2026년 5월 29일 arXiv에 제출된 프리프린트, ExpGraph는 대형 언어 모델(LLM)을 기반으로 한 에이전트가 실행 모델의 매개변수를 수정하지 않고도 재사용 가능한 경험을 축적할 수 있다고 주장합니다. 이 모델은 동결되어 교체 가능하게 유지됩니다. 이 논문은 더 강력한 모델에 투자할 것인지, 아니면 실행 모델 간에 이동 가능한 외부 메모리 층에 투자할 것인지를 두고 AI 예산 문제를 다룹니다. 이 프레임워크는 일리노이 대학교 어바나-샴페인, 난양 이공대학, Meta Monetization AI에 소속된 11명의 연구자가 서명했습니다. 이 논문은 자연어 처리 분야 (cs.CL arXiv)로 분류되었으며, 온라인 게시 시점에 동료 검토를 거치지 않았으며, 결과는 저자들이 선언한 것입니다.
그래프 확산 및 RL 보조 파일럿: ExpGraph의 메커니즘
ExpGraph는 에이전트의 역사적 경로를 재사용 가능한 기술과 실패 경험 교훈으로 요약하여 자가 발전 경험 그래프의 노드로 조직합니다. 검색은 그래프 확산과 유용성 기반 순위를 결합하며, 강화 학습(RL)에 의해 훈련된 가벼운 보조 파일럿이 경험을 주입할 것을 선택합니다. 보상 신호는 경험을 회수한 실행 모델의 성능 차이를 기준으로 합니다. GraphSAGE, Open Graph Benchmark로 유명한 그래프 신경망 전문가 Jiaxuan You가 저자 중 한 명으로 참여한 것은 그래프 확산 구성 요소의 기술적 신뢰성을 나타냅니다. 경험적으로 저자들은 프리프린트에서 실행 모델 크기에 따라 12.2% 및 4.7%의 정적 작업 증가를, ALFWorld를 포함한 에이전트 환경에서 21.4% 및 12.7%의 증가를 주장합니다. ALFWorld는 에이전트 평가의 표준 시뮬레이션 환경이 되었으며, 다른 환경의 세부 사항은 초록에서 접근할 수 없습니다. 평가에는 저자들이 설계한 벤치마크인 ExpSuite가 사용되었으며, 비교 기준은 초록에서 명시되지 않았습니다. 전체 논문의 읽기를 통해서만 이 두 가지 요소를 파악할 수 있습니다.
자체 벤치마크, 명시되지 않은 기준
ExpGraph가 주장하는 성능 향상은 저자들이 설계한 평가 프로토콜인 ExpSuite에서 측정되었습니다. 프리프린트에서 비교 기준은 명시되지 않았습니다. 이러한 결과는 아직 동료 검토를 거치지 않았으므로 일반화하기 전에 주의가 필요합니다.
활발한 학문적 계보, 이미 동료 검토를 거친 사례
ExpGraph는 LLM 에이전트의 경험 학습에 관한 일련의 연구에 속하며, 이 중 여러 개는 이미 동료 검토의 단계를 통과했습니다. 2026년 ICLR - 세 개의 주요 국제 학습 기계 학회 중 하나 - 에서 두 개의 논문이 채택되었으며, 서로 비교 가능합니다. NAVER LABS Europe, Meylan은 거기에서 Retrieval-Augmented LLM Agents: Learning to Learn from Experience를 발표하여, 일반주의 에이전트가 "알려지지 않은 작업에 대한 강력한 일반화를 달성하는 것은 여전히 주요 과제"(자유 번역)라고 주장했습니다. 같은 회의에서는 From Experience to Strategy가 "에이전트 중심의 다층 그래프 메모리 프레임워크"(자유 번역)를 제안하여 보상에 의해 유도된 가중치 최적화를 제안했습니다. 경험의 평면 목록에서 그래프 구조로의 전환은 새로운 것이 아닙니다. 이미 학문적으로 검토되어 검증되었습니다. ExpGraph는 변형으로 추가되었을 뿐, 혁신은 아니며, 현재까지는 외부 검증을 받지 못한 세 가지 중 유일한 것입니다.
세 개의 동시대 에이전트 메모리 논문
| 논문 | 기관 | 상태 | 메모리 접근법 |
|---|---|---|---|
| Retrieval-Augmented LLM Agents | NAVER LABS Europe | ICLR 2026 - 동료 검토됨 | 경험적 RAG |
| From Experience to Strategy | 미정 | ICLR 2026 - 동료 검토됨 | 훈련 가능한 그래프 메모리 (RL) |
| ExpGraph | UIUC + NTU + Meta Monetization AI | arXiv 프리프린트 - 동료 검토되지 않음 | 구조화된 경험 그래프 |
외부 메모리 또는 더 강력한 모델: 다른 것을 말하는 두 가지 베팅
UIUC, NTU, Meta Monetization AI 팀이 서명한 ExpGraph의 제안은 저자들이 주장하는 건축적 논제를 포함하고 있습니다: 수집된 경험에 대한 미세 조정은 확실히 재사용성을 향상시키지만, 더 강력하거나 더 적응된 실행 모델이 등장하면 유연성을 상실합니다. 프리프린트에서 방어되는 결과는 축적된 지식이 모델 외부에 존재해야 모델이 변경될 때 휴대 가능하다는 것입니다. Anthropic의 궤도는 반대의 베팅을 나타냅니다: 모델을 강화하여 에이전트 성과가 모델과 함께 이동하도록 하며, 프로그래밍에 최적화된 Claude 에이전트에서 2026년 5월 28일 발표된 Claude Opus 4.8에 이르기까지, 이러한 성과는 모델 교체 후에는 생존하지 않습니다. 세 번째 변형, 더 주변적인 것은, 여전히 산업 실험실에서 탐색 단계에 있는 모델의 자기 개선 아키텍처로 중심을 이동합니다. 오늘날 출판된 경험적 연구는 이 논쟁을 해결하지 않습니다: 세 가지 접근법이 공존하며, 아키텍처적 이동의 열린 질문은 현재로서는 독립적인 벤치마크 결과보다는 경쟁 논문의 주장입니다.
기타 원칙에 기반한 기존의 생산 스택
학문적 경로와는 별도로, 에이전트 메모리 생산 생태계는 이미 2025년에 통합되었습니다. Mem0는 10월에 Y Combinator, Peak XV, Basis Set로부터 2400만 달러를 모금했으며, GitHub에서 41,000개의 스타 및 Python 패키지의 1,300만 다운로드를 기록했으며, Letta 및 Supermemory와 함께 개발자가 채택한 프레임워크 중 하나로 자리 잡았습니다. Mem0에 의해 강조된 수치에 따르면, 이 API는 2025년 첫 3분기 동안 약 35억에서 186억 건으로 전환되었습니다. ExpGraph와 외부 메모리 철학을 공유하지만, 그래프 확산 및 강화 학습으로 구동되는 자가 발전 그래프에 기반하지 않습니다. 차이는 중요합니다: 생산 스택은 세션 간의 이동성과 지속성을 추구하고, 학문적 스택은 알려지지 않은 작업에 대한 일반화를 목표로 합니다. 2026년 말까지 관찰 가능한 신호: ExpSuite 외부의 ExpGraph 이득의 재현 가능성, 제3자 에이전트 벤치마크에서, 그리고 Mem0의 API 호출 경로 - 생산 스택이 자가 발전 그래프 원리를 통합했는지 여부를 나타낼 것입니다.
3분기 동안 35억에서 186억 API 호출로 증가
Mem0의 2025년 첫 9개월 동안의 발전은 이상적인 아키텍처에 대한 학문적 논쟁과는 별개로 외부 메모리 층에 대한 실질적인 산업 수요를 보여줍니다.