무분별한 메모리 누적 해결, AI 에이전트를 위한 전략적 망각 설계

Context

제한된 Context Window 내에서 메모리가 무분별하게 증가하는 Unbounded Memory Growth 문제 발생. 메모리 누적으로 인한 성능 저하 및 False Memory 전파 현상 확인. 주기적인 시스템 리프레시로 인해 작업 기억을 상실하는 구조적 한계 존재.

Technical Solution

• Recency, Frequency, Semantic Alignment 세 가지 차원의 점수를 기반으로 하는 Adaptive Budgeted Forgetting Framework 도입
• 현재 목표와의 관련성을 측정하는 Semantic Alignment 점수를 통해 불필요한 정보의 우선적 제거 전략 수립
• 단순 삭제가 아닌 중요도 임계값 기반의 선택적 망각 메커니즘 설계
• 압축 중심의 기존 Memory-kit 구조에서 능동적 망각 레이어를 추가한 하이브리드 메모리 관리 체계로 전환
• 시간적 계층 구조(오늘 → 주 → 월 → 아카이브)와 점수제 망각을 결합한 효율적 데이터 생명주기 관리

Impact

• 제어 없는 메모리 누적 시 성능 지표가 0.455에서 0.05로 급격히 하락
• 지속적 유지 전략 사용 시 78.2%의 정확도와 6.8%의 False Memory 발생률 기록

Key Takeaway

모든 데이터를 보존하는 것보다 목적에 맞는 정보를 선택적으로 유지하고 삭제하는 '구조적 망각'이 시스템의 장기적인 인지 성능과 효율성을 결정함.