더 적게 보존하여 더 정확해진 에이전트 메모리 — Weighted Memory Tree가 보여준 것 (2026)

구조: 작업, 하위 작업, 행동, 그리고 메모리당 점수

WMT는 실행 과정을 "작업(tasks), 하위 작업(subtasks), 행동(actions)"의 계층 구조로 조직하는 동시에, 각 메모리에 동적 보존 점수(dynamic retention score)를 부여합니다. 두 가지 힘이 이 점수를 움직입니다: "이벤트 기반 업데이트와 선택 기반 감쇠(decay)가 이 점수들을 수정하여, WMT가 유용한 정보를 보존(preserve)하고, 완료된 궤적을 요약본으로 접고(fold), 유용성이 낮은 콘텐츠를 억제(suppress)하며, 접힌 컨텍스트에 대한 접근 권한을 여전히 유지(retain access)할 수 있도록 합니다."

이 네 가지 동사 목록을 잘 살펴보십시오. 이것이 바로 설계의 핵심이기 때문입니다. 유용한 것은 보존(Preserve)합니다. 완료된 작업은 요약본으로 접어(Fold) 둡니다. 제 역할을 하지 못하는 것은 억제(Suppress)합니다. 그리고 접힌 자료를 버리는 대신 여전히 접근 권한을 유지(Retain access)합니다. 삭제되는 것은 없으며, 강등될 뿐입니다.

감쇠 규칙은 의미론적이라기보다는 기계적입니다. 후보 풀에 계속 들어가면서도 선택되지 않는 메모리는 점수를 잃는 반면, "메모리를 선택하면 미선택 횟수가 0으로 리셋"되고, "후보 풀에 들어가지 않는 메모리는 감쇠되지 않습니다."

실행 기록의 증가가 해로운 이유 (논문 자체의 표현)

문제 정의는 제가 읽어본 메모리 관리의 필요성에 대한 가장 명확하고 짧은 요약입니다: "늘어나는 실행 기록은 추론 비용을 증가시키고, 추론 과정을 오래되거나 무관하거나 오해의 소지가 있는 정보에 노출시켜 잠재적으로 추론 품질을 저하시킵니다."

동일한 원인에서 비롯되는 세 가지 서로 다른 비용 — 비용(돈), 노후화(staleness), 그리고 적극적으로 오도되는 것(misleading). 에이전트 메모리에 대한 대부분의 논의는 첫 번째 비용만 다루고 나머지 두 가지는 예외적인 케이스로 취급합니다.

오염 실험이 가장 강력한 결과입니다

이 부분에서 논문은 결론의 타당성을 확보합니다. 저자들은 "709개의 정상 메모리와 409개의 의도적으로 오염된 메모리를 포함하여, 297개의 하위 작업과 1,118개의 메모리 항목으로 구성된 100개의 장기(long-horizon) 시나리오"에 대한 통제된 평가를 구축하고, 공격 성공률, 오염 물질 검색률, 피해 반경(blast radius), 증폭 계수(amplification factor), 감염 지속성(infection persistence) 지표를 사용하여 오염이 얼마나 멀리 퍼지는지 측정했습니다.

기억해야 할 핵심 문장은 베이스라인 결과입니다. 선형 메모리는 "전체 실행 기록에 지속적으로 접근할 수 있어 오염된 메모리가 계속 남아 후속 추론에 반복적으로 영향을 미쳤기 때문에 거의 모든 보안 지표에서 가장 나쁜 성능을 보였습니다." 이는 "가장 높은 공격 성공률, 피해 반경, 증폭 계수, 그리고 완전한 감염 지속성"을 기록했습니다.

완전한 감염 지속성. 잘못된 항목이 추가 전용(append-only) 로그에 한 번 들어가면 계속해서 다시 나타납니다.

전체 WMT는 가장 낮은 공격 성공률(0.419), 오염 물질 검색률(0.097), 피해 반경(0.315), 증폭 계수(0.965)를 기록하는 동시에 "가장 낮은 감염 지속성(0.009)과 일치했습니다."

소거 실험(Ablation)을 통해 어떤 부분이 제 역할을 하는지 보여줍니다

단순히 무언가가 작동했다는 사실을 넘어, 무엇을 모방해야 하는지 알려주기 때문에 유용합니다.

계층 구조는 유지하되 보존 점수와 브랜치 우선순위 지정을 제거했을 때 "선형 메모리에 비해 견고성이 실질적으로 향상되었습니다" — 구조 자체만으로도 도움이 됩니다 — 하지만 공격 성공률이 더 높게 나타난 것은 "보존된 모든 메모리를 동일하게 취급하면 가치가 낮거나 오해의 소지가 있는 정보가 추론에 계속 영향을 미치게 된다"는 점을 보여주었습니다.

메모리 컨트롤러를 제거하여 아무것도 접히거나 억제되지 않도록 했을 때는 "약간의 개선에도 불구하고 완전한 감염 지속성"이 나타났습니다. 저자들은 이를 다음과 같이 해석합니다: "악성 메모리가 장기 실행 전반에 걸쳐 계속 사용 가능한 상태로 남아 있다면, 즉각적인 노출을 줄이는 것만으로는 충분하지 않습니다."

그리고 수명 주기 관리는 유지하면서 의미론적 선택(semantic selection)을 제거했을 때는 특정 방식으로 역효과가 났습니다: "전체 작업 브랜치를 검색하는 바람에 프롬프트 크기가 커지고 무관하거나 오염된 정보가 다시 도입되었습니다."

구체적인 예시는 전체 아이디어의 축소판입니다

저자들의 예시는 에이전트가 논문을 식별하는 과정을 따릅니다. 한 행동은 "비공식 랭킹 블로그를 참조합니다. 관찰 결과에는 근거가 없는 주장이 포함되어 있으며, 해당 행동은 명시적으로 실패로 기록됩니다."

그다음에 일어나는 일이 바로 차용할 가치가 있는 설계 선택입니다: "WMT는 이 실패한 행동을 경고로서 보존하지만, 점수가 낮아져 지원 증거로서의 우선순위가 감소합니다." 그리고 브랜치가 완료되면, 접기(folding)를 통해 유용한 잔재만 남깁니다 — 요약본은 "이후 프롬프트에서 전체 브랜치를 다시 재생하지 않고도, 검증된 논문의 신원, 공식 출처, 그리고 실패한 블로그 검색에 대한 경고를 보존할 수 있습니다."

무언가를 시도했으나 유효하지 않았다는 기록은 가치가 있습니다. 단지 그것이 검증된 출처와 경쟁해서는 안 될 뿐입니다.

수치보다 경계를 올바르게 파악하는 것이 더 중요하며, 이 논문의 한계점(limitations) 섹션은 이례적일 정도로 솔직합니다.

이 논문은 세션 간(cross-session) 메모리를 테스트하지 않습니다. 이는 가장 매력적인 해석을 배제합니다. 저자들의 표현을 빌리자면: "벤치마크 평가는 모든 질문에 대해 새로운 작업 트리를 초기화하므로 섹션 2.3에서 설명한 대화 간 전역 메모리(cross-conversation global-memory) 모드를 평가하지 않습니다." 따라서 이는 에이전트의 작업 내 실행 기록 관리에 대한 증거일 뿐, 수 주간의 대화에 걸쳐 지속되는 영구 메모리 레이어에 대한 것이 아닙니다. 장기 메모리 저장소가 감쇠되어야 한다는 증거로 이 논문을 인용하는 사람이 있다면, 이는 측정된 범위를 벗어나 확대 해석하는 것입니다 — 저희 역시 마찬가지이므로, 여기서 먼저 밝혀둡니다.

소형 오픈 가중치 모델만 사용되었습니다. Qwen3-8B, Gemma 4 E4B, Llama-3.1-8B가 대상입니다. 저자들은 이에 대해 양방향으로 추론합니다: "더 큰 모델은 오래되거나 무관한 컨텍스트를 더 잘 무시할 수 있으므로, WMT의 상대적인 정확도 이득이 줄어들 수 있습니다. 그러나 더 큰 모델의 높은 프롬프트 처리 비용은 선택적 컨텍스트 구성의 효율성 이점을 유지하거나 오히려 증가시킬 수 있습니다." 저자들은 이 상호작용이 "여전히 미해결 과제로 남아 있다"고 결론짓습니다.

단 하나의 벤치마크 제품군. "우리의 평가는 GAIA 벤치마크 제품군으로 제한됩니다." 그리고 두 세트 모두 "동일한 작업 구성과 답변 형식을 공유합니다." 저자들은 다를 수 있는 환경으로 다음과 같은 것들을 언급합니다: "대화형 웹 환경, 소프트웨어 엔지니어링 에이전트, 체화된(embodied) 작업 또는 확장된 대화."

⭐ 보존 점수는 진실이 아니라 유용성을 측정합니다. 논문에서 가장 솔직한 문장이자 실무적으로 가장 큰 시사점을 주는 부분입니다: "보존 점수는 사실적 정확성보다는 운영상의 유용성(operational utility)을 추정합니다. 유용한 메모리라도 반복해서 선택되지 않으면 억제될 수 있는 반면, 오해의 소지가 있는 정보라도 겉보기에 성공적인 행동에 기여한다면 높은 점수를 유지할 수 있습니다." 에이전트가 성공한 것처럼 보이도록 돕는 자신감 넘치는 오답이 승격될 수 있는 것입니다.

매개변수는 수동으로 조정되었습니다. 초기화 값, 이벤트 기반 업데이트, 브랜치 집계 계수, 노후화 임계값 등은 "수동으로 지정"되었으며 "다른 에이전트 아키텍처나 작업 분포에는 최적화되어 있지 않을 수 있습니다."

효율성 향상이 모든 곳에서 공짜로 얻어지는 것은 아닙니다. "LLM 기반 선택기 및 요약 생성기는 선택 또는 압축 오류를 유발할 수 있고 추가적인 모델 호출이 필요하므로, 실행 기록이 제한적인 짧은 작업에서는 WMT의 효율성 이점이 더 작을 수 있습니다."

MemoryLake는 이 연구의 일부가 아니었으며, 본문의 어떤 내용도 당사 제품이나 타사 제품을 포함한 메모리 제품을 평가하지 않습니다.

이 결과는 모두가 같은 방향을 가리키지는 않는 일련의 연구 결과들과 궤를 같이합니다. 이전 연구에서는 모델 성능에 따라 확장되는 정제된 가이드라인 검색을 통해 실제 이득을 측정했습니다 — AI 에이전트에게 메모리를 얼마나 제공해야 할까. 사흘 전, 한 재평가 연구에서는 자가 개선 메모리 에이전트로부터 보고된 이득이 노이즈가 많고 순서에 의존적이라는 점을 발견했습니다 — 에이전트 메모리가 실제로 성능을 향상시킬까. 이번 논문은 해당 우려에 대한 부분적인 해답을 제시합니다. 잘못된 항목이 영구적으로 활성화되어 노이즈가 누적된다면, 선택되지 않은 항목을 강등하는 것이 바로 이를 방지하는 메커니즘이 될 수 있습니다. 단, 하나의 벤치마크 제품군과 8B 규모에서의 부분적인 해답입니다.

"그러니까 에이전트 메모리는 망각해야 한다." 본 연구에서 삭제되는 것은 아무것도 없습니다. 항목들은 강등되고, 접히고, 접근 가능한 상태로 유지됩니다. 이는 망각보다 훨씬 더 보수적인 주장입니다.

"이것은 영구 메모리 레이어에 감쇠가 필요함을 증명한다." 이를 테스트했을 모드는 명시적으로 평가되지 않았습니다. 이는 합리적인 가설일 뿐, 이 논문의 연구 결과가 아닙니다.

"구조만으로 충분하다." 소거 실험 결과는 그렇지 않음을 보여줍니다. 보존 점수가 없는 계층 구조는 오해의 소지가 있는 콘텐츠가 추론에 계속 영향을 미치도록 방치했습니다.

"점수 매기기가 메모리 오염을 해결한다." 오염을 실질적으로 줄였을 뿐 완전히 제거하지는 못했습니다. 공격 성공률 0.419는 베이스라인보다 낫지만 여전히 작지 않은 수치입니다.

"점수를 신뢰할 수 있다." 저자들은 신뢰할 수 없다고 구체적으로 경고합니다. 점수는 운영상의 유용성을 추적하므로, 겉보기에 성공적인 행동에 기여하는 오해의 소지가 있는 메모리가 높은 점수를 유지할 수 있습니다.

"이것은 소형 모델용 꼼수다." 어쩌면 그 반대일 수도 있습니다. 저자들은 모델 규모와의 상호작용은 테스트되지 않았다고 밝히며, 정확도 이득이 줄어들더라도 더 큰 모델에서 효율성 이점이 더 커질 수 있다고 주장합니다.

적용 가능한 아이디어는 알고리즘 자체가 아닙니다. 추가 전용(append-only) 기록이 논문에서 측정한 모든 축(비용, 노후화, 잘못된 항목의 전파 범위)에서 최악의 시나리오이며, 해결책은 더 큰 컨텍스트 창이 아니라 수명 주기(lifecycle)라는 점입니다.

WMT를 구현하지 않고도 적용할 수 있는 세 가지 사항은 다음과 같습니다.

메모리 저장소를 추가 전용으로 취급하는 것을 중단하십시오. 설정에서 항목을 강등할 수 있는 장치가 없다면, 잘못된 항목은 영구적으로 남게 됩니다. 이것이 바로 "완전한 감염 지속성" 결과이며, 이는 콘텐츠의 특성이 아니라 설계의 특성입니다.

실패를 증거가 아닌 경고로 보관하십시오. 구체적인 예시가 그 패턴을 보여줍니다. 블로그의 주장이 유효하지 않았음을 기록하고, 그 기록이 지원 증거로 인용되지 않도록 하십시오. 대부분의 메모리 설정은 실패를 완전히 누락하거나 확인된 사실과 구별할 수 없게 저장합니다.

사용량을 유일한 신호로 삼지 마십시오. 이는 논문 자체의 경고를 실무에 적용한 것입니다. 유용성 기반 점수 매기기는 때때로 자신감 넘치는 오류를 승격시키고, 거의 필요하지 않지만 반드시 정확해야 하는 사실을 묻어버릴 수 있습니다. 누군가는 점수를 무효화(overrule)할 수 있어야 하며, 프로덕션 환경에서 그 주체는 항목을 읽는 사람입니다.

마지막 포인트가 바로 검사 가능한 저장소가 중요한 이유입니다. 단지 늘어나기만 하는 로그나 검사할 수 없는 점수가 아니라, 읽고 수정하고 삭제할 수 있는 항목으로서의 메모리여야 합니다. 설정은 세 단계로 진행됩니다.

1단계: API 키 생성

MemoryLake에 로그인하고 API 키를 생성합니다. 연결하는 도구 전반에 걸쳐 하나의 자격 증명만 사용하면 됩니다.

2단계: 첫 번째 메모리 업로드

각각 하나의 주장만 담고 있는 짧은 항목들 — 이는 나중에 항목을 수정할 수 있게 만드는 요인이기도 합니다:

명확하게 진술된 검증된 사실. 항목당 하나의 주장만 담으면 컨텍스트 문단을 통째로 다시 쓰지 않고도 잘못된 주장을 수정할 수 있습니다.

실패한 접근 방식은 실패로 표시합니다. "배치 엔드포인트가 올바르게 보였으나 10k가 넘는 레코드를 소리 없이 누락함." 이를 발견한 사실이 아닌 경고로 보관하십시오.

이유가 첨부된 제약 조건. 이유는 올바른 항목이 오래되었다고 생각하는 누군가에 의해 삭제되는 것을 방지해 줍니다.

시간에 민감한 모든 항목에 날짜 표시. 노후화는 논문에서 언급한 세 가지 비용 중 하나이며, 사람이 한눈에 알아볼 수 있는 비용입니다.

3단계: AI 및 에이전트 연결

사용하는 도구들을 연결합니다. MemoryLake는 MCP 및 API를 통해 액세스할 수 있으므로, Claude Code, Codex, OpenClaw 등을 포함한 MCP 네이티브 에이전트는 MCP 서버를 가리켜 연결하고, 다른 어시스턴트는 API를 통해 동일한 메모리를 읽습니다. 검색은 모든 프롬프트에 전체 기록을 다시 재생하는 대신 쿼리당 수행됩니다.

세 가지 솔직한 한계가 있으며, 첫 번째가 이 글의 핵심입니다. MemoryLake는 WMT의 구현체가 아니며, 이 연구의 일부가 아니었고, 논문에서 설명하는 방식으로 항목의 점수를 매기거나 감쇠시키지 않습니다. MemoryLake가 제공하는 것은 논문 자체의 경고가 암시하는 인간의 감독 기능입니다. 점수만으로는 유용한 것과 참인 것을 구별할 수 없기 때문입니다. MemoryLake는 귀하 또는 귀하의 에이전트가 입력한 내용만 보관합니다. 또한 이 논문이 실제로 다루고 있는 에이전트의 작업 내 실행 기록을 관리하지는 않습니다.

추가 전용(Append-only)이 더 이상 기본값이 되지 않습니다. 항목을 강등할 수 있는 장치가 없다면, 하나의 잘못된 항목이 영원히 남게 됩니다. 이는 이제 우려가 아니라 측정된 결과입니다.

실패에 카테고리가 부여됩니다. 무언가가 작동하지 않았음을 지원 증거로 인용할 수 없는 방식으로 기록하는 것은 비용이 적게 들지만, 이를 수행하는 사람은 거의 없습니다.

더 큰 컨텍스트 창이 이에 대한 해답이 되지 못합니다. 여기서 발생하는 비용은 용량이 아니라 노후화와 오도(misdirection)입니다 — 이는 왜 긴 컨텍스트가 메모리가 아닌가에서 다룬 차이점입니다.

프롬프트 비용과 정확도가 더 이상 트레이드오프 관계에 있지 않습니다. 토큰을 32.8% 줄이면서 정확도를 9.97포인트 높였다는 결과는, 더 나은 컨텍스트가 더 많은 컨텍스트를 의미한다는 일반적인 가정이 적어도 어딘가에서는 틀렸음을 말해줍니다.

항목 검토가 실제 업무가 됩니다. 사용량에 기반한 점수는 유용한 것과 참인 것을 구별할 수 없으므로 사람이 직접 해야 합니다 — 이는 AI 메모리 충돌이 감지되는 방식의 이면에 있는 일반적인 문제입니다.

저장 공간을 늘리기 전에 강등이 가능하도록 만드십시오. 추가 전용 저장소는 비용, 노후화, 오류 전파 측면에서 최악의 시나리오입니다.

완료된 작업은 요약본으로 접고 세부 정보에 대한 접근 권한을 유지하십시오. 이것이 논문의 설계 방식이며, 토큰 수가 감소한 이유입니다.

실패한 시도는 경고로 표시하십시오. 주의 사항으로 보존하고, 증거로서의 우선순위를 낮춥니다.

사용량 점수를 진실 신호로 신뢰하지 마십시오. 저자들은 이것이 사실적 정확성이 아니라 운영상의 유용성을 추정한다고 말합니다.

정기적으로 항목을 읽어보십시오. 잘못된 항목은 올바른 컨텍스트와 경쟁하기 때문에 누락된 항목보다 더 나쁩니다.

브랜치 단위가 아니라 선택적으로 검색하고, 오래될 수 있는 모든 항목에 날짜를 기록하십시오. 전체 브랜치를 다시 가져오면 프롬프트 크기가 커지고 오염된 콘텐츠가 다시 도입됩니다.

단일 벤치마크, 8B 규모의 결과를 방향성 제시용으로만 취급하십시오. 유용하지만 확정된 것은 아닙니다 — 특히 이번 연구는 세션 간 메모리를 전혀 테스트하지 않았습니다.

사실과 함께 추론 과정을 유지하십시오. 제약 조건이 없는 결론은 삭제되거나 다시 논쟁의 대상이 됩니다. 이는 왜 RAG가 메모리가 아닌가에서 다룬 형태입니다.

선형 기록과 비교했을 때, 항목별 보존 점수를 갖춘 계층적 메모리는 GAIA-Text에서 프롬프트 토큰을 32.8% 덜 사용하면서도 9.97포인트 더 정확했으며, 더 광범위한 GAIA 데이터셋에서는 각각 10.10포인트와 32.2%를 기록했습니다. 이 결과를 얻기 위해 삭제된 것은 아무것도 없었습니다. 항목들은 보존되거나, 접히거나, 억제되거나, 강등되었으며, 접힌 컨텍스트는 여전히 접근 가능했습니다.

오염 실험은 더 유용한 절반의 결과입니다. 1,118개 중 의도적으로 오염된 409개의 항목이 있는 상황에서, 선형 메모리는 구조적인 이유로 거의 모든 보안 지표에서 최악의 성능을 보였습니다. 전체 기록에 지속적으로 접근할 수 있어 잘못된 항목이 계속해서 다시 나타났고, 이로 인해 완전한 감염 지속성이 발생했습니다. 점수 매기기와 수명 주기 관리는 공격 성공률, 오염 물질 검색률, 피해 반경, 증폭을 줄였으며, 소거 실험은 세 가지 구성 요소가 모두 필요했음을 보여줍니다.

이 결과를 어디까지 적용할 수 있을지 결정하는 두 가지 주의 사항이 있습니다. 평가는 질문당 새로운 작업 트리를 초기화했기 때문에 대화 간 메모리 모드는 테스트되지 않았습니다 — 이는 작업 내부의 실행 기록에 관한 것입니다. 또한 보존 점수는 "사실적 정확성보다는 운영상의 유용성을 추정"하므로, 에이전트가 성공한 것처럼 보이도록 돕는 자신감 넘치는 오류가 높은 점수를 유지하는 반면, 거의 사용되지 않지만 중요한 사실은 감쇠될 수 있습니다.

이것이 실질적인 시사점입니다. 메모리에 추가 전용 로그 대신 수명 주기를 부여하고, 실패를 증거가 아닌 경고로 보관하며, 사람이 점수를 무효화할 수 있도록 하십시오. 논문 자체의 한계점에서도 언급하듯이, 점수는 무엇이 사용되었는지를 알려줄 뿐 무엇이 옳았는지를 알려주지는 못하기 때문입니다.