Memora: 추상화와 구체성의 균형을 맞추는 조화로운 기억 표현

Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity

에이전트 기억 시스템은 지속적으로 증가하는 정보를 수용하는 동시에, 후속 작업을 위한 효율적이고 문맥을 인식하는 검색을 지원해야 합니다. 추상화는 에이전트 기억의 확장을 위해 필수적이지만, 종종 구체성을 희생하여 효과적인 추론에 필요한 세밀한 세부 사항을 흐리게 만듭니다. 본 논문에서는 구조적으로 추상화와 구체성의 균형을 맞추는 조화로운 기억 표현인 Memora를 소개합니다. Memora는 구체적인 기억 값을 색인화하고 관련 업데이트를 통합된 기억 항목으로 묶는 주요 추상화를 통해 정보를 구성하며, 동시에 큐 앵커(cue anchor)를 통해 기억의 다양한 측면에 대한 검색 접근성을 확장하고 관련 기억들을 연결합니다. 이러한 구조를 바탕으로, 우리는 직접적인 의미론적 유사성을 넘어 관련 정보를 검색하기 위해 이러한 기억 연결을 적극적으로 활용하는 검색 정책을 채택했습니다. 이론적으로, 우리는 표준 검색 증강 생성(RAG) 및 지식 그래프(KG) 기반 기억 시스템이 우리 프레임워크의 특수한 사례임을 보여줍니다. 실증적으로, Memora는 LoCoMo 및 LongMemEval 벤치마크에서 새로운 최고 성능(SOTA)을 달성했으며, 기억의 규모가 커짐에 따라 더 나은 검색 관련성과 추론 효과성을 입증했습니다.

Agent memory systems must accommodate continuously growing information while supporting efficient, context-aware retrieval for downstream tasks. Abstraction is essential for scaling agent memory, yet it often comes at the cost of specificity, obscuring the fine-grained details required for effective reasoning. We introduce Memora, a harmonic memory representation that structurally balances abstraction and specificity. Memora organizes information via its primary abstractions that index concrete memory values and consolidate related updates into unified memory entries, while cue anchors expand retrieval access across diverse aspects of the memory and connect related memories. Building on this structure, we employ a retrieval policy that actively exploits these memory connections to retrieve relevant information beyond direct semantic similarity. Theoretically, we show that standard Retrieval-Augmented Generation (RAG) and Knowledge Graph (KG)-based memory systems emerge as special cases of our framework. Empirically, Memora establishes a new state-of-the-art on the LoCoMo and LongMemEval benchmarks, demonstrating better retrieval relevance and reasoning effectiveness as memory scales.