장기 도구 작업에서 요구사항과 이전 오류, 남은 목표가 문맥 뒤로 밀리는 문제를 다룬 기억 에이전트 연구가 공개됐다. 연구진은 이를 ‘행동 상태 쇠퇴’로 정의하고, 기존 행동 에이전트 옆에서 최근 궤적을 읽는 별도 기억 모듈을 배치했다. 핵심은 과거 기록을 매번 모두 붙이지 않고 현재 결정에 필요한 정보가 있을 때만 알림을 주는 것이다.
기억 에이전트는 요구사항, 환경 사실, 시도와 오류 진단을 구조화된 기억 은행에 갱신한다. 이후 근거가 있는 알림을 행동 에이전트에 넣거나 개입할 필요가 없으면 침묵한다. 행동 모델 자체를 바꾸지 않아도 되는 플러그인형 구조이며, 별도 기억 정책은 지도학습과 강화학습으로 훈련됐다.
연구진은 터미널 작업과 대화형 도구 사용 벤치마크에서 약한 행동 모델과 강한 행동 모델 모두의 첫 시도 성공률이 개선됐다고 보고했다. 기억 은행을 수동으로 항상 노출하거나 매 단계 알림을 넣는 방식, 일반 검색과 조언 전용 방식보다 선택적 개입이 유리했다는 구성요소 비교도 제시했다. 다만 공개 요약만으로 모든 과제 수와 조건별 향상 폭을 단일 수치로 요약하기는 어렵다.
선택적 알림은 저장 용량보다 개입 시점이 중요하다는 가설을 뒷받침한다. 그러나 기억 모듈이 잘못된 사실을 저장하면 이후 의사결정에서 반복 강화될 수 있고, 오래된 정보와 새 관찰이 충돌할 때 무엇을 우선할지도 남은 문제다. 사용자 기록을 장기간 보존할 경우 삭제, 접근 통제와 개인정보 기준도 시스템 성능과 별도로 검증해야 한다.
보고된 개선은 연구진의 벤치마크와 평가 설정 안의 결과이며 독립 연구팀의 재현은 확인되지 않았다. 실제 장기 운영에서는 작업 기간, 모델 교체, 메모리 오염과 비용까지 포함한 비교가 필요하다. 현재 결과는 기존 에이전트를 수정하지 않고 선택적 기억 정책을 붙이는 설계가 가능하다는 초기 증거로 해석할 수 있다.
저작권자 © STORIUM 무단전재 및 재배포 금지
