L0: Raw Dialogue Layer
에이전트와 사용자 간의 전체 대화와 작업 기록을 그대로 저장한다.
L1: Atomic Memory Layer
대화에서 추출한 사실, 사용자 선호, 제약 조건, 단계별 결론 같은 구조화된 정보를 저장한다.
L2: Scenario Summary Layer
특정 작업이나 시나리오와 관련된 기억을 묶어 요약한다.
L3: User Profile Layer
장기간 반복되는 행동 패턴과 선호를 분석해 사용자 프로필로 정리한다.
이 시스템에서 가장 중요한 효율 개선은 단기 작업 메모리를 관리하는 방식에서 나온다.
에이전트가 웹 페이지를 가져오거나 코드를 실행하면, 그 결과 전체를 프롬프트에 남겨두지 않는다.
대신:
또 하나의 핵심 요소는 **Mermaid 기반의 작업 그래프(Task Canvas)**다.
이 캔버스에서는
즉, 긴 텍스트 기록 대신 작업의 구조 자체를 지도처럼 표현한다.
대표적인 단계는 다음과 같다.
WideSearch
SWE‑bench
AA‑LCR
PersonaMem
TencentDB Agent Memory는 2026년에 두 단계로 공개됐다.
4월 초기 출시
5월 14일 오픈소스 공개
즉 초기 버전은 지속적 기억, 오픈소스 버전은 장기 작업 컨텍스트 관리에 더 초점을 맞췄다.
예를 들어:
덕분에 개발자는 기존 에이전트 구조를 크게 바꾸지 않고 메모리 기능을 추가할 수 있다.
AI 에이전트가 실제 제품으로 발전하면서 새로운 병목이 등장했다. 바로 컨텍스트 비용과 안정성 문제다.
에이전트가 긴 작업을 수행할수록
TencentDB Agent Memory는 이 문제를 두 방향에서 동시에 해결하려는 시도다.
이 접근 방식이 다양한 모델과 에이전트 프레임워크에서도 동일한 효과를 보인다면, 앞으로 자율 AI 에이전트 인프라의 중요한 구성 요소가 될 가능성이 있다.
다만 현재 성능 수치는 대부분 텐센트 자체 실험 결과이기 때문에, 실제 환경에서의 효과는 추가적인 독립 검증을 통해 확인될 필요가 있다.
Comments
0 comments