논문 Daily Digest 2026년 06월 24일 (3편)

목차

Agent Reliability and Evaluation

💡 오늘의 핵심 인사이트

최근 AI 에이전트 연구가 단순한 ‘작업 수행 능력’을 넘어 실제 세계에서 신뢰할 수 있는 조력자가 되기 위한 조건들을 하나씩 파고들고 있어. 핵심은 두 가지인데, 첫째는 사용자의 성향과 루틴이 시간에 따라 변하는 현실을 반영한 장기 메모리 평가가 필요하다는 거고, 둘째는 에이전트가 문제를 마주했을 때 자신의 능력 범위를 정확히 판단해서 도움을 청하거나 내부 지식으로 해결할지를 선택하는 자기 인식 능력이 핵심이라는 거야. 결국 이 두 연구는 같은 맥락을 보고 있는데—에이전트가 진짜 유용하려면 단순히 빠르게 답하는 것보다 사용자를 제대로 이해하고, 자신의 한계를 아는 것이 훨씬 더 중요하다는 점이지. 이게 중요한 이유는 AI 비서가 일상 속에서 진정한 신뢰 관계를 만들려면, 도구로서의 정확성보다 파트너로서의 책임감이 앞서야 하기 때문이야.

1. DynamicMem: A Long-Horizon Memory Benchmark in Real-World Settings

저자: Wenya Xie, Shengming Zhou, Zelin Li | 기관: 기관미상 | 날짜: 2026-06-22 | 관련성 점수: 445 | 원문 | PDF

Paper Map

문제 LLM 에이전트가 장기간(수개월) 사용자 프로필을 기억하고 업데이트해야 하는데, 기존 벤치마크는 짧고 단순화된 상호작용만 평가하여 실제 행동의 세 가지 핵심 특성을 놓치고 있다: (1) 프로필이 이질적이며 속성·습관·선호도가 서로 다른 타임라인으로 진화, (2) 변화가 계절·인생 사건 같은 외부 맥락에 의해 구동, (3) 증거가 명시적이지 않고 여러 앱의 작은 신호에 산재하여 추론을 요구한다는 점이다. 기존 연구와의 주요 차이는 15개월 분량의 장기 다중앱 활동 데이터를 합성 데이터로 구성하고, 분명하게 주어지지 않는 프로필을 여러 신호로부터 추론하도록 설계한 점이다.

방법

• 합성 벤치마크로 15개월 사용자 활동 구성: 평균 2.2M 토큰, 1,772개 grounded events, 16개 애플리케이션(이커머스·피트니스·소셜)을 통해 사용자 일관성 있는 궤적 생성.
• 프로필 진화 모델링: 속성·습관·선호도가 명시적으로 제공되지 않고, 여러 작은 신호에 산재하여 시스템이 추론하도록 강제.
• 시간 추적 평가: 5개 분기별 체크포인트에서 평가하여 히스토리 길이 증가에 따른 성능 변화 추적.
• 다섯 대표 시스템 벤치마킹: 서로 다른 메모리 및 추론 구조를 가진 에이전트들 평가하여 단순 정확도로 숨겨진 문제 노출.

실험

• 데이터셋: 15개월 동안 16개 앱(e-commerce, fitness, social platforms)에서 생성된 합성 다중앱 활동 데이터, 사용자당 평균 2.2M 토큰 및 1,772개 grounded events.
• Baseline/평가 대상: 5개 대표 시스템 벤치마킹 (구체적 시스템명 확인 불가).
• Evaluation metrics: (i) 프로필 재구성 정확도, (ii) 서비스-태스크 정확도, (iii) 메모리 검색 vs. 모델 출력에서의 오류 원인 분석 (확인 불가).
• 비교 설정: 5개 분기별 체크포인트로 시간 경과에 따른 성능 저하/유지를 추적.

핵심 결과

• 프로필 재구성 정확도는 히스토리 길이 증가에 따라 저하되지만, 동일한 메모리를 사용하는 서비스-태스크 정확도는 평탄하게 유지되어, 두 작업 간 메모리 활용의 불일치 발생 (Abstract 기술, 수치 확인 불가).
• 어떤 시스템도 변하지 않는 사실은 유지하면서 동시에 변하는 사실을 교체하지 못하며, 오류가 선호도 및 정확한 지시체(referent) 명명에 집중됨 (Abstract 기술, 수치 확인 불가).
• 실패의 93% 이상이 메모리가 검색한 내용에 기인하며, 모델이 답변을 작성하는 부분이 아니어서, 개선의 최대 여지가 메모리 자체에 있음 (Abstract).

한계

• 논문 내부 한계: 구체적 시스템명, 정확한 메트릭 값, 프로필 진화 모델링의 상세 알고리즘, 각 분기별 성능 저하 크기, 오류 분석의 통계적 유의성 등이 Abstract 수준에서만 제시되어 재현성과 상세 분석이 제한됨.
• 리뷰어 관점 한계: (1) 합성 데이터 자동 생성 방식의 신뢰성—실제 사용자 행동의 불규칙성, 맥락 의존성, 암묵적 신호의 복잡도를 얼마나 포착하는가 미확인; (2) 메모리 검색 개선이 구체적으로 어떤 메커니즘(dense retrieval, sparse ranking, hierarchical memory)을 요구하는지 제시 부족; (3) 5개 시스템이 대표성을 갖는지 불명확(최신 에이전트 프레임워크 대비); (4) 에이전트의 자가 수정(self-correction) 능력, 검증 루프, 불확실성 처리 같은 장기 메모리 관리의 동작 메커니즘에 대한 분석 없음.

Claim–Evidence Table

Method-to-Code Map

공개 코드 링크 확인 불가

Research Gap Note

가정

1. 합성 데이터가 실제 사용자 행동의 복잡성을 포착한다고 가정: 15개월 자동 생성 활동이 실제 사용자들의 불규칙한 패턴, 예측 불가능한 삶의 변화(이직, 이사, 관계 변화), 암묵적·모순적 신호를 충분히 반영하는지 미확인.

2. 프로필 진화의 타임라인이 속성·습관·선호도별로 독립적이라고 가정: Abstract에서 “different timelines"를 언급하나, 실제로는 이들 간 상호 의존성(예: 직업 변화 → 운동 습관 변화 → 음식 선호도 변화)이 존재할 수 있으며, 생성 시 이를 모델링했는지 불명.

3. 메모리 검색 실패가 generation 실패의 근본 원인이라고 가정: 93% 메모리 검색 귀인 결과가 검색 개선만으로 문제 해결을 의미한다고 암묵적으로 가정하나, 실제로는 검색-생성 간의 협력 부족(예: 검색 결과 활용 능력 부재)이 별도 문제일 수 있음.

4. 5개 시스템이 LLM 에이전트 메모리의 대표 설계를 포괄한다고 가정: 평가 대상 시스템의 메모리 구조, 추론 루프, 자가 수정 메커니즘이 현존 최신 에이전트 아키텍처를 반영하는지 불명확.

Alternative Explanation

1. 프로필 재구성 정확도 저하가 히스토리 길이 자체가 아니라 합성 데이터의 신호 품질 저하에 기인: 초반부 활동은 명확한 신호이나, 시간이 지날수록 중복·모순·노이즈가 누적되어 신호 해석이 어려워질 가능성; 메모리 검색 능력이 아니라 데이터 품질의 문제.

2. 서비스-태스크 정확도가 평탄한 이유가 메모리 사용이 아니라 태스크 자체의 특성: 서비스 태스크(예: 추천, 일정 관리)가 최근 정보에만 의존하고 장기 프로필 변화에 덜 민감할 가능성; 메모리 효율성이 아니라 태스크 설계의 차이.

3. 93% 메모리 검색 귀인이 평가 프레임의 artifact: 검색 오류와 생성 오류의 분류가 명확하지 않으면, 검색 성공했으나 생성 모델이 맥락을 무시한 경우를 검색 실패로 오분류할 가능성.

4. 시스템 간 성능 차이가 메모리 메커니즘보다는 기저 LLM 능력에 기인: 더 큰 LLM, 더 나은 instruction following 능력을 가진 모델이 자동으로 더 나은 메모리 활용을 보일 수 있으며, 이는 메모리 설계 개선과 무관.

부족한 Ablation

1. 메모리 검색 전략 비교: dense retrieval vs. sparse ranking vs. hierarchical filtering vs. explicit temporal bucketing의 영향을 독립적으로 ablate하여, 93% 메모리 귀인이 어느 단계(retrieval, ranking, filtering)에서 발생하는지 분석 필요.

2. 프로필 요소별 오류 분석: 속성·습관·선호도 각각에 대해 정확도, 업데이트 실패율, 오류 패턴을 분리하여, 어느 요소가 가장 어려운지, 왜 선호도에서 오류가 집중되는지 진단 필요.

3. 외부 맥락(계절, 라이프 이벤트)의 영향 격리: 외부 맥락이 명시적으로 제공되는 경우 vs. 신호에서만 추론되는 경우의 성능 비교를 통해, 맥락 인식이 얼마나 중요한지 측정 필요.

4. 자가 수정(self-correction) 루프의 효과: 에이전트가 프로필 예측에 대해 검증하고 수정하도록 유도하는 경우, 메모리 검색 실패를 얼마나 완화하는지 측정 필요; 현재 평가는 한 번의 검색-생성만 평가하는 것으로 보임.

내가 이어서 할 질문

1. 메모리 검색의 어느 단계가 병목인가?: 검색 recall(얼마나 많은 관련 문서를 찾는가) vs. precision(얼마나 많은 무관 문서가 섞이는가) vs. ranking(상위 k개에서의 신호 품질)을 분리하여 측정하면, 다음 메모리 시스템 설계(예: dense + sparse hybrid, time-aware reranking)의 방향을 명확히 할 수 있을 것이다.

2. 장기 메모리 관리에서 자가 수정 루프의 역할은 무엇인가?: 단순 검색-생성이 아니라, 에이전트가 프로필 불일치를 감지하고 메모리를 명시적으로 업데이트(claim 검증, 사실 병합, 충돌 해결)하는 메커니즘을 추가할 경우, 메모리 검색 실패를 어느 정도 보완할 수 있는가? 이는 에이전트 autonomy의 핵심.

3. 프로필 진화의 계층적 구조는 성능을 향상시키는가?: 예를 들어, (일반적 속성 → 분기별 습관 변화 → 계절별 선호도 변화) 같은 계층으로 메모리를 조직화할 경우, 서로 다른 타임라인의 요소를 더 잘 추적할 수 있을까? 평면적 메모리와의 비교가 필요.

4. 외부 맥락의 명시화가 폐쇄 회로인가?: 라이프 이벤트, 계절, 트렌드 같은 맥락을 그래프 구조(사용자 → 계절 → 활동 → 선호도)로 표현하고 reasoning을 유도할 경우, 산재된 신호로부터의 프로필 추론이 얼마나 개선되는가? 이는 맥락 인식 에이전트의 설계 원칙으로 일반화 가능.

5. 실제 사용자 데이터와의 gap은 어디인가?: 합성 데이터로 학습한 메모리 시스템이 실제 개인 비서 앱(Gmail, Calendar, Todo)의 다중앱 활동에 적용될 때 성능이 어떻게 변하는가? 이를 통해 현실성의 한계와 개선 방향을 파악할 수 있을 것이다.

2. From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents

저자: Yifan Li, Shengbin Yue, Boyu Feng | 기관: Meta | 날짜: 2026-06-09 | 관련성 점수: 440 | 원문 | PDF

Paper Map

문제 LLM 에이전트가 외부 도구 통합으로 자율 시스템으로 진화했지만, 기존 벤치마크는 실행 성공만 측정하며 자기인식 능력(metacognitive judgment)—문제가 외부 자원을 필요로 하는지 혹은 내부 매개변수 지식으로 풀 수 있는지 판단하는 능력—을 무시하고 있다. 이는 도구 과용(tool overuse)과 비효율적인 자원 할당으로 이어진다.

방법

• KAPRO 프레임워크: 에이전트의 메타인지적 판단(Knowing)과 자발적 실행(Acting)을 분리하여 인지-행동 정렬(cognitive-behavioral alignment)을 평가한다.
• KAware 데이터셋: 작업을 외부(external), 내부(internal), 하이브리드(hybrid) 세 가지 에피스템 부분공간으로 엄밀히 분할하여 자가인식 경계를 체계적으로 탐사한다.
• 이원적 평가: 같은 작업에서 에이전트가 도구 사용 여부를 정확히 판단했는지(Knowing)와 실제로 올바른 방식으로 실행했는지(Acting)를 독립적으로 측정한다.
• 다중 에이전트 아키텍처 테스트: 오픈소스, 명령어 추종, 독점 모델, 추론 지향 모델 등 다양한 에이전트 구조에서 자기인식 능력을 비교한다.

실험

• 데이터셋: KAware (구체적 크기/구성 확인 불가)로 external, internal, hybrid 작업 영역 분할.
• 평가 대상: 확인 불가 (Abstract 수준에서 “diverse agent architectures"만 언급).
• Evaluation Metric: 자기인식 능력 점수와 작업 성공 간의 상관관계, internal-capability 환경에서의 성능 저하도 측정 (수치 확인 불가).
• 주요 비교: 오픈소스 vs. 독점 모델, 명령어 추종 vs. 추론 지향 모델 간 도구 과용 패턴 비교.

핵심 결과

• 자기인식 능력이 작업 성공과 강하게 상관관계를 보이지만, internal-capability 설정에서 급격히 저하된다 (수치 확인 불가).
• 오픈소스 및 명령어 추종 모델은 얕은 패턴 매칭(shallow pattern matching)으로 인해 더 강한 도구 과용을 보인다.
• 독점 및 추론 지향 모델은 더 신뢰할 수 있는 인지적 제어(cognitive gating)를 시연한다.
• 수치 확인 불가—Abstract에서만 정성적 주장 확인.

한계

논문 내부 명시 한계:

• 제공된 컨텍스트에서 명시적 한계 섹션 확인 불가.

리뷰어 관점 한계:

• 정량적 수치가 Abstract 수준에서 제공되지 않아 결과의 크기와 통계적 유의성 평가 불가.
• “내부-능력 설정(internal-capability settings)“의 정의와 구체적인 작업 설계가 제공되지 않음.
• KAware 데이터셋의 크기, 도메인 분포, 분할 비율이 불명확하여 재현성 및 일반화 가능성 평가 어려움.
• “자기인식 능력"의 측정 방식(정의, 평가 프롬프트, 채점 기준)이 Abstract에서 불명확.
• 에이전트 아키텍처의 구체적 목록과 설정이 제시되지 않음.
• 도구 과용의 메커니즘(패턴 매칭 vs. 학습 부족 vs. 프롬프트 편향)에 대한 근거가 제시되지 않음.

Claim–Evidence Table

Method-to-Code Map

공개 코드 링크 확인 불가 (저장소 스냅샷 미제공)

Research Gap Note

가정

• 도구 사용 여부(도구 필요한가 vs. 내부 지식으로 충분한가)를 명확히 정의하고 annotation할 수 있다고 가정. 실제로 문제의 “정답"이 모호한 경우(예: 두 방식 모두 가능)에서 KAware의 annotation 기준이 충분히 엄밀한지 불명확.
• 메타인지적 판단(Knowing)을 행동(Acting)과 독립적으로 측정할 수 있다고 가정. 그러나 직렬 프롬프트에서 두 단계가 정말 독립적인지, 아니면 첫 판단이 두 번째를 편향하는지 확인 불가.
• 자기인식 능력이 에이전트 내부 상태를 반영한다고 가정. 하지만 이것이 프롬프트 해석 차이일 가능성 미검증.
• 도구 과용이 “얕은 패턴 매칭"에 기인한다는 인과관계. 다른 설명(모델 크기, 학습 데이터, 도구 설명 품질)과의 confounding 미다룸.

Alternative Explanation

• 오픈소스 모델의 도구 과용은 더 낮은 모델 크기나 일반화 능력 부족, 패턴 매칭 그 자체가 아닐 수 있다. KAware에서 모델 크기를 통제한 ablation이 없음.
• 독점 모델의 “신뢰할 수 있는 인지적 제어"는 도구 라이브러리 설계나 시스템 프롬프트 차이에서 비롯되었을 수 있다. 동일한 도구 세트와 프롬프트 언더 모든 모델을 테스트한 증거 미제시.
• Internal-capability 설정에서의 성능 저하는 작업 어려움 증가가 아니라 에이전트 아키텍처가 내부 추론에 최적화되지 않았기 때문일 수 있다.
• 상관관계(“self-awareness strongly correlated with task success”)는 인과관계가 아닐 수 있다. 더 유능한 모델이 우연히 자기인식도 높고 작업 성공도 높을 수 있다.

부족한 Ablation

• Knowing 프롬프트 민감도 분석: 도구 사용 여부를 판단하는 프롬프트 표현(예: “도구가 필요한가?” vs. “내부 지식으로 충분한가?")에 따라 결과가 얼마나 변하는지 미검증.
• Internal vs. External 작업의 모호성 제어: 두 방식이 모두 가능한 작업(hybrid의 하위 영역)에서 annotation 합의도(inter-annotator agreement)와 모델 선택 패턴 미분석.
• 도구 설명 및 시스템 프롬프트 효과: 동일한 에이전트에서 도구 설명 상세도를 변화시켜 자기인식과 도구 과용의 변화를 측정하는 실험 부재.
• 모델 크기 및 학습 데이터 통제: 오픈소스 vs. 독점 모델 비교에서 크기와 학습 데이터를 통제한 버전의 비교 부재. 패턴 매칭이 진정한 원인인지 증명 불가.

내가 이어서 할 질문

1. KAware 데이터셋에서 external/internal/hybrid 작업 분할의 annotation 기준은 무엇인가? 여러 인간 평가자 간 합의도는 얼마나 높은가? (재현성 및 데이터 품질 검증)
2. Knowing 단계에서 에이전트의 메타인지적 판단(도구 필요 여부)을 정확히 어떤 프롬프트와 채점 메커니즘으로 추출하는가? 이 과정에서 행동 단계와의 독립성을 어떻게 보장했는가?
3. 같은 모델 크기와 학습 데이터를 가진 오픈소스(e.g., Llama 기반)와 독점 모델(e.g., GPT)의 도구 과용 차이가 실제로 프롬프트 민감도 차이인지, 아니면 내부 추론 메커니즘(e.g., reasoning token vs. chain-of-thought) 차이인지 검증할 수 있는가?
4. Internal-capability 설정에서 자기인식 능력이 저하되는 패턴이 특정 작업 도메인에 국한되는가, 아니면 모든 모델에서 보편적인가? 도메인별 세분화된 분석이 가능한가?
5. 도구 과용을 줄이기 위한 개입 (예: 도구 사용 비용 신호, 명시적 추론 루프, 자가 수정 메커니즘)을 KAware에 적용했을 때 자기인식 능력과 작업 성공의 상관관계가 어떻게 변하는가?

Experience-Based Adaptation

💡 오늘의 핵심 흐름

LLM 기반 에이전트가 장기적으로 사용자와 상호작용하면서 무엇을 기억할지 선택하는 능력이 핵심 경쟁력으로 떠오르고 있어. 기존엔 대화 내용을 최대한 많이 저장하려고 했지만, 실제 서비스에선 계산 비용과 컨텍스트 제약 때문에 그럴 수 없거든. AdaMem 같은 연구들이 보여주는 건 단순히 “더 많이 기억하기"가 아니라 개인화된 맥락에서 필수 정보를 선별하고 관리하는 지능형 메모리 시스템이 필수라는 거야. 이건 사용자별로 다른 선호도와 행동 패턴을 학습하면서도 효율성을 유지해야 한다는 뜻인데, 이게 풀려야 진정한 개인 AI 어시스턴트가 현실화될 수 있어.

3. AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents

저자: Xingyu Chen, Rui Wang, Zhaopeng Tu | 기관: 기관미상 | 날짜: 2026-06-19 | 관련성 점수: 445 | 원문 | PDF

Paper Map

문제 장기 상호작용에서 LLM 에이전트의 메모리 시스템이 모든 정보를 균일하게 저장하려다 “메모리 bloat”(무관한 정보 누적)을 야기하며 QA 정확도를 저하시키는 문제를 해결한다. 기존 접근과 달리, 역할별/사용자별로 “무엇을 기억할 가치가 있는지"를 학습하는 선택적 메모리 관리 방식을 제안한다.

방법

• Role-specific Memory Policy: 사용자/역할마다 구조화된 메모리 정책을 유지하여 저장할 정보의 우선순위를 정의한다.
• Feedback-driven Learning: 주 단위 QA 결과 피드백을 이용해 메모리 정책을 반복 개선한다.
• Patch-style Self-Reflection with Failure Rollback: 가벼운 자기 반성(self-reflection) 단계에서 실패 시 롤백하여 정책을 수정한다.
• AdaMem-Bench: 주 단위 상호작용과 QA를 시뮬레이션하는 벤치마크를 구축하여 장기 인터랙션 설정을 평가한다.

실험

• 데이터셋: AdaMem-Bench (논문에서 구축한 장기 상호작용 시뮬레이션 벤치마크, 주 단위 QA 포함)
• 비교 대상: Mem0 baseline (균일 메모리 추출 방식)
• 추출 모델: 2개 모델 (구체 명시 확인 불가)
• 피드백 모드: 2개 모드 (구체 명시 확인 불가)
• Evaluation Metric: QA 정확도, 메모리 볼륨

핵심 결과

• QA 정확도: Mem0 baseline 대비 최대 +9.0% 개선 (Abstract)
• 메모리 효율성: 메모리 볼륨을 9% 축소하면서 성능 향상 달성 (Abstract)
• 두 추출 모델과 두 피드백 모드 조합에서 일관된 개선 보임 (Abstract에는 명시, 세부 표/그래프는 확인 불가)

한계

• 논문 내부 한계: 각 추출 모델과 피드백 모드의 구체적 사항이 Abstract 수준에서는 명시되지 않았으며, 상세 ablation 결과 위치 확인 불가.
• 리뷰어 관점: (1) Mem0를 유일한 baseline으로 삼음—다른 selective memory 방법과의 비교 부재; (2) 메모리 정책 학습이 실제로 사용자의 선호도를 반영하는지 검증 부족; (3) 장기 학습 과정에서 메모리 오염(corruption)이나 충돌(conflict) 처리 메커니즘 설명 불명확; (4) AdaMem-Bench가 실제 사용자 상호작용을 얼마나 대표하는지 불분명.

Claim–Evidence Table

Method-to-Code Map

공개 코드 링크 확인 불가

Research Gap Note

가정

• 주 단위 QA 피드백이 신뢰성 있게 정책 개선 신호를 제공한다고 가정 (피드백 노이즈, 편향성 미검토).
• 역할별 메모리 정책이 일관되게 유지될 수 있으며, 사용자 수가 적당한 규모라고 가정 (다중 사용자, 정책 간 간섭 미분석).
• Self-reflection을 통한 정책 수정이 수렴하고 안정적이라고 가정 (수렴성, 발산 위험 미논의).
• AdaMem-Bench가 실제 장기 에이전트 상호작용의 특성을 충분히 반영한다고 가정 (도메인 편향, 분포 차이 미검토).

Alternative explanation

• +9.0% 개선이 “role-specific” 학습보다는 단순히 메모리 노이즈 감소(여러 번의 필터링 적용)로 설명될 수 있다.
• 메모리 볼륨 9% 축소는 정책 학습이 아닌 “하드 스레시홀드” 또는 휴리스틱 기반 정리로도 달성 가능할 수 있다.
• 두 추출 모델 간 성능 차이가 AdaMem 방법 자체가 아니라 개별 모델의 초기 품질 차이를 반영할 수 있다.
• Failure rollback의 효과가 단순한 마지막 정책 유지와 차별화되지 않을 수 있다.

부족한 ablation

• Self-reflection 단계를 제거했을 때 성능 변화 (feedback만으로도 충분한지 확인).
• Rollback 메커니즘의 유무에 따른 정책 안정성 및 수렴 속도 비교.
• Role-specific 정책 vs. 단일 global 정책 비교 (개인화의 실제 기여도).
• 메모리 추출 모델별로 AdaMem이 일관되게 도움이 되는지 차별화된 분석.

내가 이어서 할 질문

1. Self-reflection 단계에서 LLM이 실제로 “무엇을 잊어야 할지"를 올바르게 판단하는가? 정책 수정이 hallucination에 의존하지는 않는가?
2. 장기 학습 (수주에서 수개월)에서 메모리 정책이 점진적으로 오염되거나 특정 편향에 빠지는 현상을 어떻게 방지하는가?
3. 사용자 역할(role)을 어떻게 정의하고 자동으로 감지하는가? 역할 정의 오류가 정책 학습에 미치는 영향은?
4. 두 피드백 모드가 구체적으로 무엇이며, 피드백 수집 비용과 정확도 개선의 trade-off는 어떻게 되는가?
5. AdaMem의 메모리 정책이 다른 에이전트 작업(계획, 추론, 도구 사용)으로도 전이 가능한가, 아니면 QA 특화적인가?

본 리포트의 논문 리뷰는 Anthropic의 Haiku 모델을 사용하여 자동 생성되었습니다.