LLM(대규모 언어 모델) 기반 에이전트가 지속적인 상호작용을 통해 경험을 축적할 때, 유사한 에피소드가 반복 저장되어 불필요한 중복이 쌓이고 검색 시 서로 모순된 지침이 반환되는 문제를 잔차 트리(residual tree) 구조로 해결하는 프레임워크 DeltaMem이 arXiv에 등재됐다. 탄(Tan) 등 연구진이 2026년 6월 2일 공개한 논문은 새로 습득하는 경험이 기존 지식의 점진적 변형인 경우가 많다는 점에 착안해 잔차 경험(residual experience) 개념을 제안한다.
DeltaMem은 경험 메모리를 독립적인 두 그루의 잔차 트리로 구성한다. 하나는 목표 조건부 작업 경험을 재사용 가능한 스킬로 저장하고, 다른 하나는 장면 수준의 환경 지식을 담는다. 각 트리는 일반화된 기반 경험을 루트 노드로 두고, 이후 변형을 델타 노드로 연결해 유사한 경험이 공통 기반을 공유하도록 한다. 검색 시에는 실패 패널티를 반영한 유사도 스캔으로 최적 일치 노드를 찾고, 루트에서 해당 노드까지의 체인을 조합해 전체 경험을 복원한다. 또한 자율 통합 메커니즘이 고빈도 경로를 새 루트 노드로 정제해 트리가 일반 휴리스틱에서 특수화된 변형으로 스스로 구조를 진화시킬 수 있도록 한다. 다양한 인터랙티브 환경에서 수행한 실험에서 DeltaMem은 기존 기준선을 일관되게 앞섰다고 논문은 밝혔다.
LLM 에이전트가 장기간 운영되면서 경험이 수천 건 이상으로 늘어날 경우, 단순한 플랫 저장 방식은 검색 품질과 메모리 효율 양쪽에서 한계에 부딪힌다. 잔차 구조로 경험 간 공통점과 차이를 분리해 저장하는 접근은 메모리 규모가 커질수록 이점이 두드러질 수 있어, 장기 자율 에이전트 연구에서 후속 검증이 이어질 것으로 보인다. 코드는 공개됐으며, 논문 전문은 arXiv(arxiv.org/abs/2606.03083)에서 확인할 수 있다.
