ConMem: Structured Memory-Guided Adaptation in Training-Free Multi-Agent Systems

LLM 기반 다중 에이전트 시스템에서 과거 경험을 타입드 서명 카드와 관계 그래프로 구조화해 추가 학습 없이 적응하는 ConMem 프레임워크를 제안했다. 50% 이상의 후보를 pruning하면서도 일관된 성능 향상을 달성한다.

ConMem은 다중 에이전트 적응을 위해 과거 상호작용 궤적을 typed signed memory card로 증류하고, 이를 관계 인식 메모리 그래프로 구성한다. 각 카드는 상태-계획-실행-평가 정보를 인코딩하며 positive/negative 서명이 부여된다. 런타임에 작업 요구에 맞게 카드를 검색하고, 관계 그래프를 통해 전략 충돌 해결과 의존성 복구를 수행한 뒤 컨텍스트 예산 내에서 프롬프트를 구성한다. 4개 벤치마크, 3개 MAS 호스트에서 기존 메모리 아키텍처 대비 일관된 향상을 보이며, 확장 후보 50% 이상을 pruning하고 계획 오버헤드를 80% 이상 감소시킨다.

핵심 요약

• 과거 궤적을 typed signed memory card로 증류해 재사용 가능한 전략 단위 생성
• Supports/satisfies/conflicts/constrains 관계를 갖는 typed 그래프로 카드 구성
• Needs-aware retrieval로 작업 요구에 맞는 카드 검색
• 관계 그래프 기반 충돌 해결 및 의존성 복구로 일관된 지침 생성
• 컨텍스트 예산 제어로 50% 이상 후보 pruning 및 80% 계획 오버헤드 감소
• 호스트 모델 가중치나 오케스트레이션 수정 없이 training-free 적용

논문 링크

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