Agent memory 연구는 무엇을 저장하고 어떻게 검색할지에 집중해 왔어요. Mem0, ExpeL, Memp 모두 저장 구조와 검색 정확도를 다듬는 방향이에요. 검색된 기억을 어떻게 쓸지는 대체로 컨텍스트에 그대로 넣는 것으로 끝나요. MemHarness는 이 마지막 단계를 문제 삼아요. 검색이 정확해도 그 기억이 지금 상태에 적용 가능한지는 별개...

AgentCF++: Memory-enhanced LLM-based Agents for Popularity-aware Cross-domain Recommendations, SIGIR, 2025. AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender System...

Agent memory 연구는 오랫동안 “긴 기록을 어떻게 압축하고 검색할까”라는 질문을 중심으로 움직였어요. Mem0나 MemOS처럼 추출, 요약, 검색을 조합하는 방식이 대표적이에요. PraMem은 이 전제를 뒤집어요. 긴 행동 시퀀스는 줄여야 할 부담이 아니라, 정답 라벨이 이미 붙어 있는 연습 문제 더미라는 주장이에요. PraMem: P...

AgentDR: Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents, 2025, arXiv. LLM을 추천에 쓰는 방법은 세 갈래로 나뉘어요. 텍스트를 임베딩으로 바꾸는 encoder, 추천을 언어 모델링 문제로 바꾼 recommender, 그리고 memory와...

Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents, ICML, 2026. Mem0, A-Mem, Zep 같은 Agent Memory 시스템은 대부분 “retrieve-then-reason” 구조를 따라요. 먼저 query로 memory를 한 번 검색하고, 검색된 내용을 reas...

Zep: A Temporal Knowledge Graph Architecture for Agent Memory, arXiv, 2025. getzep/graphiti: github Agent의 memory는 정적인 document를 검색하는 RAG에 머물러 있어요. Zep은 여기서 한 걸음 더 나가요. 대화 기록처럼 계속 바뀌는 데이터와 구...

딥러닝에서 앙상블은 오래되고 강력한 기법이에요. 같은 architecture를 random seed만 바꿔 독립적으로 몇 개 학습한 뒤 출력을 평균 내면 test accuracy가 눈에 띄게 올라가요. CIFAR-100에서 ResNet-34 열 개를 앙상블하면 개별 모델보다 test accuracy가 약 5% 올라요. 더 신기한 건 knowledge...