Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation

표준 검색 증강 생성(RAG)은 에이전트 메모리에 잘 맞지 않는다. xMemory는 집계 이전 분리 원칙에 따라 원본 메시지에서 세그먼트, 메모리 컴포넌트, 그룹에 이르는 수정 가능한 계층적 메모리 구조를 구축하여, 답변 품질과 추론 토큰 효율성을 함께 높인다.

표준 검색 증강 생성(RAG)은 에이전트 메모리에 잘 맞지 않는다. 크고 이질적인 코퍼스와 달리, 에이전트 메모리는 많은 구간이 서로 강하게 상관되거나 거의 중복되는, 경계가 있고 일관된 상호작용 스트림을 형성한다. 그 결과, 평면적인 상위 k개 유사도 검색은 종종 중복된 컨텍스트를 반환하고, 요약 중심 계층 구조는 한 후보를 다른 후보와 구별짓는 미묘한 세부 사항을 흐릿하게 만든다. 이 논문은 에이전트 메모리가 집계 이전 분리 원칙을 따라야 한다고 주장한다. 즉, 시스템은 먼저 재사용 가능한 사실, 갱신, 구별되는 세부 사항을 유사한 이력에서 분리한 다음에야 효율적 검색을 위해 이를 조직해야 한다. 이 원칙에 기반하여, 저자들은 원본 메시지에서 세그먼트, 메모리 컴포넌트, 그룹에 이르는 수정 가능한 계층적 메모리 구조를 구축하는 xMemory를 제안한다. xMemory는 상호작용 이력을 국소 이벤트로 분할하고, 각 세그먼트를 메모리 컴포넌트로 분리하며, 희소성·의미적 충실성 목적함수를 사용해 관련 컴포넌트를 상위 그룹으로 집계하고, 메모리가 진화함에 따라 이 구조를 점진적으로 유지한다. 추론 시점에 xMemory는 하향식으로 검색하여, 먼저 상호보완적인 그룹과 컴포넌트의 압축된 골격을 선택한 뒤, 추가 증거가 독자의 불확실성을 줄일 때에만 세그먼트와 원본 메시지로 확장한다. 다양한 오픈소스 및 클로즈드소스 LLM에 걸쳐 LoCoMo와 PerLTQA에서 수행한 실험은 답변 품질과 추론 토큰 효율성에서 일관된 향상을 보였으며, 이는 중복성, 증거 밀도, 커버리지 분석으로 뒷받침된다.

핵심 요약

• 표준 검색 증강 생성(RAG)은 에이전트 메모리에 잘 맞지 않는다.
• 크고 이질적인 코퍼스와 달리, 에이전트 메모리는 많은 구간이 서로 강하게 상관되거나 거의 중복되는, 경계가 있고 일관된 상호작용 스트림을 형성한다.
• 그 결과, 평면적인 상위 k개 유사도 검색은 종종 중복된 컨텍스트를 반환하고, 요약 중심 계층 구조는 한 후보를 다른 후보와 구별짓는 미묘한 세부 사항을 흐릿하게 만든다.
• 이 논문은 에이전트 메모리가 집계 이전 분리 원칙을 따라야 한다고 주장한다. 즉, 시스템은 먼저 재사용 가능한 사실, 갱신, 구별되는 세부 사항을 유사한 이력에서 분리한 다음에야 효율적 검색을 위해 이를 조직해야 한다.
• 이 원칙에 기반하여, 저자들은 원본 메시지에서 세그먼트, 메모리 컴포넌트, 그룹에 이르는 수정 가능한 계층적 메모리 구조를 구축하는 xMemory를 제안한다.
• xMemory는 상호작용 이력을 국소 이벤트로 분할하고, 각 세그먼트를 메모리 컴포넌트로 분리하며, 희소성·의미적 충실성 목적함수를 사용해 관련 컴포넌트를 상위 그룹으로 집계하고, 메모리가 진화함에 따라 이 구조를 점진적으로 유지한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.