생성형 AI 에이전트의 실패를 단순한 추론 부족으로 보는 해석이 늘지만, 이 논문은 원인을 다른 곳에서 찾는다. 에이전트가 대화 이력, 큰 프롬프트, 방대한 도구 정의, 폭증하는 도구 출력까지 모두 한 맥락 안에 쌓아 두면서 스스로 감당하지 못한다는 것이다. 그래서 문제의 핵심을 저장·검색이 아니라 “무엇을, 언제, 얼마나 오래, 어떤 비용으로 유지할지”를 정하는 수명주기로 본다. 이 관점에서 제안하는 개념이 Agentic Context Management(ACM)이며, 범위는 개인 사용자 한 명이 아니라 조직까지 올라가는 계층으로 확장된다.
프레임은 다섯 가지 원리로 정리된다. 설계하기(architecting), 들여오기(ingesting), 범위 정하기(scoping), 다음을 예상하기(anticipating), 압축과 통합(compacting & consolidation)이다. 논문은 각 원리가 단독 기능이 아니라 서로 연결된 구조라고 설명한다. 예를 들어 어떤 기억을 남길지 정하고, 신호에서 구조를 뽑고, 지금 관련된 것만 좁혀 가져오고, 곧 필요할 정보를 미리 준비한 뒤, 예산에 맞게 줄이되 중요한 것은 잃지 않도록 검증해야 한다는 식이다. 기억 도구 하나로는 이 전체를 담기 어렵고, 여러 계층과 유형을 가로지르는 플랫폼이 필요하다는 주장이다.
경제적 논거도 제시된다. 무검증 상태로 맥락을 계속 덧붙이면 대화 길이에 따라 토큰 비용이 이차적으로 늘고, 거친 요약은 선형 비용을 얻는 대신 정확도 급락을 부른다고 본다. 반면 검증된 압축만이 선형 비용과 보존된 충실도를 함께 노린다. 비교군이 분명하다. 전체 덧붙이기(full-append)는 비용이 커지고 긴 맥락에서 성능이 무너질 수 있으며, 조악한 요약은 싸지만 정보 손실이 크다. 논문이 그리는 목표점은 검증 가능한 압축이다.
구현 예로는 Maximem Synap이라는 다중 테넌트 서비스가 소개된다. 아키텍처 수준과 관찰 가능한 동작 수준에서 다섯 원리를 구현했다고 설명하며, 메모리 벤치마크 두 개에서 결과를 보고한다. 평가 설정 표에 따르면 LongMemEval 전체 500문항에서 92.0%(460/500), LoCoMo에서는 1~4범주 기준 93.2%를 기록했다. LongMemEval은 500명의 사람이 직접 정리한 질문으로 구성됐고, LoCoMo는 공식 배포본의 범주 1~4를 사용했으며, 둘 다 표의 설정에 맞춘 공개 하네스로 평가됐다. 이 수치는 구성과 심사 모델에 민감하다고도 적혀 있다.
| 구성 요소 | 역할 | 근거 위치 |
|---|---|---|
| architecting | 기억의 형태와 구조를 먼저 설계함 | p.2 / Section 2, p.4 Figure F1 |
| ingesting | 신호에서 구조를 추출하고 정리해 저장함 | p.4 Figure F1; p.10 Figure F2 |
| scoping | 지금 관련 있는 범위만 좁혀 가져옴 | p.4 Figure F1; p.10 Figure F2 |
| compacting & consolidation | 예산에 맞게 줄이되 정보 손실을 검증함 | p.1 abstract; p.10 Figure F2; p.13 |
자료: STORIUM 정리
이 논문은 동료검토 전 arXiv v1 프리프린트다. 그럼에도 지금의 벤치마크가 잘 다루지 못하는 항목을 분명히 짚는다. 지연시간, 토큰 효율, context rot에 대한 저항성까지 함께 재는 재현 가능한 평가가 필요하다는 것이다. 다만 여기서 제시된 결과는 내부 구성과 공개 벤치마크에 한정되며, 표기된 한계를 넘는 일반화는 아직 별도 검증이 필요하다. 결국 이 글의 요지는 기억을 더 잘 “저장”하는 방법이 아니라, 에이전트가 무엇을 어떤 구조로 들고 있을지 전체 생애주기 차원에서 관리해야 한다는 데 있다.
저작권자 © STORIUM 무단전재 및 재배포 금지
