연구진은 LLM 에이전트가 과거 상호작용을 요약이나 LLM 생성 표현으로 압축하는 기존 방식 대신, 원본 대화 턴을 그대로 보존하고 내용·시간·에피소드 단서로 조직화하는 에이전트 메모리 기법 EdgeMem을 제안했다. 경량 로컬 처리로 구성한 다중 앵커 하이퍼그래프를 통해 구현되며, 검색 시 소스 증거를 직접 반환하고 최종 답변 생성에만 LLM을 사용한다. LoCoMo와 LongMemEval-S 실험에서 강력한 검색 및 메모리 기반 질의응답 성능을 보였고, LoCoMo에서는 재현된 7개 시스템 중 최고 엄격판정 점수(61.01 대 58.70)를 기록하면서도 구축과 검색 과정에서 생성형 LLM 호출이 전혀 필요하지 않았다.

• •대화 요약 대신 원본 상호작용 턴을 보존하는 에이전트 메모리 기법 EdgeMem 제안
• •내용·시간·에피소드 단서로 조직화한 다중 앵커 하이퍼그래프로 구현
• •검색은 소스 증거를 직접 반환, LLM은 최종 답변 생성에만 사용
• •LoCoMo에서 7개 시스템 중 최고 엄격판정 점수(61.01 대 58.70) 기록
• •구축·검색 과정에 생성형 LLM 호출이 전혀 필요 없어 효율적