사례 연구: 77%의 엔티티 손실 — 이후 100% 회복

LLM 대화가 컨텍스트 윈도우를 넘어서면 플랫폼은 요약을 진행하며 정보를 잃게 됩니다. 우리 자체 생산용 멀티 에이전트 배포에서 이를 측정해보았습니다: 표준 컴팩션은 개체명(사람, 결정, 도구, 날짜 등)의 77%를 잃었습니다. 90분 전에 논의된 결제 처리기 통합에 대해 물어보았지만 에이전트는 "모르겠습니다"라고 대답했습니다.

We replaced compaction with a three-layer recall architecture over structured memory: entities survive in full, and the agent retrieves exactly what the current turn needs, on demand.

결과는 두 개의 생산용 에이전트 인스턴스에서 16,000개 이상의 메시지를 기준으로 측정되었으며, 이전 결정의 100% 복구(비교 대상인 경우 43%)와 46 MB 세션은 35 kB의 작업 맥락으로 압축되어 토큰 부담이 99.94% 감소했다. 발표된 논문의 결론은 여전히 유효하다: 더 나은 모델을 위해 돈을 지불하지 말고, 더 나은 메모리를 위해 돈을 지불하라.

The full methodology, including a review of 27 recent papers from Western, Chinese, Korean and Japanese research groups, is published as an open paper by GLG, a.s. (March 2026) — including Korean and Chinese editions.