메타 AI, 장기 태스크 추적을 위한 두 번째 AI 에이전트 제안

메타 AI(Meta AI) 연구진은 논문에서 AI 에이전트가 장시간 작업을 수행하는 동안 요구사항을 놓치거나 실패한 행동을 반복하는 고질적인 문제를 지적하며, 이를 '행동 상태 붕괴(behavioral state decay)'라고 명명했다. 연구진은 변경되지 않은 '행동 에이전트(action agent)'와 나란히 별도의 '메모리 에이전트(memory agent)'를 구동하는 플러그 앤 플레이(plug-and-play, 별도 설정 없이 즉시 연결해 사용할 수 있는) 방식의 메모리 모듈을 제안한다. 이 메모리 에이전트는 일정 간격으로 최근 단계들을 관찰하고, 구조화된 메모리 뱅크를 업데이트하며, 다음 행동 호출에 간결한 메모리 기반 알림을 삽입할지 아니면 아무 개입 없이 침묵할지를 결정한다. 메모리 뱅크는 비공개 상태(private status), 지식(knowledge), 절차적 기억(procedural memory)으로 구분되며, 에이전트는 자유로운 재작성 방식이 아니라 사전에 정의된 툴 호출을 통해 이 뱅크를 관리한다. 테스트는 Terminal-Bench 2.0과 τ2-Bench에서 Claude Opus 4.6을 메모리 에이전트로 사용해 진행되었다. 행동 에이전트로 Claude Sonnet 4.5를 사용했을 때, 이 시스템은 Terminal-Bench 작업의 첫 시도 성공률을 기존 38%에서 46%로 끌어올렸고, τ2-Bench의 작업 가중 평균 점수도 55%에서 62%로 향상시켰다. 다만 영역별 차이는 뚜렷했는데, 항공(Airline)과 소매(Retail) 영역은 각각 약 10퍼센트포인트 개선된 반면 통신(Telecom) 영역은 3퍼센트포인트 개선에 그쳤다. 더 강력한 모델인 Opus 4.6 역시 성능이 향상되었지만 그 폭은 상대적으로 작았는데, 이는 이 방식의 이점이 단순히 제한된 역량을 보완하는 데 그치지 않는다는 점을 시사한다. 제거 실험(ablation)을 통해 선택적 개입과 잘 관리된 메모리 뱅크가 핵심 요소임이 확인되었으며, 이 접근법은 기존의 생산적 메모리 레이어인 Mem0보다 우수한 성능을 보였다. 연구팀은 또한 오픈 모델인 Qwen3.5-27B를 메모리 에이전트로 훈련시키는 시도도 진행했는데, 개입 시점을 적절히 조정하기 위해서는 지도 미세조정(supervised fine-tuning)과 강화학습(reinforcement learning)이 모두 필요하다는 사실을 발견했다. 메타 AI는 관련 코드를 깃허브(GitHub)에 공개했다.