SimpleMem은 LLM 에이전트가 긴 상호작용 이력을 그대로 컨텍스트에 넣지 않고, 의미적으로 필요한 정보만 구조화해 저장·통합·검색하는 장기 메모리 프레임워크다. 핵심 아이디어는 “더 긴 컨텍스트”가 아니라 정보 밀도가 높은 기억 단위를 만드는 것이다.
해결하려는 문제
에이전트 메모리 시스템은 두 극단으로 흔들리기 쉽다.
- 전체 대화 이력을 계속 붙이면 중복과 잡담이 컨텍스트를 채운다.
- 검색 전에 LLM이 여러 번 추론하며 필터링하면 토큰 비용과 지연이 커진다.
SimpleMem은 쓰기 단계에서 정보를 압축하고, 관련 기억을 즉시 통합하며, 읽기 단계에서 질의 의도에 맞춰 검색 범위를 조절한다.
3단계 구조
| 단계 | 역할 |
|---|---|
| Semantic Structured Compression | 대화 윈도우에서 낮은 정보량의 filler를 버리고, 독립적으로 해석 가능한 memory unit으로 변환 |
| Online Semantic Synthesis | 같은 세션의 관련 조각을 쓰기 단계에서 합쳐 더 높은 밀도의 추상 기억으로 정리 |
| Intent-Aware Retrieval Planning | 질의의 숨은 검색 의도를 추정해 semantic, lexical, symbolic 검색 범위와 깊이를 동적으로 결정 |
저장된 기억은 dense embedding, BM25 같은 sparse lexical feature, timestamp·entities·topic·salience 같은 symbolic metadata로 함께 인덱싱된다. 검색 때는 세 경로를 병렬로 조회하고 ID 기반으로 중복을 제거해 compact context를 만든다.
성능 의미
논문은 LoCoMo와 LongMemEval-S에서 SimpleMem을 Mem0, MemGPT, MemoryBank, A-Mem, LightMem 등과 비교했다. 보고된 핵심 결과는 다음과 같다.
- LoCoMo에서 Mem0 대비 평균 F1 26.4% 향상
- full-context 계열 대비 inference-time token consumption 최대 30배 감소
- GPT-4.1-mini 기반 LoCoMo에서 평균 F1 43.24, 토큰 비용 531
- LongMemEval-S에서 gpt-4.1-mini 기준 평균 정확도 76.87%, gpt-4.1 기준 83.97%
- 작은 Qwen 계열 모델에서도 baseline 메모리보다 높은 성능 유지
이 수치는 “메모리는 많이 넣을수록 좋다”보다 “검색할 가치가 높은 형태로 먼저 정리하는 것이 중요하다”는 쪽을 지지한다.
언제 볼 만한가
- 장기 대화, CRM, 개인 비서, 코딩 에이전트처럼 세션 간 기억이 필요한 제품
- 벡터 DB 검색 결과가 중복되거나 오래된 대화 조각으로 오염되는 경우
- 메모리 검색 토큰 비용이 커져 응답 비용·지연이 문제인 경우
- agentic-memory 시스템에서 episodic memory와 semantic memory를 함께 다뤄야 하는 경우
구현 상태
GitHub 저장소는 simplemem 패키지, MCP 서버, Python 통합을 제공한다고 설명한다. README 기준 텍스트 메모리뿐 아니라 이미지·오디오·비디오를 다루는 Omni-SimpleMem, 검색 인프라를 자체 개선하는 EvolveMem도 같은 패키지 흐름으로 통합됐다.
논문 결과를 그대로 제품 성능으로 일반화하면 안 된다. 벤치마크는 LoCoMo와 LongMemEval-S 중심이고, 실제 제품에서는 개인정보 처리, 메모리 삭제, 출처 추적, 사용자별 권한, 오래된 기억의 갱신 정책을 별도로 설계해야 한다.
관련 문서
- agentic-memory — AI 에이전트 장기 메모리 개념과 아키텍처
- agentic-memory-tips-memory-layer — 에이전트 메모리 레이어 설계
- ai-agent-memory-tips-strategy — 기억 전략을 고르는 의사결정 트리
- supermemory — 제품형 AI 메모리·컨텍스트 엔진
- memora — 추상성과 구체성을 조절하는 Microsoft 메모리 표현
참고 자료
- SimpleMem: Efficient Lifelong Memory for LLM Agents — arXiv 2601.02553 (2026-01-29)
- aiming-lab/SimpleMem — GitHub 공식 저장소