MemAdapter: 생성적 하위 그래프 검색을 통한 에이전트 메모리 패러다임 간의 빠른 정렬

MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval

메모리 메커니즘은 LLM 기반 에이전트의 핵심 구성 요소로, 긴 문맥에 걸친 추론과 지식 발견을 가능하게 합니다. 기존 에이전트 메모리 시스템은 일반적으로 고립된 패러다임(예: 명시적, 매개변수적, 또는 잠재적 메모리) 내에서 설계되며, 검색 방법이 강하게 결합되어 있어 패러다임 간의 일반화와 융합을 저해합니다. 본 연구에서는 이종 메모리 패러다임을 단일 메모리 시스템 내로 통합하기 위한 첫 걸음을 내딛습니다. 우리는 에이전트 메모리 패러다임 전반에 걸쳐 빠른 정렬을 가능하게 하는 메모리 검색 프레임워크인 MemAdapter를 제안합니다. MemAdapter는 2단계 학습 전략을 채택합니다: (1) 통합 메모리 공간에서 생성적 하위 그래프 검색기를 학습하고, (2) 대조 학습을 통해 경량 정렬 모듈을 학습시킴으로써 해당 검색기를 본 적 없는 메모리 패러다임에 적응시킵니다. 이러한 설계는 메모리 검색의 유연성을 향상시키고 패러다임 간의 정렬 비용을 상당히 줄여줍니다. 3가지 공개 평가 벤치마크에 대한 포괄적인 실험을 통해, 생성적 하위 그래프 검색기가 3가지 메모리 패러다임과 에이전트 모델 규모 전반에서 5가지의 강력한 에이전트 메모리 시스템보다 일관되게 우수한 성능을 보임을 입증했습니다. 특히, MemAdapter는 단일 GPU에서 13분 이내에 패러다임 간 정렬을 완료하며, 5% 미만의 학습 연산량으로 기존 메모리 검색기보다 뛰어난 성능을 달성합니다. 또한, MemAdapter는 메모리 패러다임 간의 효과적인 제로샷 융합을 가능하게 하여, 에이전트 메모리 시스템을 위한 플러그 앤 플레이 솔루션으로서의 잠재력을 강조합니다.

Memory mechanism is a core component of LLM-based agents, enabling reasoning and knowledge discovery over long-horizon contexts. Existing agent memory systems are typically designed within isolated paradigms (e.g., explicit, parametric, or latent memory) with tightly coupled retrieval methods that hinder cross-paradigm generalization and fusion. In this work, we take a first step toward unifying heterogeneous memory paradigms within a single memory system. We propose MemAdapter, a memory retrieval framework that enables fast alignment across agent memory paradigms. MemAdapter adopts a two-stage training strategy: (1) training a generative subgraph retriever from the unified memory space, and (2) adapting the retriever to unseen memory paradigms by training a lightweight alignment module through contrastive learning. This design improves the flexibility for memory retrieval and substantially reduces alignment cost across paradigms. Comprehensive experiments on three public evaluation benchmarks demonstrate that the generative subgraph retriever consistently outperforms five strong agent memory systems across three memory paradigms and agent model scales. Notably, MemAdapter completes cross-paradigm alignment within 13 minutes on a single GPU, achieving superior performance over original memory retrievers with less than 5% of training compute. Furthermore, MemAdapter enables effective zero-shot fusion across memory paradigms, highlighting its potential as a plug-and-play solution for agent memory systems.