NapMem은 장기 사용자 메모리를 수동 검색 컨텍스트가 아니라 에이전트가 능동적으로 탐색하는 구조화된 행동 공간으로 다루는 프레임워크다. 원시 대화, 타입별 메모리 레코드, 토픽 트랙, 사용자 프로필을 출처 관계로 연결한 다중 granularity 메모리 피라미드로 사용자 이력을 조직하고, 각 계층을 메모리 도구로 노출한다. 에이전트는 질의와 중간 근거에 따라 적절한 세분화 수준의 메모리를 선택하도록 강화학습으로 훈련된다. PersonaMem-v2, LongMemEval, LoCoMo 벤치마크에서 메모리 도구 RL로 학습한 NapMem 에이전트가 다양한 메모리 집약 과제에서 경쟁력을 보였고, 비메모리 과제에서 일반 추론·도구 사용 능력도 대체로 보존됐다. 구조화된 저장과 학습된 사용 정책의 결합이 개인화 에이전트 메모리의 유효한 방향임을 시사한다.
- •수동 검색 대신 메모리를 구조화된 행동 공간으로 다루는 NapMem 프레임워크
- •원시 대화→메모리 레코드→토픽 트랙→프로필을 출처 관계로 연결한 메모리 피라미드
- •메모리 도구 강화학습으로 질의별 적절한 세분화 수준 선택을 학습
- •PersonaMem-v2·LongMemEval·LoCoMo에서 경쟁력 있는 성능 확인
- •비메모리 과제에서 일반 추론·도구 사용 능력 대체로 보존
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.
From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space
- 1.NapMem 제안: 장기 사용자 메모리를 수동 검색 대신 구조화된 행동 공간으로 학습
- 2.원본 대화→타입 레코드→토픽 트랙→프로필을 provenance로 연결한 메모리 피라미드 구성
- 3.메모리 툴 RL로 쿼리·중간 증거에 따라 적절한 granularity를 선택하도록 훈련
- 4.PersonaMem-v2·LongMemEval·LoCoMo에서 경쟁력 확인, 일반 추론·툴 능력은 보존
왜 중요한가?
기존 메모리 시스템이 사전 선별된 증거를 모델에 떠먹여주던 수동 검색 구조에서, 에이전트가 스스로 어떤 granularity의 기억을 들여다볼지 결정하는 능동 탐색으로 전환한 점이 새롭다. 개인화 대화 에이전트의 장기 기억 설계에서 저장 구조와 사용 정책을 함께 학습해야 한다는 근거를 제공한다.
본문 미리보기
arXiv:2607.05794v1 Announce Type: new Abstract: Long-term user memory is essential for personalized conversational agents, yet many memory systems still expose memory through passive retrieval interfaces, making the model a consumer of pre-selected evidence. We introduce NapMem, a framework for learning to use long-term user memory as a structured action space rather than passively retrieved context. NapMem organizes user history into a linked multi-granularity memory pyramid, where raw convers
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
