A-MEM: Agentic Memory for LLM Agents

While large language model (LLM) agents can effectively use external tools for complex real-world tasks, they require memory systems to leverage historical experiences. Current memory systems enable basic storage and retrieval but lack sophisticated memory organization, despite recent attempts to incorporate graph databases. Moreover, these systems'fixed operations and structures limit their adaptability across diverse tasks. To address this limitation, this paper proposes a novel agentic memory system for LLM agents that can dynamically organize memories in an agentic way. Following the basic principles of the Zettelkasten method, we designed our memory system to create interconnected knowledge networks through dynamic indexing and linking. When a new memory is added, we generate a comprehensive note containing multiple structured attributes, including contextual descriptions, keywords, and tags. The system then analyzes historical memories to identify relevant connections, establishing links where meaningful similarities exist. Additionally, this process enables memory evolution - as new memories are integrated, they can trigger updates to the contextual representations and attributes of existing historical memories, allowing the memory network to continuously refine its understanding. Our approach combines the structured organization principles of Zettelkasten with the flexibility of agent-driven decision making, allowing for more adaptive and context-aware memory management. Empirical experiments on six foundation models show superior improvement against existing SOTA baselines. The source code for evaluating performance is available at https://github.com/WujiangXu/A-mem, while the source code of the agentic memory system is available at https://github.com/WujiangXu/A-mem-sys.

한 줄 요약

A-MEM은 Zettelkasten 방식을 기반으로 LLM 에이전트의 기억을 동적으로 조직하고 진화시키는 새로운 에이전트형 메모리 시스템이다.

핵심 기여도

A-MEM은 LLM 에이전트에 **자율적인 맥락 설명 생성**, **동적 기억 연결**, **기존 기억의 지능적 진화**를 지원하는 메모리 시스템을 제안.
**Link Generation (LG)** 및 **Memory Evolution (ME)** 모듈을 통해 기억 연결과 구조적 개선을 실현.
6개의 기초 모델에서 **기존 SOTA 기준 대비 우수한 성능**을 보임.
**T-SNE 시각화**를 통해 기억 구조화의 효과를 입증.

핵심 아이디어

기존 메모리 시스템은 그래프 데이터베이스를 도입하려는 시도가 있었으나, **정해진 스키마와 관계에 의존**하여 유연성이 부족하다. A-MEM은 **Zettelkasten 메서드**를 모방하여, **원자적 노트**와 **유연한 연결 메커니즘**을 통해 **동적 인덱싱 및 링킹**을 수행한다. 새로운 기억이 추가될 때, **맥락 설명, 키워드, 태그** 등 구조화된 속성을 포함한 포괄적인 노트가 생성된다. 이후 시스템은 **역사적 기억**을 분석하여 의미 있는 유사성을 기반으로 연결을 수립하며, **기존 기억의 맥락 표현과 속성도 업데이트**할 수 있다. 이는 **기억 네트워크가 지속적으로 이해를 정제**하게 만든다.

A-MEM은 **에이전트 주도의 결정**과 **Zettelkasten의 구조화 원칙**을 결합하여, **더 적응적이고 맥락 인식적인 메모리 관리**를 가능하게 한다.

기술적 접근법

**Zettelkasten 메서드**를 기반으로 **동적 인덱싱 및 연결**을 수행.
새로운 기억이 추가될 때, **맥락 설명, 키워드, 태그, 임베딩 벡터**를 포함한 **포괄적인 노트** 생성.
**Link Generation (LG)** 모듈: **공유 속성과 유사한 맥락 설명**을 기반으로 기억 간 연결 생성.
**Memory Evolution (ME)** 모듈: 새로운 경험을 분석하여 **기존 기억의 맥락 표현과 속성 업데이트**.
**T-SNE 시각화**를 통해 기억 구조화의 효과 분석.
**6개의 기초 모델**에서 평가 수행.

주요 결과

**6개의 기초 모델**에서 **기존 SOTA 기준 대비 우수한 성능**을 보임.
**Link Generation (LG)** 및 **Memory Evolution (ME)** 모듈이 제거된 경우, **Multi Hop 추론 및 Open Domain 작업에서 성능 저하**.
**LG만 활성화된 버전**은 **ME가 없는 버전보다 훨씬 우수한 성능**을 보임.
**A-MEM 전체 모델**은 **모든 평가 범주에서 최고 성능**을 달성, 특히 **복잡한 추론 작업에서 강력한 결과**.

의의 및 한계

A-MEM은 **LLM 에이전트의 장기 상호작용 능력**을 향상시키며, **기존 정적 메모리 시스템의 한계를 극복**한다. **Zettelkasten 방식의 유연성과 에이전트 주도의 결정**을 결합하여, **다양한 작업 환경에서 적응적인 메모리 관리**가 가능하다. 그러나 **구체적인 성능 향상 비율**이나 **특정 데이터셋의 정확도 수치**는 명시되지 않아, **정량적 평가의 한계**가 있다. 또한, **실제 산업 적용 시의 확장성**이나 **대규모 데이터 처리 능력**에 대한 언급도 없다.

실용적 활용

A-MEM은 **복잡한 환경에서 지속적인 학습과 기억 관리가 필요한 LLM 에이전트**에 적용 가능하다. 예를 들어, **고객 지원 시스템**, **지식 기반 추론 플랫폼**, **자동화된 연구 도구** 등에서 **유연하고 진화하는 메모리 구조**를 통해 **더 나은 성능을 제공**할 수 있다.