AutoGPT가 도구 기록을 잊는 이유는 무엇인가요?

AutoGPT는 과거 도구 호출과 그 관찰이 모델의 롤링 컨텍스트 창에 존재하기 때문에 도구 기록을 잊습니다. 이 창은 새로운 단계가 쌓일수록 요약되거나 잘립니다. 오래된 도구 호출이 사라지면, 플래너는 그것이 실행된 기록이 없습니다. 지속적인 기억 계층은 모든 호출, 그 인수 및 결과의 구조화된 로그를 유지하여 에이전트가 스스로를 반복하지 않도록 합니다.

AutoGPT의 루프는 계획, 도구 선택, 행동, 관찰, 기억 업데이트를 실행합니다. 관찰 단계는 도구의 출력을 작업 컨텍스트에 다시 기록하고, 기억 업데이트는 이를 요약하거나 연결한 벡터 저장소에 전달합니다. 두 경로 모두 충실도를 잃습니다.

1. 도구 출력은 루프에서 가장 큰 토큰 비용입니다. 단일 웹 스크랩은 10K 토큰을 반환할 수 있습니다. 세 번의 스크랩과 몇 개의 API 호출은 32K 창을 채웁니다. 에이전트의 기본 동작은 공간을 만들기 위해 오래된 관찰을 압축하는 것입니다. "우리는 이미 이 필터로 /v1/orders 엔드포인트를 호출했습니다"와 같은 세부 사항은 플래너가 신뢰할 수 있는 방식으로 일치시킬 수 없는 한 줄 요약으로 압축됩니다.

2. 벡터 기억은 의미를 회상하지만 정확한 호출은 아닙니다. 벡터 저장소를 연결하면 AutoGPT는 유사성에 따라 과거 관찰을 검색할 수 있습니다. 이는 "이 주제에 대해 읽은 적이 있나요?"에 도움이 됩니다. 그러나 "이 정확한 페이로드를 이미 POST했나요?"에는 도움이 되지 않습니다. 정확한 호출 중복 제거에는 구조화된 로그가 필요하며, 임베딩이 아닙니다.

3. 표준 도구 원장이 없습니다. AutoGPT는 모든 도구 호출의 별도 추가 전용 기록을 유지하지 않습니다. 기록은 대화 기록 내에만 존재하며, 컨텍스트가 빡빡해지면 가장 먼저 잘립니다.

Mem0 AI 에이전트 기억 상태 2026 보고서는 이를 지적합니다: 30에서 100 도구 단계 후에 스레드를 잃는 에이전트는 보통 도구 기록에서 먼저 잃고, 계획에서 두 번째로 잃습니다.

도구 기록 손실은 목표 손실보다 더 비쌉니다. 왜냐하면 매 사이클마다 누적되기 때문입니다:

• 중복 API 호출 및 중복 소비. 모든 재호출은 유료 추론과 유료 도구 할당량을 포함합니다. 속도가 제한된 API에서는 작업 수요보다 예산을 더 빨리 소모합니다.
• 일관성 없는 결과. 12단계에서 페이지를 스크랩하고 47단계에서 다시 스크랩합니다. 페이지가 변경되었습니다. 이제 에이전트는 동일한 사실의 두 가지 버전을 가지고 있으며, 어떤 것이 현재인지 알 방법이 없습니다.
• 깨진 디버깅. 긴 실행이 실패하면 실제로 무슨 일이 일어났는지 재구성할 수 없습니다. 기록은 마지막 몇 단계만 완전하게 보여주며, 이전 모든 것은 정확할 수도 있고 아닐 수도 있는 요약입니다.

비용은 추상적이지 않습니다. 40단계가 걸려야 할 실행이 80단계가 걸리고 여전히 무언가를 놓치고 있습니다. 왜냐하면 예산의 절반이 오래된 작업을 다시 수행하는 데 사용되었기 때문입니다.

커뮤니티는 이 문제를 두 년 동안 해결해 왔으며, 각 우회 방법은 빈틈을 남깁니다.

벡터 저장소 기억 백엔드. Pinecone, Weaviate 또는 로컬 Chroma 인스턴스를 연결하면 AutoGPT에 의미 회상 계층이 제공됩니다. "이와 비슷한 것을 읽은 적이 있나요?"에는 좋지만, "이 정확한 엔드포인트를 호출한 적이 있나요?"에는 약합니다. 도구 호출 중복 제거는 벡터 검색이 구축된 목적이 아닙니다.

작업 공간 파일. AutoGPT는 작업 공간 디렉토리에 메모와 로그를 작성할 수 있습니다. 에이전트가 각 호출을 기록하고 각 새로운 호출 전에 로그를 확인하도록 신중하게 프롬프트를 제공하면 작동합니다. 실제로는 로그를 기록하는 것을 잊고, 그런 다음 확인하는 것을 잊습니다.

사용자 정의 작업 기록 블록. 일부 포크는 프롬프트 내에 작업 기록 목록을 유지합니다. 짧은 실행에 유용합니다. 목록 자체는 처음에 채워진 동일한 토큰 예산과 경쟁하므로 다른 모든 것과 함께 잘립니다.

프로젝트가 이를 공식 기억 문제 문서에서 어떻게 프레임하는지 볼 수 있습니다.

근본적인 문제는 AutoGPT가 기억을 대화의 속성으로 취급하고, 에이전트의 외부 세계와의 관계의 속성으로 취급하지 않는 것입니다. 도구는 외부 세계에 영향을 미치며, 외부 세계는 대화 기록과는 별도의 구조화된 원장을 가져야 합니다.

그 원장이 없으면 모든 실행은 기억 상실증입니다. 다른 모델로 전환해도 도움이 되지 않습니다. 잊는 것은 구조적이며, 모델에 특정적이지 않습니다.

MemoryLake는 에이전트가 매 단계마다 기록하고 읽을 수 있는 전용 기억 계층을 제공합니다. 역사 유지를 위해 프롬프트 토큰을 소모하지 않습니다.

• 구조화된 도구 원장. 모든 도구 호출, 그 인수, 전체 출력 및 타임스탬프가 프로젝트의 사실 기억으로 저장됩니다. 에이전트는 각 새로운 호출 전에 "이 인수로 이 도구를 이미 호출했나요?"라고 쿼리하고 중복을 건너뛸 수 있습니다.
• 전체 충실도 관찰 저장소. 원시 출력은 원래 충실도로 지속됩니다. 플래너가 12단계의 결과를 다시 방문해야 할 때, 압축된 요약이 아닌 전체 텍스트를 가져옵니다. 여기서 10,000배의 컨텍스트 이점이 실제로 나타납니다.
• 충돌 해결 및 기억 출처. 동일한 엔드포인트가 서로 다른 타임스탬프에서 다른 데이터를 반환할 때, MemoryLake는 충돌을 표시하고 출처를 기록합니다. 에이전트는 더 새로운 소스를 선택하거나 충돌을 인간에게 표면화할 수 있습니다.

MemoryLake의 검색 엔진은 수십억 개의 프로젝트 기억에서 읽고, AutoGPT에 매 회전마다 관련 슬라이스만 제공하며, 밀리초 지연으로 처리합니다.

1. 프로젝트를 생성하고 컨텍스트를 로드합니다. MemoryLake에 로그인하고, 프로젝트 관리 열기, 프로젝트 생성 클릭 후 "AutoGPT - 도구 원장"과 같은 이름을 지정합니다. 문서 드라이브를 통해 모든 기존 참조(API 사양, 스크랩 대상, 허용 목록)를 업로드합니다. 기억 탭을 사용하여 에이전트가 각 호출에서 따라야 할 도구 사용 정책을 추가합니다.
2. MCP 서버 엔드포인트를 생성합니다. 프로젝트 내에서 MCP 서버 탭을 열고, MCP 서버 추가를 클릭한 후 "AutoGPT 도구"라는 이름을 지정하고 생성 클릭합니다. MemoryLake는 API 키 ID, 비밀 및 엔드포인트 URL을 반환합니다. 비밀은 한 번만 표시되므로 즉시 복사합니다.
3. AutoGPT를 연결합니다. MemoryLake를 AutoGPT 구성에서 MCP 호환 기억 제공자로 등록하거나, 사용자 정의 작업에서 REST API를 호출하여 모든 도구 호출을 기록하고 새로운 호출을 실행하기 전에 과거 호출을 쿼리합니다. Python SDK는 여러 에이전트를 병렬로 실행하는 경우 클러스터 수준의 기억 작업을 지원합니다.