연구진은 LLM 에이전트의 외부 메모리 접근 방식이 고정된 휴리스틱에 의존하여 학습 효율성을 저해한다고 지적했어요.
MemCon은 메모리 작동을 마르코프 결정 프로세스로 모델링하여, LLM 에이전트가 상황에 따라 메모리 접근 방식을 적응적으로 결정하도록 하는 프레임워크예요.
MemCon은 기존 메모리 구현을 감싸고, 사전 훈련 없이 이진 피드백을 통해 학습하며, 10개 정도의 작업 내에서 수렴하는 경량 테이블 컨텍스추얼 밴딧을 사용해요.
6개의 벤치마크, 3개의 에이전트 프레임워크, 3개의 LLM 백본에서 MemCon은 기존 메모리 기반 모델보다 최대 15.2% 더 높은 작업 성공률을 보였고, 토큰 소비량도 5~20% 줄였어요.