시작점 — 검색했는데 안 쓴다
MemArbiter (8월 3일)는 이 현상에 이름을 붙였다. Memory-Action Gap.
기억을 제대로 검색해 왔는데도 현재 행동에 반영되지 않는다. 이 논문은 기억을 기능별로 나누고 지금 행동에 필요한 정보의 우선순위를 동적으로 조절해, ALFWorld에서 최대 25.4%p를 높였다.
메모리 연구의 질문이 여기서 갈린다. 저장과 검색이 아니라 사용이 문제라는 것.
필요한 형태의 기억만 꺼낸다
MESA: Task-Adaptive Multi-Structure Evidence Selection (8월 10일)는 실행 기록을 다섯 가지 구조로 만들어두고, 질문에 따라 필요한 구조만 골라 조합한다.
- 가장 강한 기준선보다 8.5% 향상
- 모든 구조를 다 읽는 방식보다 증거 토큰 41% 절감
핵심은 얼마나 많이 기억하느냐가 아니라 현재 작업에 어떤 형태의 기억을 꺼내느냐다.
정확한 기억도 판단을 망칠 수 있다
MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use (8월 20일)
이번 달에서 가장 반작용적인 결과다. 메모리가 정확하게 저장됐고 현재 문제와 관련까지 있어도 오히려 추론을 망칠 수 있다는 것을 체계적으로 측정했다.
두 유형을 정의했다.
- Reasoning Fixation — 과거의 사고 경로에 갇힌다
- Belief Distortion — 과거 정보가 현재 판단을 왜곡한다
두 모델 계열과 5개 대표 메모리 프레임워크 전부에서 메모리를 쓰지 않은 경우보다 성능이 낮았고, 가장 강한 방법조차 10% 이상 하락했다.
무엇을 기억할까뿐 아니라 언제 기억을 무시할까도 정해야 한다.
압축하면 무엇이 사라지나
The Sleeping Agent: What Gist-Based Context Compression Loses and Why (8월 13일)
오래된 대화를 요약해 컨텍스트를 줄이는 방식이 무엇을 잃는지 분석했다. 다단계 추론과 일반 사실 기억에는 도움이 됐지만 날짜·시간 정보가 심하게 손실됐다.
압축 프롬프트를 한 문장 고치는 것만으로 시간 표현 보존율이 3.05% → 62.39%로 올랐다.
일정·이메일·프로젝트 관리처럼 언제 일어났는지가 중요한 업무에서는 메모리 압축 방식 자체가 오류의 원인이 될 수 있다.
계획과 기억을 붙인다
Coupling Planning with Episodic Memory (PMCoder) (8월 7일)
좋은 계획 + 좋은 메모리를 각각 두는 게 아니라, 계획이 기억을 바꾸고 기억이 계획을 바꾸는 순환 구조를 만든다. 현재 계획 단계에 따라 관련 기억을 꺼내고, 과거 실패 패턴을 보고 막혔다고 판단하면 다시 계획한다. SWE-bench Verified에서 +5.0%p.
기억을 구조로 만든다
Tree-of-Experience (8월 10일)는 경험을 텍스트 메모나 과거 실행 목록이 아니라 추론 과정과 맞물린 계층형 트리로 구성한다. 어떤 사고 경로가 성공했는지를 결과 피드백으로 계속 갱신한다.
Muscle Memory for Agents: Compile not Merely Retrieve (8월 10일)는 더 나간다. 반복 패턴을 매번 검색하는 대신 전용 specialist 에이전트로 컴파일하자는 것이다.
- 기존: 기억 → 검색 → LLM이 다시 해석 → 실행
- 제안: 반복 경험 → 작은 전문 에이전트 생성 → 다음부터 바로 실행
specialist가 발동한 36개 사례 중 32개에서 기본 어시스턴트보다 좋은 평가를 받았다.
모델을 아예 안 쓰는 기억
Activity Frames: Deterministic Screen-Activity Compilation (8월 6일)은 화면 활동 기록을 LLM 없이 결정론적으로 압축해 장기 메모리로 만든다. 한 사용자 데이터에서 하루 기록을 약 86배 압축했고, 이 기록을 읽은 에이전트의 질의 정확도는 98.4%였다.
장기 메모리를 반드시 LLM 요약으로 만들 필요는 없다는 뜻이다. 반복 업무는 기억·재생 자체를 모델 밖으로 빼는 편이 더 싸고 검증 가능할 수 있다.
경험을 물려주기
Agent Memory Distillation (8월 7일)는
큰 모델의 성공 기록을 Workflow → Subtask → Function 3단계 메모리로 만들어 작은 에이전트에 넘긴다.
별도 학습 없이 4B~8B 모델의 도구 사용 성능을 높였고, AppWorld에서 평균 +27.2%p였다.
그래서 무엇을 다르게 할 것인가
1. 과거 대화를 계속 이어붙이지 않는다
긴 세션을 계속 끌고 가면 과거 맥락이 지금 판단을 고착시킬 수 있다. 성격이 다른 일은 새 대화로 시작하는 편이 낫다.
2. 날짜가 중요한 일은 요약에 맡기지 않는다
일정, 마감, 이력. 압축이 가장 먼저 버리는 게 시간 정보다. 이런 건 별도로 적어둔다.
3. 반복 업무는 기억이 아니라 절차로 만든다
매번 "지난번처럼 해줘"라고 하는 대신 절차를 문서로 고정한다. 논문들이 하고 있는 게 정확히 그 자동화다.
4. 기억이 도움이 되는지 가끔 확인한다
메모리 기능을 켜둔 도구가 항상 더 나은 건 아니다. 같은 일을 새 세션에서 시켜 보고 비교해 본다.