AI 에이전트의 구조화된 메모리 설계와 성능 개선

주장인공지능 에이전트가 복잡한 게임 환경에서 실패하는 주된 원인은 모델 자체의 지능보다는 과거 정보를 처리하는 방식에 있습니다. 연구진은 대화 기록을 무분별하게 누적하는 기존 방식 대신 정보를 구조화하여 관리하는 새로운 메모리 아키텍처가 필요하다고 분석합니다.

팩트로그라이크 게임인 슬레이 더 스파이어 2는 수백 번의 의사결정을 요구하며, 인간 플레이어의 최저 난이도 승률은 16퍼센트 수준입니다. 기존의 프런티어 모델들은 해당 게임의 5가지 설정 테스트에서 단 한 번도 승리하지 못했습니다.

팩트연구진은 이를 해결하기 위해 에이전틱 에스티에스(AgenticSTS) 프로젝트를 도입했습니다. 이 프로젝트는 대화 로그를 쌓는 대신 5개의 고정된 슬롯을 사용하여 프롬프트를 구성합니다.

팩트각 슬롯은 프로토콜, 상태 스키마, 게임 규칙, 이전 실행 요약, 전략 기술을 각각 저장합니다. 이를 통해 프롬프트 길이를 일정하게 유지합니다.

팩트기술 라이브러리(L5)를 활성화했을 때 에이전트의 승률은 30퍼센트에서 60퍼센트로 두 배 증가했습니다. 반복되는 상황에 대한 전술적 규칙을 별도로 저장하는 방식이 에이전트의 성능 향상에 직접적인 영향을 미쳤습니다.

교차검증연구진은 10회라는 적은 실행 횟수로 인해 승률 두 배 증가가 통계적 노이즈일 가능성을 인정했습니다. 또한 한 모델이 학습한 메모리를 다른 모델에 적용했을 때 성능이 하락하거나 승리하지 못하는 등 모델 간 메모리 전이에는 한계가 존재합니다.

팩트기존의 대화 기록 누적 방식과 비교했을 때, 에이전틱 에스티에스는 토큰 사용량을 66배에서 90배까지 절감했습니다. 누적 방식 에이전트는 게임 후반부에 52만 개 이상의 토큰을 사용하지만, 에이전틱 에스티에스는 약 5천 개의 토큰만 사용합니다.

팩트누적 방식 에이전트는 모델 응답 대기 시간으로 인해 에이전틱 에스티에스보다 4배 더 많은 시간을 소요합니다. 전체 시간 지연의 96퍼센트가 언어 모델의 응답을 기다리는 과정에서 발생하며, 이는 긴 컨텍스트가 모델의 효율성을 저해함을 의미합니다.

교차검증이번 연구는 특정 캐릭터와 게임 버전에 국한된 테스트라는 한계가 있습니다. 다른 캐릭터나 패치 환경에서도 동일한 성능을 보일지는 아직 검증되지 않았으며, 더 광범위한 데이터셋을 통한 추가 연구가 필요합니다.

주장인공지능 분야에서 대화 기록이 길어질수록 모델이 느려지고 부정확해지는 컨텍스트 로트 현상은 시급한 해결 과제입니다. 메모리를 계층화하여 관리하는 방식은 인공지능 에이전트가 장기적인 목표를 수행하는 데 필수적인 아키텍처로 자리 잡을 전망입니다.

출처더 디코더(The Decoder) 보도 내용 및 알라야 랩(Alaya Lab), 상하이 자오퉁 대학교 공동 연구 자료를 교차 검증했습니다.