[논문리뷰] PREPING: Building Agent Memory without Tasks

링크: 논문 PDF로 바로 열기

메타데이터

저자: Yumin Choi, Sangwoo Park, Minki Kang, Jinheon Baek, Sung Ju Hwang

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• Pre-Task Memory Construction: 타겟 환경의 실제 사용자 작업 데이터 없이, 환경 문서와 자체 생성한 synthetic practice를 사용하여 사전에 절차적 메모리(procedural memory)를 구축하는 설정입니다.
• Proposer Memory: 건설 단계(construction-time)의 제어 상태로, 과거의 연습 이력과 환경 정보를 기록하여 향후 synthetic task 생성을 가이드합니다.
• Validator-Gated Memory Admission: 제안된 task-trajectory 쌍의 타당성(feasibility)과 완료도(completion)를 검증하여, 유효한 결과물만을 solver memory로 승인하는 필터링 메커니즘입니다.
• Solver Memory: 배포 시점에 에이전트에게 제공되어, 실제 작업 수행 시 도구 사용법, 워크플로우 규칙 등을 가이드하는 최종 재사용 가능한 절차적 메모리입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

LLM 에이전트는 새로운 환경에 배치될 때 작업별 경험이 부족한 상태에서 발생하는 Cold-Start 문제에 직면합니다. 기존의 메모리 구축 방식은 사전에 수집된 사람의 시연(offline)이나 배포 후 사용자와의 상호작용(online)에 의존하는데, 이는 배포 초기 단계의 실패를 야기하거나 구축 비용을 증가시킵니다 [Figure 1]. 저자들은 작업 데이터가 없는 환경에서도 에이전트가 사전에 환경을 탐색하고 절차적 지식을 학습할 수 있는지 탐구합니다. 단순히 무분별한 상호작용은 도구 사용의 중복성, infeasible한 작업 생성, 메모리 오염 문제를 일으키므로, 무엇을 연습하고(practice) 무엇을 저장할지(store)를 제어하는 새로운 프레임워크가 필수적입니다.

Figure 1 — Preping의 사전 메모리 구축 개념

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 proposer-guided synthetic practice와 validation-gated memory admission을 결합한 Preping 프레임워크를 제안합니다 [Figure 2]. Proposer는 proposer memory를 참조하여 환경 문서에 기반한 실행 가능한 synthetic task를 생성하며, Solver는 이를 수행하고, Validator는 생성된 trajectory가 실제 환경에서 타당한지 검증한 후 메모리 업데이트 여부를 결정합니다. 실험 결과, Preping은 모든 벤치마크에서 메모리가 없는 baseline 대비 월등한 성능을 보였으며, AppWorld에서 17.1점, BFCL v3에서 19.3점의 성능 향상을 달성했습니다 [Table 1]. 또한, Preping을 통해 구축된 메모리는 ACE-Online 방식과 비교하여 초기 Cold-Start 실패를 유의미하게 줄이고, 배포 시점에 추가적인 메모리 업데이트 호출을 방지함으로써 AppWorld 기준 2.99배, BFCL v3 기준 2.23배의 비용 절감 효과를 제공합니다 [Figure 5].

Figure 2 — Preping 전체 프레임워크

Figure 5 — 배포 시 작업별 비용 비교

4. Conclusion & Impact (결론 및 시사점)

본 연구는 작업 데이터가 없는 사전 단계에서도 제어된 환경 연습을 통해 강력한 에이전트 메모리를 구축할 수 있음을 입증했습니다. Preping은 메모리 구축을 배포 후의 수동적 과정에서 사전의 능동적 투자로 전환하며, Cold-Start 문제를 효과적으로 완화합니다. 이 프레임워크는 도구 중심의 에이전트 시스템이 새로운 환경에 신속하게 적응해야 하는 산업 현장 및 학계 연구에 실질적인 해결책을 제시하며, 향후 더 복잡하고 안전한 자율 에이전트 설계를 위한 기반 기술로 활용될 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.