MemLens: 상호 작용 분석을 위한 가치 기반 메모리 관리 시스템 - LLM 기반 에이전트를 위한

MemLens: A Value-Aware Memory Management System with Interactive Analytics for LLM-based Agents

최근, 메모리 관리는 장기 추론, 개인화된 응답 및 지식 재사용에 직접적인 영향을 미치므로 LLM 기반 에이전트의 핵심 인프라가 되었습니다. 그러나 기존 LLM 메모리 시스템은 일반적으로 다양한 사용자-LLM 상호 작용 기록을 동일하게 취급하는 세분화되지 않은 방식을 채택하여, 불필요하고 영향력이 낮은 기록들이 메모리 저장소에 지속되는 문제를 야기합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 메모리 레코드를 핵심 데이터 객체로 다루는 가치 기반 메모리 관리 시스템인 MemLens를 제안합니다. MemLens는 Shapley-style 메모리 평가, 가치 기반 저장 및 메모리 지원 응답을 포함하는 전체 메모리 수명 주기를 보여주는 엔드투엔드 상호 작용 분석 대시보드를 제공합니다. 연구 조력자 애플리케이션을 통해 사용자는 메모리 값 검사, 계층적 메모리 구조 시각화 및 응답 품질, 검색 지연 시간 및 토큰 소비 측면에서 다양한 메모리 관리 전략 비교가 가능합니다. 따라서 MemLens는 LLM 기반 에이전트를 위한 효율적이고 해석 가능하며 개인화된 장기 메모리 관리 시스템으로 활용될 수 있습니다.

Recently, memory management has become a key infrastructure for LLM-based agents, as it directly affects long-horizon reasoning, personalized responses, and knowledge reuse. However, existing LLM memory systems typically adopt a coarse-grained (utility-agnostic) manner that treats heterogeneous user-LLM interaction records uniformly, leading to redundant and low-impact records persisting in the memory repository. To address this challenge, we present MemLens, a value-aware memory management system that takes memory records as first-class data objects. MemLens provides an end-to-end interactive analytics dashboard that exposes the complete memory lifecycle, including Shapley-style memory evaluation, value-aware storage, and memory-assisted response. Through a study-copilot application, the system enables users to inspect memory values, visualize hierarchical memory structures, and compare various memory management strategies in terms of response quality, retrieval latency, and token consumption. Therefore, our MemLens can serve as an efficient, interpretable, and personalized long-term memory management system for LLM-based agents.