Memanto — multi-session 자율 에이전트의 메모리 병목을 푸는 universal memory layer. 기존 hybrid semantic graph 아키텍처가 LLM 매개 entity 추출·explicit graph schema·multi-query retrieval로 막대한 오버헤드를 부과하던 문제를 해소. 13개 사전 정의 카테고리의 typed semantic memory schema + 자동 충돌 해소 + temporal versioning을 Moorcheh의 Information Theoretic Search engine(no-indexing semantic DB) 위에 구축, sub-90ms 결정론적 retrieval + ingestion 지연 zero. LongMemEval 89.8%·LoCoMo 87.1% SOTA — 단일 retrieval 쿼리·zero ingestion 비용으로 hybrid graph/vector 시스템을 모두 능가.
- •Memanto — knowledge graph 복잡도 없이 high-fidelity 에이전트 메모리 가능함을 입증한 universal memory layer.
- •13개 사전 정의 카테고리 + 자동 충돌 해소 + temporal versioning의 typed semantic memory schema.
- •Moorcheh Information Theoretic Search engine으로 sub-90ms 결정론적 retrieval + zero ingestion 지연.
- •LongMemEval 89.8%·LoCoMo 87.1% SOTA — 단일 쿼리·zero ingestion 비용.
- •Hybrid graph/vector 기반 메모리 시스템의 운영 복잡도와 비용 문제를 정면 해결.
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.
Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents
- 1.에이전트 AI의 메모리 아키텍처 병목을 해소하는 범용 메모리 레이어 Memanto 제안
- 2.13개 사전 정의 메모리 카테고리, 자동 충돌 해결, 시간 버전 관리 통합
- 3.90ms 미만 레이턴시로 인덱싱 없는 의미론적 데이터베이스로 결정론적 검색 구현
- 4.LongMemEval 89.8%, LoCoMo 87.1% 달성으로 하이브리드 그래프·벡터 시스템 전체 능가
왜 중요한가?
단일 쿼리, 무인덱싱, 낮은 운영 복잡도로 SOTA 메모리 정확도를 달성한 Memanto는 장기 에이전트 시스템의 실용적 배포 가능성을 크게 높인다.
언급 프로젝트
본문 미리보기
arXiv:2604.22085v1 Announce Type: new Abstract: The transition from stateless language model inference to persistent, multi session autonomous agents has revealed memory to be a primary architectural bottleneck in the deployment of production grade agentic systems. Existing methodologies largely depend on hybrid semantic graph architectures, which impose substantial computational overhead during both ingestion and retrieval. These systems typically require large language model mediated entity e
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:45AI 초안
