에이전트 메모리의 구성 요소

Anthropic은 AI 에이전트가 다음 세션을 위해 무엇을 기억하고, 쌓인 기억을 어떻게 정리할지 Claude로 실험함 에이전트는 검증된 해결법이나 이어서 할 일을 노트로 남겨 다음 세션에서 다시 활용할 수 있음 드리밍(dreaming) 은 세션 사이에 메모를 원본 대화 로그와 대조해 오류를 고치고, 여러 세션에 흩어진 노트를 주제별로 연결하는 과정임. 관련 내용을 위키로 묶어 나중에 찾아보기 쉽게 만들 수 있음 내부 문서 평가에서 원문 검색에 위키를 더하자 채점 기준 충족률이 53%에서 최대 61% 로 올랐고, 질문당 약 2만 토큰을 절약함. 한 문서에서 답을 찾을 수 있는 과제에서는 위키의 이득이 뚜렷하지 않았음 매 세션에는 꼭 필요한 메모만 자동으로 불러오고, 세부 내용은 필요할 때 찾아 읽게 할 수 있음. 틀리거나 오래된 메모도 다음 세션에 전달될 수 있어 무엇을 얼마나 자주 검증할지와 그 비용은 여전히 설계 과제임 세션 중 기록과 세션 밖 드리밍 에이전트 메모리는 사용자와의 상호작용이나 수행한 과제에서 얻은 지식을 저장해 이후 세션에서 읽을 수 있게 하는 컨텍스트임 학습 중 설정되는 모델 가중치의 변화, 단일 대화 안에서의 인컨텍스트 학습, 오래된 대화 턴을 요약으로 대체하는 컨텍스트 압축(compaction)과는 구분됨 인간의 해마는 경험을 빠르게 포착하지만, 일부 경험만 장기 지식으로 굳어짐 수면이나 조용한 휴식 중 경험을 재생하는 과정이 경험을 정제하고 신피질에 통합하는 데 기여하는 것으로 여겨짐 경험 전후의 화학 신호가 중요한 기억을 표시하면, 해당 기억은 오프라인 상태에서 더 자주 재생되는 경향이 있음 에이전트도 작업을 로그나 대화 기록으로 남긴 뒤, 유휴 시간에 이를 재검토하는 역할 분담을 활용할 수 있음 Letta와 UC Berkeley의 수면 시간 연산(sleep-time compute)은 상호작용 사이의 유휴 시간에 기존 컨텍스트를 재구성하는 방식임 로그를 검토해 오류를 수정하거나 새로운 노트와 지식 구조를 만드는 과정을 드리밍이라 부르며, Google의 관련 연구도 있음 Claude는 세션 중 중요한 사건에 표시를 남기거나 메모리 도구로 노트를 저장할 수 있지만, 미래에 무엇이 필요할지 모르는 상태에서 중요도를 판단해야 함 기억할 내용의 선택과 학습 루프 메모리 기록은 미래의 필요에 대한 예측이기도 함 규칙을 기록하는 것은 같은 패턴이 다시 중요해질 것이라는 예측이며, 검증된 사실을...