대규모 언어 모델이 역사적 인물을 대화 시스템에 구현하는 데 유망하지만, 기존 방식은 얕은 응답을 생성하거나 과도한 지연 시간을 갖는 딜레마에 직면합니다. 본 논문은 오프라인 데이터 증강 및 구조화된 에피소드 메모리에서 효율적인 병렬 검색을 통해 이 문제를 해결하는 아키텍처를 제시합니다. 시스템은 전기적 데이터를 1,774개의 감성-의미론적 메타데이터를 포함하는 풍부한 1인칭 기억으로 변환하고, 2단계 검색을 통해 0.52초의 프롬프트 생성을 달성합니다. GPT-4에서 기존 RAG와 동등한 성능을 보이며, 더 작은 모델(GPT-3.5, GPT-3)에서 크게 능가하여 자원 제약적 환경에 유용합니다. 구조화된 메모리는 시공간 히트맵, 감정 궤적 분석, 대화형 경로 추적과 같은 새로운 시각화 도구를 가능하게 하여 대화 인터페이스와 전기 분석 연구 도구 역할을 합니다. 반 고흐를 사례로 사용하지만, 이 아키텍처는 광범위한 텍스트 기록이 있는 모든 역사적 인물에게 적용 가능하며, 정확성과 효율성이 모두 필요한 교육, 박물관, 연구 응용 프로그램에 실용적인 프레임워크를 제공합니다.
