내재적 메모리 에이전트: 구조화된 문맥적 메모리를 통한 이질적 다중 에이전트 LLM 시스템

대규모 언어 모델(LLM) 기반의 다중 에이전트 시스템은 복잡한 협업 문제 해결 분야에서 높은 잠재력을 보여주고 있으나, 맥락 창 크기 제한으로 인한 기초적 과제들—즉, 기억 일관성 저하, 역할 준수 불량, 절차적 무결성 손상—에 직면해 있다. 본 논문은 이러한 제약을 극복하기 위해 에이전트 출력과 함께 내재적으로 진화하는 구조화된 에이전트 전용 기억을 도입하는 새로운 프레임워크인 '내재 기억 에이전트(Intrinsic Memory Agents)'를 제안한다. 구체적으로, 본 연구는 작업에 관련된 정보에 집중하면서도 전문적 관점을 유지할 수 있도록 역할에 부합하는 기억 템플릿을 유지한다. 제안한 방법은 PDDL 데이터셋을 기준으로 기존 최신 다중 에이전트 기억 기반 접근법과 비교하여, 최고의 토큰 효율성을 기록하며 38.6%의 성능 향상을 보였다. 또한, 복잡한 데이터 파이프라인 설계 과제에 대한 추가 평가를 수행한 결과, 확장성, 신뢰성, 사용성, 비용 효율성, 문서화 등 5가지 지표에서 더 높은 품질의 설계를 생성함을 입증하였으며, 품질 향상에 대한 정성적 증거도 제시하였다. 본 연구 결과는 구조화된 내재적 접근을 통해 기억 제약을 해결할 경우, 다중 에이전트 LLM 시스템이 구조화된 계획 과제 수행 능력을 크게 향상시킬 수 있음을 시사한다.