LLM 에이전트용 구조화·충돌 인지 장기 기억 프레임워크 MOSAIC이 제안됐다. 엔티티 타입 그래프 저장으로 사건·인물·관계의 관계적 구조를 보존해 멀티홉·시간 추론을 지원하고, LLM 분류 대신 LSH(지역 민감 해싱) 기반 이중 경로 검색으로 정확도 손실 없이 즉각적인 조회를 구현했으며, 저장 시점에 기존 그래프 이웃과 대조해 모순 정보를 갱신·삭제하는 능동 충돌 감지를 갖췄다. LoCoMo에서 89.35% 정확도로 최고 베이스라인을 27.21%p 앞섰고, 주입된 사실 충돌의 66%를 감지해 베이스라인(14%)의 4.7배를 기록했으며 평균 검색 지연은 질문당 0.58초다. 기억이 쌓일수록 모순이 누적되는 기존 에이전트 메모리의 근본 한계를 실용적 지연 수준에서 해결한 점이 의미 있다.
- •엔티티 타입 그래프 저장으로 관계 구조를 보존해 멀티홉·시간 추론 지원
- •LLM 분류를 LSH 기반 이중 경로 검색으로 대체, 평균 질문당 0.58초 검색 지연
- •저장 시점 능동 충돌 감지로 주입된 사실 충돌 66% 탐지 — 최고 베이스라인(14%)의 4.7배
- •LoCoMo 장기 대화 QA 정확도 89.35%로 최고 베이스라인 대비 +27.21%p
- •HaluMem Medium·Long 추출 F1(86.77%/85.84%)과 QA 정답률(73.10%/70.75%) 모두 최고 기록
Accurate and Efficient Long-Term Memory for LLM Agents
- 1.엔티티 타입 그래프 저장·충돌 감지 기반 LLM 에이전트 장기기억 프레임워크 MOSAIC 공개
- 2.LSH 해시 가속 이중 경로 검색으로 LLM 분류를 대체, 질문당 평균 지연 0.58초
- 3.LoCoMo 정확도 89.35%로 최고 베이스라인 대비 +27.21%p, HaluMem 추출 F1도 최고
- 4.저장 시점 충돌 감지로 주입된 사실 모순의 66% 탐지, 기존 최고(14%)의 4.7배
왜 중요한가?
기존 에이전트 메모리가 평면 저장으로 관계 맥락을 잃고 모순을 조용히 누적하던 문제를 그래프 구조와 저장 시점 검증으로 해결했다. 장기 대화·개인화 에이전트 제품에서 기억 정확도와 지연시간을 동시에 개선할 수 있는 설계다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2607.16211v1 Announce Type: new Abstract: LLM agents augmented with persistent memory can recall past interactions, but existing systems suffer from two limitations: flat, unstructured storage loses relational context needed for multi-hop and temporal reasoning, and reliance on expensive LLM-based classification makes them impractical for latency-sensitive deployment. Without mechanisms to validate new information against stored knowledge, these systems silently accumulate contradictions.
전체 내용이 궁금하다면?
원문을 직접 읽어보세요