RaMem: 장기 자율 에이전트 메모리를 위한 문맥 재구현

RaMem: Contextual Reinstatement for Long-term Agentic Memory

장기적인 상호작용과 변화하는 작업 맥락에서 작동하는 LLM 에이전트에게 장기 기억은 점점 더 중요해지고 있습니다. 최근의 메모리 시스템들은 과거 경험을 더욱 지속적이고, 압축적이며, 검색 가능하게 만들었지만, 검색만으로는 특정 메모리가 현재 쿼리에 대한 유효한 증거를 제공하는지 보장할 수 없습니다. 경험이 재사용 가능한 조각으로 압축될 때, 반복되는 개체나 사용자 상태가 포함된 경우, 서로 다른 상황의 메모리들이 동일하게 관련성이 높은 것으로 나타날 수 있습니다. 우리는 이러한 현상을 '맥락 붕괴(context collapse)'라고 부릅니다. 이는 메모리가 현재 쿼리에 대한 유효한 증거를 제공하는지 판단하는 데 필요한 주변 맥락을 잃어버리는 현상입니다. 이 문제를 해결하기 위해, 우리는 검색된 메모리 조각들을 문맥적으로 검증 가능한 증거로 변환하는 프레임워크인 '문맥 재구현을 위한 에이전트 메모리(Contextual Reinstatement for Agentic Memory, RaMem)'를 제안합니다. RaMem은 다음과 같은 네 가지 조정된 단계로 작동합니다: (i) 증거 고정(evidence anchoring): 각 메모리를 원래의 사건 조건에 묶어줍니다. 특히 이벤트 시간, 언급 시간, 세션 범위 및 참여자를 고려합니다; (ii) 회상 조건 유도(recall condition induction): 쿼리에 의해 암시된 증거 조건을 파생시킵니다; (iii) 검증성 기반 검색(validity-aware retrieval): 이러한 조건을 사용하여 문맥적으로 호환 가능한 메모리를 우선적으로 선택하는 동시에, 콘텐츠와 관련된 후보들을 대체 증거로 유지합니다; (iv) 맥락 보존 합성(context-preserved synthesis): 선택된 메모리들의 구조화된 맥락을 생성기에 지속적으로 제공합니다. 장기 기억 벤치마크 실험 결과, RaMem은 강력한 기존 메모리 시스템보다 성능이 꾸준히 향상되었으며, 여러 모델에서 평균 F1 점수가 10% 이상 증가했습니다.

Long-term memory has become increasingly important for LLM agents that operate across extended interactions and evolving task contexts. Recent memory systems have made past experiences more persistent, compact, and retrievable, but retrieval alone does not ensure that a memory provides valid evidence for the current query. When experiences are compressed into reusable fragments, memories from different situations may appear equally relevant if they involve recurring entities or user states. We refer to this failure as context collapse: memories lose the surrounding context needed to judge whether they provide valid evidence for the current query. To address this problem, we propose Contextual Reinstatement for Agentic Memory (RaMem), a framework that turns retrieved memory fragments into contextually verifiable evidence. RaMem operates through four coordinated stages: (i) evidence anchoring grounds each memory in its original episodic conditions, especially event time, mention time, session span, and participants; (ii) recall condition induction derives the evidence conditions implied by the query; (iii) validity-aware retrieval uses these conditions to prioritize context-compatible memories while retaining content-relevant candidates as fallback evidence; and (iv) context-preserved synthesis keeps the selected memories' structured context available to the generator. Experiments on long-term memory benchmarks show that RaMem consistently improves performance over strong memory baselines, with average F1 gains of more than 10% across several backbones.