Agentic Context Management: Solving Agent Memory and Cost by Treating Them as Lifecycle and Architecture Problems

AI 에이전트의 컨텍스트(기억) 관리를 단순 저장/검색이 아닌 5단계 라이프사이클로 정의하고, 그 경제성과 구현 방안을 제시했다.

이 논문은 한마디로 AI 에이전트가 실패하는 진짜 이유는 추론력 부족이 아니라 '무엇을 컨텍스트에 담을지' 관리를 못해서라고 진단한다. 저자들은 컨텍스트 관리를 설계(architecting), 추출(ingesting), 범위 지정(scoping), 예측(anticipating), 압축(compacting)의 5단계 라이프사이클로 정의한다. 단순히 전체 대화를 컨텍스트에 쌓으면 비용이 제곱(O(n²))으로 늘고, 무식한 요약은 정확도를 떨어뜨린다. 검증된 압축이 들어가야 선형 비용(O(n))으로 정확도를 유지할 수 있다. 참고 구현체인 Maximem Synap이 LongMemEval 92%, LoCoMo 93.2%를 기록했다.

핵심 요약

• 에이전트 컨텍스트 관리를 '저장/검색'이 아닌 5단계 라이프사이클(설계→추출→범위→예측→압축)로 재정의했다.
• 무제한 컨텍스트 누적은 토큰 비용이 O(n²)로 증가하고, 단순 요약은 정확도 급락을 유발함을 수학적으로 증명했다.
• 조직 계층(user → customer → client)을 고려한 스코핑으로 개인정보 격리와 조직 지식 축적을 동시에 해결한다.
• 참고 구현체(Maximem Synap)가 LongMemEval 92%, LoCoMo 93.2%를 달성했다.
• 기존 상용 메모리 시스템(Mem0, Zep, Cognee 등)은 주로 추출/저장에만 집중하고 있어 5단계 전체를 다루는 시스템이 없음을 대조했다.

논문 링크

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