AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts

LLM 에이전트를 위한 장기 메모리 시스템. 원시 대화에서 핵심 사실만 추출하는 Fact Executor와 계층적 이벤트 구조를 결합해 LoCoMo 벤치마크에서 SOTA 달성.

AtomMem은 LLM 에이전트의 장기 메모리 문제를 해결하기 위해, 원시 대화에서 자족적 atomic fact를 추출하는 Fact Executor를 도입한다. 추출된 팩트는 계층적 이벤트 메모리와 시간적 프로필 메모리로 조직화되며, 검색 시 연관 메모리 그래프가 단편화된 기억을 연결한다. LoCoMo 벤치마크에서 Multi-Hop J-score 31.1%, Temporal J-score 5.5% 향상 등 기존 최고 성능 대비 큰 폭의 개선을 보였고, Mem0 대비 토큰 소비를 61.4% 절감했다.

핵심 요약

• Fact Executor: SFT 튜닝된 경량 LLM이 원시 대화에서 핵심 정보만 atomic fact로 추출 (Qwen3-14B, LoRA rank 128)
• 계층적 메모리 구조: atomic fact를 이벤트 메모리(맥락) + temporal profile(사용자 상태 추적)로 조직화
• 연관 메모리 그래프: 엔티티 중복, 공유 이벤트, 대화 연속성으로 단편화된 기억을 연결하는 검색 활성화
• LoCoMo 벤치마크 Multi-Hop J-score에서 LightMem 대비 31.1% 향상, Mem0 대비 토큰 61.4% 절감
• 단순 flat 변형(AtomMem-Flat)만으로도 기존 baseline 대비 Multi-Hop F1을 20.97→37.03으로 76.6% 개선, 메모리 표현 품질이 핵심임을 입증
• 검색 파라미터 k_f=10이 정확도-비용-지연의 최적 균형점; k>20에서는 노이즈로 인해 성능 저하

논문 링크

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