본 논문은 AI 에이전트의 메모리 문제를 해결하기 위해, 사전 준비된 정적 메모리의 정보 손실 문제를 개선하는 새로운 프레임워크인 General Agentic Memory (GAM)을 제안합니다. GAM은 "Just-in-Time (JIT) compilation" 원리를 따라, 오프라인 단계에서는 간단하지만 유용한 메모리만 유지하고 런타임에 클라이언트에 최적화된 컨텍스트를 생성하는 데 중점을 둡니다. 이를 위해, Memorizer와 Researcher라는 두 가지 구성 요소를 사용합니다. Memorizer는 경량 메모리를 사용하여 주요 기록 정보를 강조하고, 전체 기록 정보는 범용 페이지 저장소에 보관합니다. Researcher는 사전 구축된 메모리를 기반으로 온라인 요청에 필요한 정보를 페이지 저장소에서 검색하고 통합합니다. 이 설계를 통해 GAM은 최신 대규모 언어 모델(LLM)의 에이전트 능력과 테스트 시간 확장성을 효과적으로 활용하며, 강화 학습을 통한 종단 간 성능 최적화를 가능하게 합니다. 실험 결과, GAM은 다양한 메모리 기반 작업 완료 시나리오에서 기존 메모리 시스템에 비해 상당한 성능 향상을 보였습니다.
