Vector DB 한계를 넘는 구조적 Agent Memory 기반의 고객 맞춤형 Retention 설계

Context

기존 CRM 및 Retention 시스템의 동일한 Churn 신호에 대한 획일적 대응 방식의 한계 분석. 단순 Vector DB 기반의 유사도 검색으로는 고객의 과거 전환 단계에서 형성된 고유한 결정 프로필(Decision Profile)을 복원하기 어려운 구조적 제약 존재.

Technical Solution

• ConversionAgent와 RetentionAgent가 공유 메모리를 통해 통신하는 Plain Python 클래스 기반의 Decoupled 아키텍처 설계
• 고객 생애주기를 추적하는 Per-customer Bank와 리서치 기반 전략을 저장하는 Playbook Bank로 메모리를 분리하여 상충하는 데이터 성격(공감적 vs 회의적)을 격리
• 단순 이벤트 덤프가 아닌 해석적 요약(Interpretive Summary)을 저장하여 Hindsight의 관찰(Observation) 품질을 높이는 고신호 데이터 정제 전략 채택
• 최근 데이터에 편향되는 LLM 특성을 극복하기 위해 전환 단계의 메모리를 반드시 참조하도록 강제하는 Mission Statement 정의
• SDK의 타입 힌트 오류(list[str] vs dict)를 해결하기 위한 Opinionated Wrapper 레이어 구축으로 비즈니스 로직과 인프라 코드 분리