장기간 다중 세션 배포에서 누적 경험 관리가 병목이 된 LLM 에이전트. 메모리와 스킬 디스커버리 두 커뮤니티는 같은 문제를 풀지만 교차 인용률이 1% 미만. 이 논문은 '경험 압축 스펙트럼'이라는 통합 프레임을 제시: 에피소드 메모리 5-20배, 절차 스킬 50-500배, 선언 규칙 1,000배+ 압축. 20+ 시스템을 매핑한 결과 모두 고정 압축 레벨에서 운영되며 적응적 교차 레벨 압축을 지원하는 시스템 없음(저자 표현: 'missing diagonal').
- •에이전트 경험 관리의 통합 프레임 '경험 압축 스펙트럼'
- •메모리(5-20x)·스킬(50-500x)·규칙(1,000x+) 압축 축
- •메모리·스킬 디스커버리 커뮤니티 교차 인용 1% 미만
- •모든 시스템이 고정 압축 레벨에서만 동작 — 'missing diagonal'
- •평가 방법이 압축 레벨에 강하게 결합
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Experience Compression Spectrum: Unifying Memory, Skills, and Rules in LLM Agents
- 1.에이전트 메모리·스킬·규칙을 단일 스펙트럼으로 통합
- 2.적응적 교차 레벨 압축이 미해결 공백
- 3.장기 배포 에이전트 설계의 로드맵 제시
왜 중요한가?
Claude Skills, GPT Memory 같은 에이전트 메모리 시스템이 확산되지만 이론 프레임이 부재. 이 스펙트럼은 전 분야 공통 언어를 제공.
본문 미리보기
arXiv:2604.15877v1 Announce Type: new Abstract: As LLM agents scale to long-horizon, multi-session deployments, efficiently managing accumulated experience becomes a critical bottleneck. Agent memory systems and agent skill discovery both address this challenge -- extracting reusable knowledge from interaction traces -- yet a citation analysis of 1,136 references across 22 primary papers reveals a cross-community citation rate below 1%. We propose the \emph{Experience Compression Spectrum}, a u
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:32AI 초안
