일반NEW
AI 에이전트의 메모리는 실제로 어떻게 만드는가 — 네 가지 설계와, 벤치마크가 실제로 증명한 것
"에이전트 메모리"는 한 가지 기술이 아니라 최소 네 가지 서로 다른 설계를 뭉뚱그린 말입니다 — 파일 스크래치패드, 요약/컴팩션, 벡터 회수, 지식 그래프. 이 글은 각각이 실제로 무엇을 하는지 제품 문서로 확인하고, 그다음 훨씬 불편한 질문을 던집니다: 어느 쪽이 낫다는 근거가 실제로 측정된 적이 있나? Mem0 논문(arXiv:2504.19413)의 표를 직접 읽어 보면, 헤드라인인 "OpenAI 대비 26% 개선"은 사실이지만 같은 표에서 대화 전체를 그냥 프롬프트에 붙이는 풀컨텍스트 방식이 J 72.90%로 모든 메모리 시스템(최고 68.44%)을 이겼습니다. 왜 그런지 확인하려고 LoCoMo 공개 데이터셋을 직접 내려받아 토큰을 세어 봤더니, 논문이 기술한 50개 대화·평균 9,209 토큰이 아니라 10개 대화·평균 약 20,034 토큰(tiktoken cl100k_base 기준)이었습니다 — 즉 요즘 컨텍스트 윈도우에 통째로 들어갑니다. 여기에 Mem0와 Zep이 서로의 측정을 반박하다 한쪽이 계산 오류를 인정하고도 두 진영의 숫자가 끝내 일치하지 않은 기록까지, "측정된 것"과 "주장된 것"을 갈라서 정리합니다.
ENJA⇄ Split