본 논문은 다단계 작업을 수행하는 자율 에이전트로서 대규모 언어 모델(LLM)을 사용하는 데 있어 기존 프레임워크의 한계점을 지적하고, 이를 해결하기 위한 경량의 구조적 메모리 모듈인 Task Memory Engine (TME)을 제안한다. TME는 계층적 Task Memory Tree (TMT)를 사용하여 작업 실행을 추적하며, 트리의 각 노드는 작업 단계, 관련 입력 및 출력, 상태, 하위 작업 관계를 저장한다. 활성 노드 경로를 기반으로 LLM 프롬프트를 동적으로 생성하는 프롬프트 합성 방법을 도입하여 실행 일관성과 문맥적 근거를 향상시킨다. 다단계 에이전트 작업에 대한 사례 연구와 비교 실험을 통해 TME가 최소한의 구현 오버헤드로 작업 완료 정확도와 해석 가능성을 향상시킨다는 것을 보여준다. 현재 구현은 트리 기반 구조를 사용하지만, TME는 재사용 가능한 하위 단계, 수렴하는 작업 경로 및 공유 종속성을 지원하는 그래프 인식 설계로 향후 DAG 기반 메모리 아키텍처의 기반을 마련한다.
