본 논문은 대규모 언어 모델(LLM) 기반 에이전트의 취약한 절차적 기억 문제를 해결하기 위해, 학습 가능하고, 업데이트 가능하며, 평생 지속되는 절차적 기억을 부여하는 전략을 연구합니다. Memp라는 새로운 방법을 제안하는데, 이는 과거 에이전트의 궤적을 세분화된 단계별 지침과 상위 수준의 스크립트 같은 추상화로 추출합니다. 또한 절차적 기억의 구축, 검색, 업데이트를 위한 다양한 전략의 영향을 탐구하며, 지속적으로 내용을 업데이트, 수정, 폐기하는 동적 체제를 통해 새로운 경험과 함께 발전하는 기억 저장소를 구축합니다. TravelPlanner와 ALFWorld에 대한 실험 결과, 기억 저장소가 정제됨에 따라 에이전트는 유사한 작업에서 성공률과 효율성이 꾸준히 향상됨을 보여줍니다. 더욱이, 강력한 모델에서 구축된 절차적 기억은 그 가치를 유지하여, 약한 모델로 마이그레이션하더라도 상당한 성능 향상을 가져옵니다.
