EvoMemState, 개인 에이전트의 기억을 상태 중심으로 전환

들어가며

개인 에이전트에게 사용자의 과거 발언을 저장하는 일은 장기 기억의 시작일 뿐입니다. 사용자의 선호는 바뀔 수 있고, 어떤 정보는 특정 상황에서만 유효하며, 새로운 발언이 이전 내용을 수정하거나 반박할 수도 있습니다. 기억을 독립적인 사실로만 저장하면 관련 정보를 검색하더라도 현재 상황에 잘못 적용할 위험이 있습니다.

EvoMemState는 장기 기억을 평면적인 사실 저장소가 아니라 시간이 지나며 변하는 상태 시스템으로 다룹니다. 사용자가 무엇을 말했는지뿐 아니라, 기억들이 서로 어떤 관계를 가지는지, 그리고 현재 요청에서 어떻게 사용돼야 하는지를 함께 표현하는 방식입니다.

핵심 내용

• 지속 사실과 관계 상태의 결합: 시스템은 먼저 비교적 지속적인 사실을 추출한 뒤, 온톨로지 기반 메모리 상태 유도를 통해 유효성, 적용 범위, 갱신, 제약, 충돌 관계를 기록합니다. 따라서 오래된 선호가 검색됐다는 이유만으로 최신 정보와 같은 가중치를 받지는 않습니다.
• 요청별 추론 상태: EvoMemState는 현재 요청에 맞는 Reasoning State를 생성합니다. 이를 통해 어떤 기억이 적용되는지, 답변에서 어떤 역할을 맡는지, 여러 기억 가운데 무엇을 우선할지를 판단합니다.
• 강화학습 기반 상태 진화: 과거의 메모리 활용 경험을 강화학습으로 정책에 반영해 기억 상태를 발전시킵니다. 관련 설명에 따르면 답변 모델이 매번 즉흥적으로 기억 활용법을 정하는 대신, 별도의 기억 상태 진화 모델이 이 판단을 담당할 수 있습니다.
• 상태 인지형 추론: 최종 답변은 사실, 관계 상태, 요청별 추론 상태를 함께 사용합니다. 단순한 키워드 검색으로 인한 기억 오용을 줄이고, 검색의 완전성과 기억에 근거한 응답의 정확성을 높이려는 접근입니다.

의미와 과제

EvoMemState의 가장 중요한 의미는 기억을 관리하는 일과 기억을 적용하는 일을 구분한 데 있습니다. 두 선호가 충돌한다는 사실만 기록해서는 충분하지 않습니다. 오래된 선호가 폐기됐는지, 다른 상황에서는 여전히 유효한지, 혹은 사용자의 선호 변화 과정을 설명하는 근거로 남겨야 하는지를 현재 요청에 따라 판단해야 합니다. 반대로 관계 정보가 없다면 추론 모듈은 매 요청마다 흩어진 사실에서 사용자의 과거를 다시 구성해야 합니다.

이 구조는 “가장 최근 발언이 항상 이전 내용을 덮어쓴다”는 단순한 규칙을 넘어섭니다. 제공된 자료에 따르면 EvoMemState는 장기 대화와 메모리 활용 벤치마크에서 기존 시스템보다 지속적으로 높은 성능을 보였습니다. 언급된 MemSyco-Bench 설정에서 Qwen3-8B를 사용했을 때 정확도는 57.6%였으며, 가장 강한 기준선보다 약 12포인트 높았습니다. 앞으로는 온톨로지 구축 비용, 관계의 지속적인 갱신, 해결되지 않은 충돌을 설명하는 문제가 남습니다. 그럼에도 상태 중심 기억은 더 일관되고 통제 가능한 개인 에이전트를 만드는 유망한 방향입니다.

출처: Hugging Face Daily Papers