의료 에이전트 시스템이 과거 임상 경험을 기술(skill) 단위로 정제해 저장하고, 새로운 사례에서 이를 재활용함으로써 모델 가중치를 수정하지 않고도 추론 능력을 지속적으로 향상시키는 프레임워크 SkeMex가 발표됐다. 기존 의료 에이전트 시스템의 메모리 기제는 원시 상호작용 이력을 그대로 보관해 중복·노이즈가 많고, 미래 추론에 실제로 유용한 기억과 그렇지 않은 기억을 구별하지 못한다는 한계가 있었다.
SkeMex는 에이전트의 상호작용 궤적 중 정보량이 높은 것만 추려 재사용 가능한 절차 지식으로 인코딩한 뒤, 일반 경험·과제 특화 경험·행동 수준 경험으로 나뉜 다중 분기 저장소에 조직화한다. 어떤 기억을 재활용하고 유지할지 결정하기 위해 환경 피드백에서 맥락 의존적 효용을 추정하고, 이를 토대로 가치 인식 검색과 저장소 관리를 수행한다. 읽기-쓰기-평가-관리로 이어지는 폐쇄 루프 생애 주기가 새 기술 추가, 효용 갱신, 유용한 기억 승격, 유해한 항목 제거를 지속적으로 처리한다.
다양한 임상 과제 실험에서 SkeMex는 오프라인과 온라인 환경 모두에서 기존 메모리 기반 에이전트들을 일관되게 앞섰으며, 여러 모델 백본에서도 일반화 성능이 유지됐다. 기술 메모리의 이전 가능성도 확인돼 한 에이전트가 쌓은 경험이 다른 에이전트에 전달될 수 있음이 입증됐다. 연구진은 관련 데이터와 코드를 공개할 예정이다.
이 연구는 의료 분야 AI가 정적 질의응답 도구에서 벗어나 실제 임상 의사결정을 대화형으로 지원하는 방향으로 발전하는 흐름과 맞닿아 있다. 모델 재훈련 없이 배포 후에도 성능이 자연스럽게 향상되는 설계는 운영 비용과 안전성 측면에서 실제 임상 환경 도입 가능성을 높이는 요소로 주목된다.
