인피니 메모리: 장기 LLM 에이전트 메모리를 위한 유지 관리 가능한 주제 문서

Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory

장기적인 LLM 에이전트는 변화하는 사실을 추적하고 여러 세션에 걸쳐 관련 증거를 제공할 수 있는 지속적인 메모리가 필요합니다. 기존의 메모리 시스템은 종종 관찰 내용을 독립적인 레코드, 요약 또는 인덱싱된 조각으로 저장하는데, 이는 증거 통합, 사실 수정 및 메모리 유지 관리를 어렵게 만듭니다. 본 연구에서는 에이전트 메모리를 주제 구조화된 문서로 취급하는 유지 관리 가능한 텍스트 기반의 지속적 메모리 아키텍처인 '인피니 메모리'를 제안합니다. 각 주제 문서는 관련 증거를 수집하고, 메타데이터를 보존하며, 시간이 지남에 따라 사실을 수정하기 위한 의미론적 단위 역할을 합니다. 새로운 관찰 내용은 먼저 버퍼에 저장되고 주기적으로 일관된 텍스트 컨텍스트로 통합됩니다. 추론 단계에서 에이전트 기반의 검색 절차를 통해 LLM은 단일 검색 단계가 아닌 반복적인 도구 호출을 통해 메모리를 읽습니다. MemoryAgentBench 데이터셋에서 인피니 메모리는 64.7%의 전체 점수를 달성했습니다. 추가 실험 결과, 주제 구조화된 유지 관리 및 반복적인 증거 검토는 장기 메모리 사용의 상호 보완적인 측면을 향상시키는 것으로 나타났습니다.

Long-term LLM agents need persistent memory that can track changing facts and provide relevant evidence across sessions. Existing memory systems often store observations as isolated records, summaries, or indexed fragments, which makes evidence aggregation, fact revision, and memory maintenance difficult. We propose Infini Memory, a maintainable text-based persistent memory architecture that treats agent memory as topic-structured documents. Each topic document serves as a semantic unit for collecting related evidence, preserving metadata, and revising facts over time. New observations are first staged in a buffer and periodically consolidated into coherent textual contexts. At inference time, an agentic retrieval procedure lets the LLM read memory through iterative tool calls rather than a single retrieval step. On MemoryAgentBench, Infini Memory achieves 64.7% overall score. Ablations show that topic-structured maintenance and iterative evidence inspection improve complementary aspects of long-term memory use.