WujiangXu/A-mem

A-Mem: LLM 에이전트를 위한 Agentic Memory

정의 – Agentic Memory의 연구 구현으로, Zettelkasten 노트 필기법에서 영감을 받아 대규모 언어 모델(LLM) 에이전트가 과거의 '기억'을 동적으로 구성할 수 있게 하는 시스템입니다. 이 코드는 논문 A-Mem: Agentic Memory for LLM Agents(NeurIPS 2025)의 실험을 재현합니다.

핵심 아이디어

새로운 정보(기억)가 추가되면 시스템은 자동으로 구조화된 노트를 생성하고 태그를 지정하며 기존 기억에서 관련 콘텐츠를 검색합니다.
그런 다음 관련 기억 간에 명시적 링크를 생성하여 에이전트가 새 데이터와 상호 작용함에 따라 진화할 수 있는 그래프형 지식 네트워크를 형성합니다.
에이전트는 이 네트워크를 쿼리하고 가장 관련성 높은 기억을 검색하며, 당면한 작업에 따라 기억을 재구성하거나 개선할 수도 있습니다.

주요 기능

동적 구성 – 기억은 정적 벡터 저장소에 저장되는 대신 즉시 링크되고 재색인됩니다.
Zettelkasten 스타일 노트 – 각 기억에는 속성이 풍부한 노트(제목, 설명, 태그 등)가 제공됩니다.
에이전트 주도 관리 – LLM 자체가 검색할 기억 수(k), 새 링크를 만들 시기, 기존 링크를 업데이트하는 방법을 결정합니다.
백엔드 독립 평가 – 스크립트는 OpenAI API, vLLM으로 제공되는 오픈소스 모델 또는 Ollama와 함께 작동하므로 모든 LLM에서 메서드를 테스트할 수 있습니다.
재현 가능한 실험 – 저장소에는 LoCoMo 벤치마크 스위트와 모델별 최적 검색 크기를 찾기 위한 k-스윕 스크립트가 포함되어 있습니다.

시작하기

저장소를 클론하고 Python 환경(venv 또는 Conda)을 만듭니다.
pip install -r requirements.txt로 필요한 패키지를 설치합니다.
LoCoMo 데이터셋에서 제공된 평가 스크립트를 실행합니다:
- python test_advanced.py – 원래 평가(OpenAI JSON 스키마 지원 필요).
- python test_advanced_robust.py … – OpenAI, vLLM 또는 Ollama 백엔드에서 작동하는 견고한 버전. GPT-4o-mini 예시:
```
python test_advanced_robust.py --backend openai --model gpt-4o-mini \
    --dataset data/locomo10.json --output results.json
```
bash run_k_sweep.sh를 사용하여 각 모델의 검색 크기(k) 하이퍼파라미터를 자동으로 스윕합니다.

일반적인 워크플로우

기억 추가 – 시스템이 노트를 생성하고 태그를 지정하며 기존 노트의 유사성을 검색합니다.
링크 생성 – 관련 노트가 발견되면 시스템이 양방향 링크를 추가하여 지식 그래프를 강화합니다.
쿼리 – LLM 에이전트가 질문을 합니다. 메모리 시스템은 상위 k개의 링크된 노트를 검색하고, 이를 에이전트에 다시 공급하여 답변을 생성합니다.

대상 독자

LLM 기반 에이전트의 메모리 아키텍처를 탐구하는 연구자.
자체 에이전트에서 동적 그래프 기반 메모리의 재현 가능한 기준선을 원하는 개발자.
전통적인 벡터 저장소 메모리와 더 구조화된 링크 중심 접근 방식을 비교하는 데 관심이 있는 모든 사람.

인용

@inproceedings{xu2025amem,
  title={A-Mem: Agentic memory for llm agents},
  author={Xu, Wujiang and Liang, Zujie and Mei, Kai and Gao, Hang and Tan, Juntao and Zhang, Yongfeng},
  booktitle={Advances in Neural Information Processing Systems},
  year={2025}
}

라이선스 – MIT.

이 요약은 저장소의 README에만 기반합니다. 외부 정보는 추가되지 않았습니다.

WujiangXu/A-mem

A-Mem: LLM 에이전트를 위한 Agentic Memory

관련