MemSIF: 구조화된 상호작용으로부터 LLM 에이전트를 위한 이중 트랙 사실 메모리까지

MemSIF: From Structured Interactions to Dual-Track Fact Memory for LLM Agents

장기적인 상호작용 환경에서 작동하는 LLM 에이전트에게 장기 기억은 매우 중요합니다. 그러나 기존의 메모리 시스템에 존재하는 여러 가지 한계는 장기적인 상호 작용 설정에서 발생하는 두 가지 주요 문제점, 즉 시간-구조적 불일치(Temporal-Structural Misalignment, TSM)와 지연된 유틸리티 발현(Delayed Utility Manifestation, DUM)으로 인해 발생합니다. TSM은 시간적 근접성이 주제 또는 이벤트 수준의 관련성을 신뢰성 있게 반영하지 못할 때 발생하며, DUM은 쓰기 시점의 중요도가 미래의 쿼리 활용도를 신뢰성 있게 예측하지 못할 때 발생합니다. 이러한 불일치 패턴을 완화하기 위해 구조화된 상호작용과 사실 메모리를 결합한 프레임워크인 MemSIF (Memory with Structured Interactions and Facts)를 제안합니다. 구조화된 상호 작용 메모리는 원시 상호작용을 주제별 일관성을 유지하는 주제 세그먼트와 시간 경계를 넘어 이벤트 연속성을 유지하는 이벤트 트래jectory로 구성합니다. 이중 트랙 사실 메모리는 두 가지 상호 보완적인 트랙을 사용합니다. CoreFact 메모리는 쓰기 시점에 안정적이고 스키마 기반의 정보를 통합하며, ActiveFact 메모리는 필요에 따라 사실을 생성하고 여러 역사적 출처와 반복적인 쿼리 수요를 통해 재사용을 촉진합니다. LoCoMo 및 LongMemEval-S 데이터셋에서 5가지 기본 LLM을 사용하여 수행한 실험 결과, MemSIF는 모든 설정에서 가장 높은 총 정확도(Total ACC)를 달성했으며, LoCoMo에서는 2.29%-8.79%, LongMemEval-S에서는 2.87%-6.15% 더 우수한 성능을 보였습니다. 이러한 결과는 구조화된 상호 작용 메모리와 이중 트랙 사실 메모리를 결합하여 TSM과 DUM을 완화하는 데 효과적임을 보여줍니다. 코드: https://github.com/luoyufeihaha/MemSIF

Long-term memory is critical for LLM agents operating over long-horizon interactions. However, several persistent limitations of existing memory systems can be traced to two recurring misalignment patterns in long-term interaction settings: Temporal-Structural Misalignment (TSM) and Delayed Utility Manifestation (DUM). TSM arises when temporal proximity does not reliably align with topical or event-level relatedness, whereas DUM arises when write-time salience does not reliably predict future query utility. To mitigate these misalignment patterns, we propose MemSIF (Memory with Structured Interactions and Facts), a structured interaction-to-fact memory framework. Structured Interaction Memory organizes raw interactions into Topical Segments that preserve local topical coherence and Event Trajectories that maintain cross-time event continuity. Dual-Track Fact Memory uses two complementary tracks: CoreFact memory consolidates stable, schema-guided information at write time, whereas ActiveFact memory forms facts on demand and promotes those supported by multiple historical sources and recurring query demand for reuse. Experiments on LoCoMo and LongMemEval-S across five backbone LLMs show that MemSIF achieves the highest Total ACC in all settings, outperforming the strongest baseline by 2.29%-8.79% on LoCoMo and 2.87%-6.15% on LongMemEval-S. These results support the effectiveness of combining Structured Interaction Memory with Dual-Track Fact Memory to mitigate TSM and DUM. Code is available at https://github.com/luoyufeihaha/MemSIF.