장기 AI 에이전트 메모리를 데이터베이스 패러다임으로 다루는 현재 접근법이 비제어적 성장·의미론적 수정 부재·용량 기반 망각·읽기 전용 검색이라는 네 가지 반복적 실패 모드를 낳는다고 지적한다. 이를 해결하기 위해 기록 수준이 아닌 상태 궤적 수준의 정확성을 갖는 Governed Evolving Memory(GEM) 프레임워크를 제안한다. GEM은 수집·수정·망각·검색의 4가지 상태 수준 연산자와 6가지 정확성 조건으로 구성되며, 어떤 기록 수준 시스템도 이 조건을 충족할 수 없음을 구조적으로 증명했다. 프로퍼티 그래프 백엔드 기반 프로토타입 MemState로 구현 가능성을 검증했다.
- •현재 에이전트 메모리의 4대 실패 모드: 비제어적 성장, 의미론적 수정 부재, 용량 기반 망각, 읽기 전용 검색.
- •GEM은 DB 연산 대신 수집·수정·망각·검색의 4가지 상태 수준 연산자와 6가지 정확성 조건으로 장기 메모리를 형식화.
- •관계형 DB·벡터 DB·그래프 DB를 포함한 어떤 기록 수준 시스템도 GEM의 6가지 정확성 조건을 만족할 수 없음을 구조적으로 증명.
- •프로퍼티 그래프 백엔드 기반 MemState 프로토타입으로 구현 가능성 검증, 메모리 중심 데이터 관리라는 새로운 워크로드 방향 제시.
Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory
- 1.GEM(Governed Evolving Memory): 에이전트 메모리를 레코드가 아닌 상태 트래젝토리 정확성으로 정의하는 형식 이론 제안
- 2.비규제 성장·의미 수정 부재·용량 기반 망각·읽기전용 검색 4가지 실패 모드 규명
- 3.레코드 수준 DB는 GEM 조건을 구조적으로 충족 불가함을 수학적으로 증명
- 4.프로토타입 MemState로 프로퍼티 그래프 백엔드에서 타당성 검증
왜 중요한가?
벡터 DB·그래프 DB 기반 에이전트 메모리가 왜 장기 신뢰성을 확보하지 못하는지를 형식적으로 규명하고, 메모리 중심 데이터 관리라는 새 연구 방향을 제시해 에이전트 인프라 설계의 이론적 토대를 제공한다.
본문 미리보기
arXiv:2605.26252v1 Announce Type: new Abstract: Long-running AI agents need persistent memory. Memory supports learning across sessions, reduces repeated context injection, and enables auditing of past decisions. Current agent memory systems and database paradigms treat memory as storage. They localize correctness at records, embeddings, or edges. Each supplies only some of the capabilities that long-term memory requires. The result is four recurring failure modes: unregulated growth, missing s
전체 내용이 궁금하다면?
원문을 직접 읽어보세요