[논문리뷰] Absorbing Complexity: An Interaction-Native Knowledge Harness for Financial LLM Agents

링크: 논문 PDF로 바로 열기

메타데이터

저자: Ailiya Borjigin, Igor Stadnyk, Ben Bilski, Maksym Chikita, Dmytro Kyrylenko, Sofiia Pidturkina, Julia Stadnyk

---

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

• Financial Cognition Friction: 사용자가 파편화된 정보, 과거의 판단, 위험 선호도 등을 반복적으로 입력해야 하는 인지적 부담을 의미합니다.
• Interaction-Native Knowledge Harness (InKH): 사용자-에이전트 간의 상호작용을 연속적인 상태 흐름으로 처리하여, 에이전트가 능동적으로 지식을 구조화하고 관리하게 하는 아키텍처입니다.
• Passive Knowledge Injection: 에이전트의 쿼리 중심 검색 대신, 시스템이 상황에 적합한 정보를 에이전트의 working context buffer에 선제적으로 주입하는 방식입니다.
• Write-time Invalidation: 지식의 모순이나 만료가 발생할 때, 쿼리 시점이 아닌 데이터 작성 시점에 즉시 해당 정보를 무효화(invalidate)하는 메커니즘입니다.
• Wiki Audit Surface: 기계 중심의 Temporal Knowledge Graph와 별개로, 인간이 시스템의 지식 상태를 읽고 감사(audit)할 수 있도록 제공되는 가독성 높은 인터페이스입니다.

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

본 논문은 금융 AI 에이전트가 겪는 '금융 인지 마찰(financial cognition friction)'과 그에 따른 성능 저하 문제를 해결합니다. 기존의 금융 에이전트는 주로 턴 기반(turn-based)의 일회성 워크플로우를 따르기 때문에, 매 대화마다 기억이 초기화되어 반복적인 검색 비용과 stale-memory 사용으로 인한 오류를 초래합니다. 특히 시장 변화나 프로토콜 충격이 발생할 경우, 기존의 에이전트는 오래된 지식을 참조하여 잘못된 판단을 내리는 경우가 빈번합니다 [Figure 1]. 이러한 시스템은 정보의 파편화와 추적 가능성(traceability) 결여라는 기술적 한계를 안고 있습니다.

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

본 논문은 에이전트가 복잡성을 스스로 흡수하는 InKH 아키텍처를 제안합니다 [Figure 1]. 이 시스템은 이벤트를 지속적으로 추적하는 Temporal Knowledge Graph를 기반으로 하며, background extraction을 통해 지식을 구조화하고 matures 상태를 관리합니다. 특히 시스템은 Passive Knowledge Injection을 통해 에이전트에게 필요한 맥락을 사전에 제공하여 쿼리 효율을 극대화합니다. 정량적 평가 결과, InKH는 기존 WikiWalk 방식 대비 평균 latency를 82.95% 단축하고, token cost를 82.29% 절감하였습니다 [Table 3]. 또한 Stale-memory usage를 96.58% 감소시켜 충격(shock) 발생 시 에이전트의 적응력을 유의미하게 개선하였습니다 [Table 4, Figure 3].

4. Conclusion & Impact (결론 및 시사점)

본 연구는 금융 에이전트의 성공적인 도입을 위해 복잡성을 사용자가 아닌 시스템이 흡수하는 방향으로 나아가야 함을 입증했습니다. InKH는 지식의 지속적인 컴파일과 관리(governance)를 통해 고위험 금융 작업에서도 신뢰할 수 있는 성능을 보입니다. 이 연구는 학계에 에이전트 메모리 아키텍처의 새로운 설계 기준을 제시하며, 향후 survivability-aware execution 기술과 결합하여 안전하고 견고한 금융 AI 스택을 구축하는 데 기여할 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.