[논문리뷰] Don't Just Trust Your Memory: Evidence-Linked Memory Reduces Memory-Induced Degradation in LLM Agents이 논문이 다루는 문제는, 기존 agent memory가 lesson만 주고 그 lesson이 나온 trajectory는 주지 않아서 agent가 잘못된 lesson을 검증할 방법이 없다는 점이다. 이 때문에 memory-induced degradation이 생긴다 .#Review#LLM Agents#Agent Memory#Memory-Induced Degradation#Evidence-Linked Memory#Procedural Memory#Experience Reuse#Trajectory Grounding2026년 11월 10일댓글 수 로딩 중
[논문리뷰] DAEDALUS: Bootstrapping Agent Memory from Self-Generated Tasks본 논문은 LLM 기반 에이전트가 새로운 환경에서 적절한 운영 지식 없이 반복적인 시행착오를 겪는 문제를 해결하고자 합니다 . 기존 연구들은 주로 사람이 작성한 가이드라인이나 사전에 큐레이션된 학습 과제, 오라클 검증기에 의존하여 메모리를 구축했으나, 이는 환경에 대한 사전 지식과 막대한 비용을 요구합니다.#Review#LLM Agents#Procedural Memory#Self-Generated Tasks#Agentic Environments#Heuristic Validation#In-context Learning#Training-free Method2026년 10월 6일댓글 수 로딩 중
[논문리뷰] Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic Design본 논문은 전문적인 그래픽 디자인 에이전트가 겪는 장기적 작업(Long-horizon)의 복잡성과 결과물의 불명확한 성공 기준 문제를 해결하기 위해, 고정된 모델 가중치(Frozen foundation model)를 유지하면서 외부적인 절차적 기억을 지속적으로 진화시키는 프레임워크를 제안한다.#Review#Agentic Graphic Design#Procedural Memory#Continual Adaptation#Skill Evolution#User Traffic#Foundation Models#Replay Gate2026년 9월 20일댓글 수 로딩 중
[논문리뷰] Spatial Memory Agent: Experience-Grounded Procedure Memory for Spatial Intelligence본 논문은 frozen VLM의 spatial reasoning 능력을 파라미터 업데이트 없이, 외부 expert tool에 대한 의존성도 최소화하면서 향상시키는 방법을 탐구합니다.#Review#Spatial Intelligence#Embodied Agents#Vision-Language Models#Procedural Memory#Transfer Learning#Training-free Self-evolution2026년 8월 13일댓글 수 로딩 중
[논문리뷰] SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries본 논문은 LLM Agent의 스킬 라이브러리가 확장됨에 따라 발생하는 Procedural Knowledge의 중복성과 컨텍스트 예산 부족 문제를 해결하고자 합니다.#Review#LLM Agents#Agent Skills#Procedural Memory#Graph Compression#Skill Retrieval2026년 8월 12일댓글 수 로딩 중
[논문리뷰] Managing Procedural Memory in LLM Agents: Control, Adaptation, and Evaluation본 연구는 LLM 기반 에이전트가 현실 업무에서 반복적인 절차를 수행할 때 발생하는 Procedural Memory의 재사용성 문제를 해결하고자 한다. 기존 연구들은 로컬 환경에서의 단기 성능 향상에 집중하여, 서로 다른 태스크, 역할(Role), 모델 Backbone 간의 실질적인 전이 성능을 충분히 평가하지 못했다.#Review#LLM Agents#Procedural Memory#Skill Transfer#Benchmark#Agent Evolution#Task Generalization2026년 6월 30일댓글 수 로딩 중
[논문리뷰] PREPING: Building Agent Memory without TasksLLM 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 .#Review#Agent Memory#Procedural Memory#Synthetic Practice#Cold-Start#Agentic Context Engineering#Tool-Use#Pre-task Construction2026년 5월 14일댓글 수 로딩 중
[논문리뷰] SkillClaw: Let Skills Evolve Collectively with Agentic Evolver본 연구는 다중 사용자 환경에서 발생한 대규모 상호작용 궤적을 중앙 집중적으로 수집하여 자율적으로 스킬을 개선하는 SkillClaw 프레임워크를 제안한다. 수집된 궤적은 스킬별로 그룹화되어 Agentic Evolver에 입력되며, 진화 엔진은 이를 바탕으로 스킬의 Refine, Create, Skip 여부를 결정한다.#Review#LLM Agents#Skill Evolution#Multi-user Ecosystem#Collective Learning#Agentic Evolver#Procedural Memory2026년 4월 9일댓글 수 로딩 중
[논문리뷰] ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models본 논문은 LLM 에이전트의 기억 능력을 평가하는 기존 벤치마크들이 '명시적 기억(Explicit memory)'의 회상 능력에만 편중되어 있다는 점을 지적한다.#Review#Implicit Memory#LLM Agents#Procedural Memory#Priming#Classical Conditioning#Benchmark#Behavioral Adaptation2026년 4월 9일댓글 수 로딩 중
[논문리뷰] LMEB: Long-horizon Memory Embedding BenchmarkMemory-augmented system (예: OpenClaw )에서 Memory embedding은 필수적이지만, 현재 Text embedding benchmark들은 그 평가가 미흡합니다.#Review#Memory Embeddings#Long-horizon Memory Retrieval#Text Embedding Benchmarks#Episodic Memory#Dialogue Memory#Semantic Memory#Procedural Memory#Zero-Shot Evaluation2026년 3월 15일댓글 수 로딩 중
[논문리뷰] RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies본 논문은 장기적이고 이력 의존적인 로봇 조작 태스크에서 메모리 기반의 Vision-Language-Action (VLA) 모델 의 체계적인 평가 및 발전을 위한 표준화된 벤치마크를 구축하는 것을 목표로 합니다. 기존 메모리 메커니즘 평가의 비표준화된 환경과 제한적인 이해를 개선하고자 합니다.#Review#Robotics#Memory#Benchmark#Manipulation#Vision-Language-Action Models#Temporal Memory#Spatial Memory#Procedural Memory2026년 3월 8일댓글 수 로딩 중
[논문리뷰] Memp: Exploring Agent Procedural Memory논문은 대규모 언어 모델(LLM) 기반 에이전트가 겪는 취약한 절차적 메모리 문제를 해결하고, 에이전트에게 학습 가능하고 업데이트 가능한 평생 절차적 메모리 를 부여하는 것을 목표로 합니다. 이를 통해 에이전트의 성공률을 높이고 유사 작업에 대한 실행 효율성 을 개선하고자 합니다.#Review#Procedural Memory#LLM Agents#Memory Management#Task Automation#Lifelong Learning#Experience Replay#Agent Learning2025년 8월 11일댓글 수 로딩 중