기반한 선택적 표출을 의무화합니다.

2.4 ProactiveMemBench

능동적 능력을 평가하기 위해 저자들은 능동적 메모리 트리거를 위한 최초의 벤치마크인 ProactiveMemBench를 구축했습니다. 이는 다섯 가지 주제 도메인에 걸쳐 500 개의 테스트 인스턴스를 생성하기 위해 하향식 6 단계 LLM 기반 파이프라인을 사용합니다. 각 인스턴스는 모델이 능동적으로 표출해야 할 메모리 단위의 기준 (ground-truth) 집합과 트리거 발화를 짝지어 제공하며, 시간적, 개체, 감정적, 행동 패턴, 멀티홉 (multi-hop) 의 다섯 가지 트리거 유형을 다룹니다.

3. 주요 기여

1. 인지로서의 기억 패러다임: 도구로서의 기억 시스템에 내재된 호출 병목 현상을 제거하고, 수동적 검색에서 통합된 추론 과정으로의 전환을 이룹니다.
2. ProactiveMemBench: 능동적 메모리 트리거를 평가하기 위한 새로운 벤치마크로, 98.4% 의 인간 검증 승인율을 가진 500 개의 인스턴스를 특징으로 합니다.
3. 시스템 아키텍처: 탐색 가능한 메모리 저장소, 차원 간 탐색 인터페이스, 능동적 추론 프로토콜의 통합.
4. 실증적 검증: 구조화된 탐색과 교차하는 반복적 추론이 단일 샷 (single-shot) 베이스라인보다 상당한 개선을 가져온다는 것을 입증했습니다.

4. 실험 결과

실험은 세 가지 벤치마크인 LoCoMo(수동 QA), LongMemEval(장기 검색), ProactiveMemBench에서 수행되었습니다.

• 수동 QA (LoCoMo): MemCog 는 GPT-4.1-mini 를 사용하여 92.98 의 정확도로 최첨단 성능을 달성하여 HyperMem 을 포함한 모든 베이스라인을 능가했습니다. 특히 MemCog 는 GLM-5.1, GPT-4o-mini, GPT-4.1-mini 등 다양한 백본 모델에서 견고한 성능을 유지한 반면, HyperMem 과 같은 베이스라인은 컨텍스트 예산이 낮아질 때 성능이 크게 저하되었습니다.
• 장기 검색 (LongMemEval): MemCog 는 95.8 점으로 모든 베이스라인을 능가했습니다. 특히 멀티 세션 카테고리 (92.48) 에서 뛰어난 성능을 보여 서로 다른 대화 세션 간 정보를 연관시키는 능력을 입증했습니다.
• 능동적 메모리 (ProactiveMemBench): MemCog(전체) 는 Recall@5 59.51 과 LLM 판정 정밀도 87.58 을 달성하여 베이스라인을 크게 능가했습니다. 제거 실험 (Ablation studies) 은 능동적 추론 프로토콜을 제거할 경우 Recall@5 가 44.90 으로 떨어졌음을 확인했으며, 그래프 오버레이를 제거할 경우 수동 및 능동적 성능 모두 저하됨을 확인했습니다.

5. 의의 및 주장

이 논문은 MemCog 가 수동적 전처리 단계에서 인지의 능동적 구성 요소로 메모리 접근을 변환함으로써 에이전트 메모리 시스템에서 중요한 진전을 이루었다고 주장합니다.

• 시너지: 저자들은 능동적 추론 프로토콜과 탐색 가능한 메모리 저장소가 상호 보완적이라고 강조합니다. 프로토콜은 탐색을 시작하는 인지적 동력을 제공하고, 구조는 다단계 탐색을 지속할 수 있는 affordance 를 제공합니다. 어느 구성 요소 단독으로도 전체 시스템의 성능을 달성하지 못합니다.
• 메모리 접근의 스펙트럼: 저자들은 이 작업을 도구 호출 없이 완전히 자발적인 회상을 의미하는 "인지로서의 기억"의 이론적 종착점이 아니라, "메모리 없음"에서 "단일 검색", "다단계 탐색", "자발적 회상"으로 이어지는 스펙트럼 상의 의미 있는 진전으로 위치시킵니다.
• 확장성: 시스템은 시간이 지남에 따라 하위 선형적인 페이지 성장을 보여줍니다. 새로운 정보가 새로운 페이지 생성을 트리거하기보다 기존 페이지에 점점 더 매핑되기 때문에 장기적인 불필요한 증가에 대한 우려를 완화합니다.

이 논문은 수동적 검색에서 추론 통합 탐색으로 나아가는 것이 에이전트 메모리 능력에서 상당한 개선을 가져오며, 인지로서의 기억 패러다임을 검증한다고 결론지었습니다.