LLM 에이전트가 이전 작업에서 유용했던 설정만 골라 여러 사용자와 재사용하도록 하는 ‘공유 선택 지속 기억’ 구조가 제안됐다. 연구진은 과제 명세, 데이터 스키마, 도구 설정, 출력 제약의 네 범주를 보존하고, 특정 세션에만 필요한 추론 과정은 버렸다. 대화 전체를 계속 붙이는 방식이 오래된 작업 흔적까지 전달해 새 결과를 흐릴 수 있다는 문제의식에서 출발했다.
구현체는 CSV, SQL, REST API, MCP 서버에서 데이터를 받아 대시보드·보고서·데이터 문서를 만드는 협업형 작업공간이다. 생성물은 깃으로 버전을 관리하며, 기억은 역할 기반 접근 제어를 둔 작업공간 단위로 공유한다. 데이터와 생성 프로그램을 분리한 ‘제로 토큰 새로고침’도 넣어, 스키마가 같은 새 데이터는 모델을 다시 호출하지 않고 기존 생성물을 갱신하도록 했다.
세 가지 기업 배치 시나리오에서 선택 기억의 과제 완료율은 96%였다. 기억이 없을 때는 79%, 전체 대화를 저장했을 때는 71%였다. 연구진이 제시한 수치로는 반복 갱신의 작업 시간이 14배 줄었고, 원시 데이터를 직접 넣는 방식과 비교한 호출당 토큰 비용은 97분의 1 수준이었다. 전체 기록을 붙인 조건은 오래된 도구 사용 패턴에 끌려 성능이 떨어졌다.
| 평가 묶음 | 선택 기억 | 기억 없음 | 전체 기록 | 조건 |
|---|---|---|---|---|
| 기업형 반복 과제 | 96% | 79% | 71% | 24개 과제 |
| 공개 데이터 재현 | 100% (12/12) | 83% | 75% | 4개 데이터셋×3조건×3회 |
공개 데이터셋 4개에서 세 조건을 각각 3회 실행해 총 36회를 비교했다. 이 가운데 선택 기억 조건의 12회는 원본과 같은 스키마에 값만 바꾼 V2 데이터로 수행됐고, 제로 토큰 갱신이 12회 모두 성공했다. 기억 없음과 전체 기록 조건의 완료율은 각각 83%와 75%였다. 이는 구조화 데이터 갱신 조건의 결과이며 일반 추론 능력 향상을 뜻하지 않는다.
제약도 분명하다. 어떤 정보를 남길지 정한 네 범주는 연구진이 수동으로 설계했다. 제로 토큰 방식은 안정적인 스키마를 가진 표 데이터에 한정됐고, 스트리밍·비정형 문서·실시간 API에는 더 복잡한 호환성 검사가 필요하다. 기업 사용자 연구의 표본도 12명이라 개별 설문 항목의 통계적 유의성을 판단하기에는 작다.
이 논문은 2026년 7월 공개된 11쪽짜리 arXiv 프리프린트다. 결과는 특정 협업 플랫폼과 대시보드·보고서 중심 과제에서 얻었으며 독립적인 대규모 재현이나 동료평가가 끝난 단계는 아니다. 그럼에도 에이전트 기억을 ‘많이 저장하는 기능’이 아니라 보존 범위와 갱신 조건을 검증해야 하는 시스템 설계 문제로 다뤘다는 점은 평가할 만하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
