피드로 돌아가기
Dev.toAI/ML
원문 읽기
LLM을 단순 추론기가 아닌 4가지 Memory 구조의 인지 시스템으로 재설계한 CoALA 프레임워크
Understanding CoALA: A Cognitive Architecture for Language Agents (2023)
AI 요약
Context
기존 LLM 에이전트가 프롬프트와 Context Window에만 의존하여 발생하는 추론의 일관성 결여 및 상태 유지의 한계점 분석. 단일 컨텍스트 공간에 모든 정보를 통합하는 구조로 인해 발생하는 기억 상실 및 반복적 오류 해결 필요성 대두.
Technical Solution
- Working Memory 도입을 통한 현재 결정 사이클의 일시적 상태 관리 및 활성 스크래치패드 구현
- Episodic Memory 설계를 통한 과거 상호작용 및 작업 궤적 저장으로 경험 기반의 반복 오류 수정 기제 마련
- Semantic Memory 구축을 통한 도메인 지식의 탈맥락화 저장 및 RAG/Vector DB 기반의 지식 그라운딩 구현
- Procedural Memory 적용을 통한 실행 가능한 워크플로우 및 도구 사용 패턴의 구조적 인코딩
- 4가지 메모리 시스템 간의 유기적 협업을 통한 결정 루프 최적화 및 단순 컨텍스트 확장 한계 극복
실천 포인트
1. 에이전트 설계 시 단순 프롬프트 주입 대신 Working/Episodic/Semantic/Procedural 메모리로 정보 성격 분류
2. 반복되는 작업 실패 사례를 Episodic Memory에 저장하여 유사 상황 발생 시 수정 경로를 참조하는 로직 검토
3. 정적인 지식은 Semantic Memory(RAG)로, 실행 절차는 Procedural Memory(코드/정책)로 분리하여 관리