Revealed Preference 기반 Memory Loop를 통한 AI 페르소나 자동 최적화

Context

정적 설정값 기반의 페르소나 정의 방식은 사용자의 실제 선호도(Revealed Preference)와 괴리가 커 생성물 퀄리티 저하를 초래함. GPU 예산 제약으로 인한 모델 Fine-tuning이 불가능한 상황에서 사용자 행동 기반의 동적 적응 체계가 필요함.

Technical Solution

• User Feedback Loop 기반의 Memory-Augmented Generation 구조 설계
• retain_diff_observation() 함수를 통한 편집/승인/거절 행위의 태그 기반 메모리 저장
• Recall 단계에서 관련 메모리를 추출하고 reflect() 과정을 통해 최적화된 컨텍스트 파라그래프 생성
• 생성된 컨텍스트를 LLM 프롬프트에 주입하여 사용자 고유의 톤앤매너를 동적으로 반영
• Write-time Tagging 전략을 통한 Read-time 휴리스틱 파싱 비용 제거 및 쿼리 정확도 향상
• 시스템 투명성 확보를 위해 학습된 Observation을 사용자에게 노출하여 데이터 자정 작용 유도