AWS가 AI 에이전트에게 대화 기록을 저장·회상시키는 관리형 서비스 ‘아마존 베드록 에이전트코어 메모리(AgentCore Memory)’에 메타데이터 기반 필터링 기능을 새로 추가했다고 발표했다. 기존에는 고객 지원 에이전트가 “청구 문제”를 검색하면 기술 지원 티켓, 영수증 관련 영업 대화, 실제 청구 분쟁이 뒤섞여 나오는 등 의미상으로만 유사한 결과가 한꺼번에 반환되는 문제가 있었다. AWS는 이런 현상을 “검색 정밀도의 벽”이라고 표현하며, 이번 기능이 이 문제를 해결하기 위한 것이라고 설명했다.
에이전트코어 메모리는 기존에도 클라이언트별·세션별로 메모리를 격리하는 ‘네임스페이스’ 구조를 갖추고 있었다. 하지만 몇 달치 상호작용 기록이 쌓인 네임스페이스 안에서는 유사도 검색만으로 우선순위나 부서, 시점 같은 세부 맥락까지 구분하기 어려웠다. 이번에 추가된 메타데이터 필터링은 네임스페이스 위에 우선순위, 부서, 시간 범위 같은 속성 기반 필터를 한 겹 더 얹어, 유사도 검색이 실행되기 전에 후보군을 먼저 좁히는 ‘사전 필터링’ 방식으로 작동한다. AWS는 메타데이터 설정을 정의하는 구성 단계, 데이터에 태그를 붙이는 수집 단계, 필터를 적용해 검색하는 조회 단계까지 3단계에 걸쳐 메타데이터가 작동한다고 설명했다.
AWS는 장기 기억 벤치마크인 로코모(LoCoMo) 스타일의 다중 세션 대화를 기반으로 만든 151개 질문 테스트셋으로 자체 평가를 진행했다. 그 결과 메타데이터 필터링을 켰을 때 전체 질의응답 정확도가 40%에서 64%로 상승했다고 밝혔다. 특히 시간 범위 조회나 우선순위별 필터링, 부서별 검색처럼 맥락적 경계에 의존하는 질문 유형에서 개선폭이 가장 컸는데, 이 하위 유형만 놓고 보면 정확도가 16%에서 69%로 크게 뛰었다고 전했다.
AWS는 이번 기능이 다중 테넌트 SaaS 환경, 의료·컴플라이언스 민감 도메인, 우선순위 기반 고객 지원, 금융 서비스, 다중 에이전트 시스템 등 다양한 기업 시나리오에 적용될 수 있다고 소개했다. 예를 들어 의료 AI 에이전트의 경우 환자별 네임스페이스 안에서도 진료과, 기록 유형, 중증도 등을 메타데이터로 색인해두면 “복약 이력”을 검색할 때 심장내과·내분비내과·1차 진료가 뒤섞이지 않고 특정 진료과로 결과를 좁힐 수 있다. 금융 서비스 영역에서는 “3분기 포트폴리오 논의”처럼 시점이 명확한 질문에 날짜 필터를 결합해 다른 분기의 자산군 정보가 섞이는 노이즈를 줄일 수 있다고 설명했다.
AWS는 메타데이터 스키마를 처음부터 모든 필드에 대해 색인하기보다, 검색 품질에 실제로 영향을 주는 3~5개의 핵심 필드부터 시작할 것을 권장했다. 이는 앞서 공개된 에이전트코어 페이먼츠 등과 함께 AWS가 에이전트형 AI 인프라를 지속적으로 강화하고 있음을 보여주는 사례로, 기업들이 장기 기억을 다루는 AI 에이전트를 실제 운영 환경에 도입할 때 겪는 정밀도 문제를 겨냥한 조치로 풀이된다.
