E-mem: LLM 에이전트 메모리를 위한 멀티 에이전트 기반 일화적 문맥 재구성

E-mem: Multi-agent based Episodic Context Reconstruction for LLM Agent Memory

신중하고 고정밀한 문제 해결로 특징지어지는 시스템 2(System 2) 추론을 향한 대규모 언어 모델(LLM) 에이전트의 진화는 긴 호흡에 걸쳐 엄밀한 논리적 무결성을 유지할 것을 요구합니다. 그러나 지배적인 메모리 전처리 패러다임들은 파괴적인 탈문맥화 문제로 인해 한계를 보입니다. 복잡한 순차적 의존성을 사전 정의된 구조(예: 임베딩 또는 그래프)로 압축함으로써, 이러한 방법들은 심층 추론에 필수적인 문맥적 온전성을 훼손합니다. 이를 해결하기 위해 우리는 메모리 전처리에서 '일화적 문맥 재구성'으로의 전환을 꾀하는 프레임워크인 E-mem을 제안합니다. 생물학적 엔그램(engram)에서 영감을 받은 E-mem은, 다수의 보조(assistant) 에이전트가 압축되지 않은 메모리 문맥을 유지하고 중앙 마스터(master) 에이전트가 전역적인 계획을 조율하는 이질적 계층 구조를 채택합니다. 수동적인 검색과 달리, 우리의 메커니즘은 보조 에이전트들이 활성화된 영역 내에서 국소적으로 추론하여 정보를 통합하기 전에 문맥을 고려한 증거를 추출할 수 있도록 합니다. LoCoMo 벤치마크 평가 결과, E-mem은 54% 이상의 F1 점수를 달성하여 최신 기술인 GAM을 7.75% 능가했으며, 동시에 토큰 비용을 70% 이상 절감했습니다.

The evolution of Large Language Model (LLM) agents towards System~2 reasoning, characterized by deliberative, high-precision problem-solving, requires maintaining rigorous logical integrity over extended horizons. However, prevalent memory preprocessing paradigms suffer from destructive de-contextualization. By compressing complex sequential dependencies into pre-defined structures (e.g., embeddings or graphs), these methods sever the contextual integrity essential for deep reasoning. To address this, we propose E-mem, a framework shifting from Memory Preprocessing to Episodic Context Reconstruction. Inspired by biological engrams, E-mem employs a heterogeneous hierarchical architecture where multiple assistant agents maintain uncompressed memory contexts, while a central master agent orchestrates global planning. Unlike passive retrieval, our mechanism empowers assistants to locally reason within activated segments, extracting context-aware evidence before aggregation. Evaluations on the LoCoMo benchmark demonstrate that E-mem achieves over 54\% F1, surpassing the state-of-the-art GAM by 7.75\%, while reducing token cost by over 70\%.