본문은 AI 에이전트의 실패 원인이 추론 능력 부족이 아닌 컨텍스트 관리 실패에 있다고 지적해요. 대화 기록, 프롬프트, 도구 정의, 출력 등 누적되는 정보에 압도되어 성능 저하 및 비용 증가가 발생합니다.
기존 방식은 저장 및 검색 문제로 접근하지만, 컨텍스트 관리는 기억, 구조화, 저장소 선택, 통합, 망각, 관련성 판단, 예측, 압축 등 라이프사이클 관리가 필요하다고 주장해요.
에이전트 컨텍스트 관리(ACM)를 제안하며, 아키텍처 설계, 정보 수집, 범위 설정, 예측, 압축 및 통합 5가지 핵심 원리를 제시하고, 이를 통해 토큰 비용을 선형적으로 줄이고 정확도를 유지할 수 있다고 설명해요.
Maximem Synap이라는 구현체를 통해 롱메모베이션 평가에서 92%, LoCoMo 평가에서 93.2%의 성능을 달성했으며, 기존 벤치마크에서 놓친 지연 시간, 토큰 효율성, 컨텍스트 회전 저항성 등의 새로운 지표를 제시해요.