TiMem: 장기 대화형 에이전트를 위한 시간적-계층적 메모리 통합

TiMem: Temporal-Hierarchical Memory Consolidation for Long-Horizon Conversational Agents

장기 대화형 에이전트는 지속적으로 증가하는 상호 작용 기록을 관리해야 하며, 이는 대규모 언어 모델(LLM)의 유한한 컨텍스트 창을 빠르게 초과합니다. 기존의 메모리 프레임워크는 계층적 수준에 걸친 시간적으로 구조화된 정보에 대한 제한적인 지원을 제공하며, 이는 종종 단편적인 메모리와 불안정한 장기 개인화로 이어집니다. 본 논문에서는 시간적-계층적 메모리 프레임워크인 TiMem을 제안합니다. TiMem은 Temporal Memory Tree (TMT)를 통해 대화를 구성하고, 원시 대화 데이터를 점진적으로 추상화된 페르소나 표현으로 체계적으로 통합합니다. TiMem은 다음 세 가지 핵심 특징을 갖습니다. (1) TMT를 통한 시간적-계층적 구성; (2) 세맨틱 정보를 기반으로 한 통합 기능을 통해 계층적 수준 간의 메모리 통합을 미세 조정 없이 가능하게 함; (3) 복잡도에 대한 고려를 반영한 메모리 검색 기능을 통해 다양한 복잡성의 쿼리에 대한 정확성과 효율성의 균형을 맞춤. 일관된 평가 환경에서 TiMem은 LoCoMo에서 75.30%, LongMemEval-S에서 76.88%의 최고 수준의 정확도를 달성했습니다. TiMem은 모든 평가 대상 기준 모델보다 우수한 성능을 보였으며, LoCoMo에서 검색된 메모리 길이를 52.20% 단축했습니다. 다양성 분석 결과, LoCoMo에서 명확한 페르소나 분리를 확인했으며, LongMemEval-S에서 분산이 감소했습니다. 전반적으로, TiMem은 대화형 에이전트의 장기 메모리 관리에 있어 시간적 연속성을 핵심적인 구성 원칙으로 간주합니다.

Long-horizon conversational agents have to manage ever-growing interaction histories that quickly exceed the finite context windows of large language models (LLMs). Existing memory frameworks provide limited support for temporally structured information across hierarchical levels, often leading to fragmented memories and unstable long-horizon personalization. We present TiMem, a temporal--hierarchical memory framework that organizes conversations through a Temporal Memory Tree (TMT), enabling systematic memory consolidation from raw conversational observations to progressively abstracted persona representations. TiMem is characterized by three core properties: (1) temporal--hierarchical organization through TMT; (2) semantic-guided consolidation that enables memory integration across hierarchical levels without fine-tuning; and (3) complexity-aware memory recall that balances precision and efficiency across queries of varying complexity. Under a consistent evaluation setup, TiMem achieves state-of-the-art accuracy on both benchmarks, reaching 75.30% on LoCoMo and 76.88% on LongMemEval-S. It outperforms all evaluated baselines while reducing the recalled memory length by 52.20% on LoCoMo. Manifold analysis indicates clear persona separation on LoCoMo and reduced dispersion on LongMemEval-S. Overall, TiMem treats temporal continuity as a first-class organizing principle for long-horizon memory in conversational agents.