피드로 돌아가기
Dev.toAI/ML
원문 읽기
Knowledge Graph의 정보 손실 해결을 통한 LongMemEval-S 73% 달성
Why we ditched the knowledge graph approach for agent memory
AI 요약
Context
기존 Agent Memory 설계의 주류인 Knowledge Graph 방식이 Ingestion 단계에서 발생하는 Lossy Compression 문제로 인해 데이터 유실 및 뉘앙스 훼손을 초래함. 정해진 Schema에 맞지 않는 정보가 강제로 삭제되는 구조적 한계로 인해 추후 에이전트가 필요로 하는 맥락을 복원하지 못하는 병목 발생.
Technical Solution
- Ingestion 시점의 결정론적 데이터 삭제를 방지하기 위한 3계층 메모리 아키텍처 설계
- L0 Layer: 고신호 데이터 중심의 Quality Filtered Fact 추출을 통한 빠른 Search Surface 확보
- L1 Layer: 고정된 Schema를 배제하고 대화 간 자동 발견되는 Episode 단위의 중간 계층 구축
- L2 Layer: Raw Sentences 전체를 보존하여 세션 추적 및 정확한 맥락 복원이 가능한 근거 데이터 층 유지
- Graph Structure를 데이터 대체재가 아닌 상위 추상화 계층으로 배치하여 데이터 무결성 확보
- 필요 시에만 L2 Layer를 Fetch 하는 온디맨드 로딩 방식으로 시스템 부하 최적화
실천 포인트
1. Ingestion 단계에서 Schema에 맞지 않는 데이터를 버리고 있는지 검토
2. 추상화된 지식 그래프 하단에 Raw Data를 추적할 수 있는 Traceability 계층 설계
3. 데이터의 중요도와 접근 빈도에 따라 L0(Fast), L1(Context), L2(Raw) 형태의 계층적 저장소 구성