AI 에이전트를 위한 그래프 기반 인지 기억: 버전 관리 메모리 아키텍처를 위한 형식적인 믿음 수정 의미론

Graph-Native Cognitive Memory for AI Agents: Formal Belief Revision Semantics for Versioned Memory Architectures

기존 시스템에는 AI 에이전트의 기억을 위한 개별 구성 요소들이 존재하지만, 이러한 구성 요소들의 아키텍처 통합과 형식적인 근거는 아직 충분히 연구되지 않았습니다. 본 논문에서는 형식적인 믿음 수정 의미론에 기반한 그래프 기반 인지 기억 아키텍처인 Kumiho를 제시합니다. 인지 기억을 위한 구조적 요소들 (불변 수정, 가변 태그 포인터, 타입화된 의존성 엣지, URI 기반 주소 지정)은 에이전트가 생성한 작업을 버전 관리 가능한 자산으로 관리하는 데 필요한 요소와 동일하며, 이를 통해 두 가지 목적을 모두 충족하는 통합된 그래프 기반 아키텍처를 구현할 수 있습니다. 본 논문의 핵심적인 형식적인 기여는 AGM 믿음 수정 프레임워크와 프로퍼티 그래프 메모리 시스템의 연산 의미론 간의 대응 관계를 규명하는 것으로, 이를 통해 AGM의 기본 공리 (K*2--K*6)와 Hansson의 믿음 기반 공리 (관련성, 핵심 유지)를 만족함을 증명합니다. 이 아키텍처는 Redis를 활용한 작업 기억과 Neo4j를 활용한 장기 그래프를 결합한 이중 저장 모델을 구현하며, 하이브리드 풀 텍스트 및 벡터 검색 기능을 제공합니다. LoCoMo 데이터셋에서 Kumiho는 0.565의 전체 F1 점수 (n=1,986)를 달성했으며, 악의적인 거부 정확도는 97.5%입니다. 또한, 암묵적인 제약 조건 회상을 테스트하는 Level-2 인지 기억 벤치마크인 LoCoMo-Plus에서 Kumiho는 93.3%의 심사 정확도 (n=401)를 달성했습니다. 벤치마크 작성자들이 독립적으로 동일한 실험을 수행한 결과, 80% 후반의 결과를 얻었으며, 이는 발표된 모든 기존 모델보다 훨씬 우수한 성능입니다 (최고 성능: Gemini 2.5 Pro, 45.7%). 세 가지 아키텍처 혁신이 이러한 결과를 이끌어냈습니다. 첫째, LLM이 생성한 미래 시나리오의 함의를 작성 시점에 인덱싱하는 사전 인덱싱 방식입니다. 둘째, 구조화된 인과 관계를 요약본에 보존하는 이벤트 추출 방식입니다. 셋째, 클라이언트 측 LLM 재순위화 방식입니다. 이 아키텍처는 모델과 분리되어 설계되었으며, 답변 모델을 GPT-4o-mini (~88%)에서 GPT-4o (93.3%)로 변경함으로써 전체 정확도를 향상시킬 수 있습니다. 이는 파이프라인 변경 없이 가능하며, 401개의 항목에 대한 전체 평가 비용은 약 14달러입니다.

While individual components for AI agent memory exist in prior systems, their architectural synthesis and formal grounding remain underexplored. We present Kumiho, a graph-native cognitive memory architecture grounded in formal belief revision semantics. The structural primitives required for cognitive memory -- immutable revisions, mutable tag pointers, typed dependency edges, URI-based addressing -- are identical to those required for managing agent-produced work as versionable assets, enabling a unified graph-native architecture that serves both purposes. The central formal contribution is a correspondence between the AGM belief revision framework and the operational semantics of a property graph memory system, proving satisfaction of the basic AGM postulates (K*2--K*6) and Hansson's belief base postulates (Relevance, Core-Retainment). The architecture implements a dual-store model (Redis working memory, Neo4j long-term graph) with hybrid fulltext and vector retrieval. On LoCoMo (token-level F1), Kumiho achieves 0.565 overall F1 (n=1,986) including 97.5% adversarial refusal accuracy. On LoCoMo-Plus, a Level-2 cognitive memory benchmark testing implicit constraint recall, Kumiho achieves 93.3% judge accuracy (n=401); independent reproduction by the benchmark authors yielded results in the mid-80% range, still substantially outperforming all published baselines (best: Gemini 2.5 Pro, 45.7%). Three architectural innovations drive the results: prospective indexing (LLM-generated future-scenario implications indexed at write time), event extraction (structured causal events preserved in summaries), and client-side LLM reranking. The architecture is model-decoupled: switching the answer model from GPT-4o-mini (~88%) to GPT-4o (93.3%) improves end-to-end accuracy without pipeline changes, at a total evaluation cost of ~$14 for 401 entries.