최근 대규모 언어 모델(LLM) 기반 에이전트의 발전은 인간과 유사한 응답을 생성하는 데 상당한 잠재력을 입증했습니다. 그러나 문맥적 일관성과 동적 개인화의 한계로 인해, 이들은 복잡한 환경에서 장기적 상호작용을 유지하는 데 여전히 도전에 직면해 있습니다. 기존의 메모리 시스템은 검색 전에 의미론적 그룹화에 의존하는 경우가 많아, 의미적으로는 관련이 없지만 중요할 수 있는 사용자 정보를 간과하거나 검색 잡음(retrieval noise)을 초래할 수 있습니다. 본 보고서는 에이전트와의 능동적 상호작용으로부터 사용자 특성 및 사건 기록을 동적으로 추출하고 업데이트하는 능동적 사용자 프로파일링(active user profiling) 기반의 새로운 메모리 프레임워크인 O-Mem의 초기 설계를 제안합니다. O-Mem은 페르소나 속성과 주제 관련 컨텍스트의 계층적 검색을 지원하여, 더 적응적이고 일관된 개인화된 응답을 가능하게 합니다. O-Mem은 공개된 LoCoMo 벤치마크에서 51.67%의 점수를 달성하여 이전 최첨단 시스템인 LangMem 대비 약 3% 개선되었으며, PERSONAMEM에서는 62.99%를 달성하여 이전 최첨단 시스템인 A-Mem 대비 3.5% 개선되었습니다. 또한 O-Mem은 기존 메모리 프레임워크 대비 토큰 처리량 및 상호작용 응답 시간 효율성을 향상시켰습니다. 본 연구는 향후 효율적이고 인간과 유사한 개인화된 AI 어시스턴트 개발을 위한 유망한 방향성을 제시합니다.