에이전트 기억력 개선: ACE와 ALTK-Evolve의 메모리 최적화 전략

요약

LLM 에이전트가 복잡한 다단계 작업을 수행할 때 발생하는 실패는 지식 부족보다는 API 사용 방식의 오류인 경우가 많다. 이를 해결하기 위해 에이전트의 과거 수행 기록에서 교훈을 학습해 추론 시점에 활용하는 ACE(Agentic Context Engineering)와 ALTK-Evolve 시스템이 주목받고 있다. 두 시스템 모두 별도의 가중치 업데이트나 인간의 라벨링 없이 과거 궤적을 재사용 가능한 정보로 변환한다. ACE는 실패 모드를 'brevity bias(간결함 편향)'와 'context collapse(맥락 붕괴)'로 정의하며, 이를 해결하기 위해 유익함/유해함 수치가 포함된 포괄적인 플레이북을 구축한다. 반면 ALTK-Evolve는 개별적으로 검색 가능한 가이드라인 형태로 교훈을 통합하여 관리한다. 결국 두 시스템은 에이전트의 경험을 체계화하여 신뢰성 있는 API 사용을 유도한다는 점에서 동일한 목표를 가진다.

AI가 원문을 요약한 내용으로, 부정확할 수 있습니다.