경험이 숙련으로: 자기 진화형 기술 기억을 통해 일반화 가능한 의료 에이전트 추론 활성화

Experience Makes Skillful: Enabling Generalizable Medical Agent Reasoning via Self-Evolving Skill Memory

의료 에이전트 시스템은 단순히 정적인 질의응답 기능을 제공하는 것을 넘어, 상호작용적인 임상 의사 결정을 지원할 것으로 기대되고 있습니다. 이러한 환경에서 효과적인 에이전트는 변화하는 사례에 걸쳐 이전 경험을 재사용해야 하지만, 기존의 메모리 메커니즘은 종종 중복적이고 노이즈가 많으며 관리하기 어려운 원시 데이터 기록을 유지합니다. 더욱 중요한 것은, 어떤 기억이 향후 추론에 실제로 유용한지를 잘 구분하지 못한다는 점입니다. 이는 장기적인 임상 추론을 위한 압축되고 신뢰할 수 있는 경험 축적 능력을 제한합니다. 이러한 격차를 해소하기 위해, 모델 가중치를 업데이트하지 않고 기술 기반 메모리를 통해 의료 에이전트를 개선하는 자기 진화 프레임워크인 SkeMex를 제안합니다. SkeMex는 유용한 상호 작용 경로를 재사용 가능한 절차적 지식을 인코딩하는 구조화된 기술로 추출하고, 이를 일반적인 경험, 작업별 경험 및 행동 수준의 경험을 포괄하는 다중 분기 저장소에 구성합니다. SkeMex는 환경 피드백으로부터 맥락 의존적인 유용성을 추정하여 어떤 기억을 재사용하고 유지할지 결정하며, 이 정보를 사용하여 가치 기반 검색 및 저장소 관리를 안내합니다. 폐쇄 루프 ``읽기-쓰기-평가-관리'' 라이프사이클은 새로운 기술을 작성하고, 유틸리티를 업데이트하며, 유용한 메모리를 홍보하고, 유해한 항목을 제거함으로써 지속적인 진화를 지원합니다. 다양한 임상 작업에 대한 실험 결과, SkeMex는 오프라인 및 온라인 환경 모두에서 대표적인 메모리 기반 에이전트보다 일관되게 우수한 성능을 보였습니다. 또한 다양한 모델 구조에 적용 가능하며, 전송 가능한 기술 기억을 지원합니다. 모든 데이터와 코드는 공개적으로 제공될 예정입니다.

Medical agent systems are increasingly expected to support interactive clinical decision making rather than only static question answering. In such settings, effective agents must reuse prior experience across evolving cases, yet existing memory mechanisms often retain raw historical traces that are redundant, noisy, and difficult to govern. More importantly, they rarely distinguish which memories are truly useful for future reasoning. This limits their ability to accumulate compact and reliable experience for long-horizon clinical reasoning. To close this gap, we propose SkeMex, a post-deployment self-evolution framework that improves medical agents through a skill-based memory without updating model weights. SkeMex distills informative interaction trajectories into structured skills that encode reusable procedural knowledge, and organizes them into a multi-branch repository spanning general, task-specific, and action-level experience. To determine which memories should be reused and retained, SkeMex estimates context-dependent utility from environment feedback and uses it to guide value-aware retrieval and repository governance. A closed-loop ``Read--Write--Assess--Govern" lifecycle further supports continual evolution by writing new skills, updating utilities, promoting useful memories, and removing harmful entries. Experiments across diverse clinical tasks show that SkeMex consistently outperforms representative memory-based agents in both offline and online settings. It also generalizes across model backbones and supports transferable skill memory. All data and code will be released publicly.