From recall to reasoning: How context graphs upgrade an agent’s brain

AI 양이 어떻게 생존을 멈추고 학습을 시작했는지에 대한 이야기입니다.

더 똑똑한 LLM과 도구의 가용성 증가에도 불구하고 AI 에이전트는 진화의 한계점에 도달한 것 같습니다. 그들은 환각을 느끼고, 실수를 반복하며, 새로운 환경에 적응하기 위해 애쓰고 있습니다.

근본 원인은? 그들의 두뇌는 추론을 위해 만들어지지 않았습니다.

상담원이what, 그들은 그것을 파악하기 위해 애쓰고 있습니다.why. 구조화되지 않은 기억은 그들을 곧장컨텍스트 벽, 의미 링크와 논리가 누락되어 단순 검색이 실패하는 경우

이 벽을 허물기 위해서는 요원들에게 추억을 담은 서류 캐비닛 이상의 것이 필요합니다. 그들은. 단절된 사실 집합 대신 컨텍스트 그래프는 환경, 내린 결정 및 결과 간의 관계를 매핑하는 지식의 웹입니다. 에서 나온 다리입니다 to .

에이전트가 컨텍스트 벽에 부딪히는 이유를 이해하기 위해 실제 AI 에이전트를 관찰해 보겠습니다. 이 블로그 게시물은 에이전트 양🐑이 어떻게 디지털 숲을 헤쳐나가며 세 가지 수준으로 진화하는지에 대한 이야기입니다.

• 레벨 1:단기 기억을 가진 에이전트(반응성)
• 레벨 2:장기 기억이 있는 에이전트(회상)
• 레벨 3:상황별 기억을 가진 에이전트(추론)

우리는 상황적 기억을 통해서만 양이 진정으로 학습할 수 있고 결국에는 늑대를 능가할 수 있다는 것을 알게 될 것입니다.

에이전트 양 소개

에이전트가 어떻게 진화하는지 이해하려면 테스트 대상이 필요합니다. 배고픈 주인공인 양을 시뮬레이션해 보겠습니다.

기업 에이전트가 비즈니스 세계에서 활동하는 것처럼 양의 세계는 숲입니다. 숲에는 횡단할 수 있는 열린 땅, 먹을 수 있는 풀, 길을 막는 나무가 있습니다. 우리는 이 숲을 연결된 위치의 네트워크인 그래프로 모델링할 수 있습니다.

• 노드: 특정 위치(풀, 모래, 바다, 나무)를 나타냅니다.
• Edges: 해당 위치 간의 경로(관계)를 나타냅니다.

숲: 그래프와 지도로 시각화됩니다.

이 숲은 다음의 예이다.. 실제로는 이것을 디지털 트윈이라고 부를 수 있습니다. 사람, 프로세스, 제품으로 매핑된 회사를 상상해 보세요. 이 세상에서 우리 양은 고전적인 에이전트 루프를 작동하여 자율적으로 탐색합니다.

• 그 주변.
• 다음에 해야 할 일
• Act다음 단계로 넘어가세요.

수준 1: 반응성 물질(단기 기억)

양 에이전트의 첫 번째 진화에는 세 가지 핵심 구성 요소가 포함되어 있습니다.

1. 프롬프트 지침. 이곳은 양에게 본능을 알려주는 곳입니다. 음식에 대한 갈망. 이를 모델링하기 위해 양의 에너지 수준은 0(굶주림)에서 100(포만함) 범위입니다. 1분마다 신진대사로 인해 에너지가 5씩 감소합니다. 풀을 먹으면 에너지가 회복됩니다. 에너지가 0에 도달하면 시뮬레이션이 종료됩니다.

2. 도구.도구는 양이 환경과 상호 작용하는 데 도움이 됩니다. 챗봇에 웹 검색이나 이미지 생성 도구가 있는 것처럼 양은 다음을 수행할 수 있습니다.

• [둘러보기]일정 거리 내의 환경을 관찰합니다. 양은 나무 사이로 볼 수 없습니다. 비용: 0에너지.
• [걷다]인접한 타일로 이동합니다. 비용: 에너지 5개.
• [먹다]잔디를 소비하여 에너지를 100으로 회복합니다.
• [나머지]가만히 있어라. 비용: 0 에너지(대사는 계속 적용됩니다).

3. 컨텍스트 창.컨텍스트 창에는 양의 단기 기억(예: 제한된 채팅 기록)이 포함되어 발생한 관찰 및 행동에 반응할 수 있습니다. 창 크기는 제한되어 있습니다.

에이전트가 준비되었으므로 이제 양의 행동을 볼 수 있습니다.

에이전트 양 시뮬레이션

음식이 보이지 않을 때 더 흥미로워집니다. 상담사는 다음을 자율적으로 탐색하기로 결정합니다.

시뮬레이션 2: 음식 탐색.

지금까지는 너무 좋았습니다. 하지만 인생이 이렇게 쉽지는 않습니다.

에이전트 늑대를 소개합니다 🐺

양만이 숲을 돌아다니는 유일한 생물은 아닙니다. Wolf Agent는 동일한 코어 루프에서 작동하지만 더 악의적인 의도를 가지고 있습니다. 양과 마찬가지로 늑대도 본능과 가능한 행동에 따라 움직입니다.

프롬프트 지침.늑대의 에너지 범위는 0부터 100까지입니다. 표준 신진대사는 1분마다 에너지를 5씩 감소시킵니다. 에너지가 0에 도달하면 늑대에 대한 시뮬레이션이 종료됩니다.

도구.

• [둘러보기]최대 거리 내에서 환경을 관찰합니다. 늑대는 뛰어난 시력을 가지고 있으며 나무의 나뭇잎을 통해 볼 수 있습니다. 비용: 0에너지.
• [걷다]인접한 타일로 이동합니다. 비용: 에너지 5개.
• [스프린트]두 걸음 떨어진 타일로 달려가세요. 비용: 에너지 25개.
• [먹다]양을 소비하여 에너지를 100으로 회복하세요.
• [나머지]가만히 있어라. 비용: 0에너지.

우리는 또한 하나의 새로운 규칙으로 양의 즉각적인 지시(본능)를 확장합니다.“늑대에게 잡히면 내 에너지 레벨은 0이 되고 게임은 끝납니다.”

이러한 메커니즘을 바탕으로 다음 두 가지를 추론할 수 있습니다.

1. 늑대는 놀라움의 요소를 가지고 있습니다.그들은 나무의 나뭇잎 사이로 볼 수 있기 때문에 양이 보기 전에 양을 발견할 수 있습니다.
2. 늑대는 마라톤 선수가 아니라 단거리 선수입니다.질주하면 엄청난 에너지가 소모됩니다(-25). 긴 추격전을 벌이는 동안 늑대는 급속히 에너지를 소모하게 되는데, 이는 양을 의미합니다.can이론적으로 앞서 나가면 살아남을 수 있습니다.

레벨 2로 업그레이드

레벨 1 에이전트는 매우 기본적입니다. 가장 큰 결점은 그럴 수 없다는 것이다.배우다:어느 날 늑대가 있는 지역에 부딪히면 다음 날에도 같은 실수를 할 것입니다. 그리고 언젠가는 너무 늦을 수도 있습니다. 따라서 양은 다음을 기억할 수 있어야 합니다.

• "이 근처에서 늑대를 봤어요. 여기서는 멀리해야 해요."
• "여기는 좋은 곳이에요. 잔디가 많아서 꼭 가봐야 할 것 같아요."

이는 주변을 둘러보고, 걷고, 먹고, 쉬는 것 외에도 이제 에이전트에 새로운 도구를 추가해야 함을 의미합니다.

• [기억하다]정보를 저장하거나 불러오기 위해 양의 기억에 접근합니다.

기억에는 양이 어디에 있었는지(관찰), 무엇을 했는지가 포함되어야 합니다. it (행동)을 했습니다. 챗봇 상담원의 세계에서는 이것이 바로 질문과 답변이 될 것입니다.

우리의 이야기에서 기억이란 임베딩 목록, 관측값의 벡터 표현, 결과 동작이 무엇인지를 의미합니다.

업그레이드된 양의 뇌는 이제 장기 기억을 기록할 수 있습니다.

작동 중인 레벨 2 상담사

양이 늑대와 마주치는 시나리오를 생각해 보세요.

다음날 양은 자신의 기억력을 이용해 상황을 피할 수 있습니다.

컨텍스트 벽

여기에 문제가 있습니다. 에이전트의 메모리가 텍스트 로그, 키워드 또는 정교한 벡터 임베딩인지 여부에 관계없이 레벨 2 메모리는 결국 벽에 부딪칩니다. 한계는 데이터 부족이 아닙니다. 명시적인 관계가 부족합니다.

양으로 돌아갑니다. 그 기억은 단절된 사실들의 집합일 뿐이기 때문에기본 논리를 명시적으로 이해하지 못합니다.

• 나무가 덮개를 제공했다는 것…
• … 늑대가 매복 공격을 할 수 있게 된…
• ...위험한 상황으로 변했습니다.

양은 역사를 기록했지만 게임의 규칙을 배우지 않았습니다.

이것이 이유입니다. 레벨 2에서는 유사성을 기준으로 기억이 검색됩니다. 우리 양이 새로운 숲에 들어가면 기억은 과거의 사건을 되돌아본다.수학적으로비슷한. 그것은 양들에게 모호하게 관련된 사실들(“나는 나무를 보았다”, “나는 늑대를 보았다”, “나는 풀을 먹었다”)을 건네준다. 메모리 뱅크가 커짐에 따라 신호 대 잡음비가 저하됩니다. 에이전트는 단절된 사실들로 넘쳐나고 그 관련성을 평가하는 데 어려움을 겪습니다.

컨텍스트 그래프

컨텍스트 그래프가 이 문제를 해결합니다. 고립된 기억 대신, 컨텍스트 그래프는 개념을 지속적인 논리적 구조, 즉 결정, 관찰, 결과 등 모두 세계 모델, 즉 숲과 연결합니다. 이 구조는 GraphRAG를 가능하게 합니다. 거대하고 시끄러운 일기를 스캔하는 대신 특정 논리적 경로를 외과적으로 쿼리하는 기능입니다. 2단계가 일기라면 3단계는정신적 모델.

이 모델을 구축하기 위해 컨텍스트 그래프는 네 가지 명시적인 아이디어로 모든 경험을 등록합니다.

• 상황:환경은 어떤 모습이었나요? (엔티티, 지형).
• 행동:내가 무슨 짓을 한 거지?
• 이론적 해석:나는 왜 이 길을 선택했는가? (가설).
• 결과:결과는 어땠나요? (보상 또는 처벌).

그런 다음 이러한 개념은 명시적인 추론을 가능하게 하고 양의 머리 속에 정신적 규칙을 구축합니다.

컨텍스트 그래프: 암시적 메모리에서 명시적 메모리까지

레벨 3에서는 양을 역사학자에서 전략가로 변화시킵니다. 기억력이 나빠서 위치를 피하는 것이 아니라 위험을 이해하기 때문에 가시성이 낮은 지형을 피하는 방법을 학습합니다. 양은 숲에서 살아남을 뿐만 아니라 세상의 기본 법칙을 이해하기 시작했습니다.

레벨 3으로 업그레이드

우리 양으로 돌아갑니다. 메모리를 레벨 3으로 확장하는 것은 비교적 간단합니다.

1. 우리는 기억을 확장하여 행위자(동물) 및 환경(나무, 땅, 물)과 같은 상황을 명시적으로 모델링합니다.
2. 우리는 에이전트에게 결정, 조치, 결과 및 규칙을 명시적으로 기록하도록 지시합니다. 여기서 우리는 언어 모델의 힘에 의존하여 자체 '사고 로그'를 명시적인 개념으로 변환합니다.

이제 기억에는 실제 사물과 추상적 개념(결정) 사이의 연결이 포함되어 있어 추론에 매우 적합합니다. 가장 좋은 점은 규칙을 자율적으로 학습할 수 있다는 것입니다. 현실 세계와 마찬가지로 많은 지식이 암묵적으로 존재합니다. 컨텍스트 그래프는 이러한 지식을 저장하기 위한 용기를 제공합니다.

학습 및 추론

새로운 맥락기억으로 이전 상황을 재생해 보자.

명확하게 말하면 컨텍스트 그래프 자체는 추론하지 않습니다. LLM은 추론합니다. 그래프는 단순히 LLM이 '와 같은 규칙을 효율적으로 추론할 수 있도록 구조화되고 사전 계산된 스캐폴딩을 제공합니다.가시성이 낮은 지역은 위험할 수 있습니다.’ 타임라인을 처음부터 다시 구성할 필요 없이

마지막으로, 컨텍스트 그래프를 통해 양은 학습한 내용을 새로운 상황에 적용할 수 있습니다.

기억 추론의 실제 작동

현실 확인

이 양에 관한 이야기는 생각보다 더 흔합니다. 우리는 에이전트에게 대규모 벡터 데이터베이스, 끝없는 대화 로그 및 의미 검색 기능을 제공합니다. 즉, 매우 효율적이고 긴 일기를 에이전트에게 전달합니다. 그런 다음 우리는 그들이 수학적 유사성을 기반으로 복잡한 문제를 해결할 것으로 기대합니다. 그러나 LLM 지원서를 프로덕션 환경에 적용해 본 사람이라면 누구나 다음을 알고 있을 것입니다.유사성은 관련성이 없다. 대부분의 상담원은 레벨 2에서 정체되어 있습니다.

컨텍스트 그래프는 'why"와 함께"what,” 이는 누락된 관련성을 제공합니다. 이는 단지 회상만 하는 에이전트와 적극적으로 추론하는 에이전트 간의 구조적 차이입니다.

기본적인 추론 외에도 레벨 3 메모리는 훨씬 더 많은 기능을 제공합니다.

• 메모리 검증.현실 세계는 변합니다. 늑대는 적응하고 숲은 불타버립니다. 컨텍스트 그래프에는 오래된 정보를 잊기 위한 범위, 만료 및 검토 메커니즘이 필요합니다. 이것이 없으면 그래프는 오래된 가정의 고도로 구조화된 저장소가 됩니다.
• 공유 두뇌(Hive-Mind).다중 에이전트 시스템에서 컨텍스트 그래프는 공유 인프라 역할을 합니다. 한 상담원이 힘들게 얻은 교훈은 즉시 나머지 팀의 기본 지식이 됩니다.
• 인텔리전스 루프.상황별 기억 화합물. 상담원은 환경뿐만 아니라 자신의 역사적 추론을 분석하여 정신 모델을 지속적으로 개선함으로써 학습합니다.

인텔리전스 루프: 컨텍스트 그래프를 통한 엔터프라이즈 인텔리전스 합성

컨텍스트 그래프 시작하기

자신만의 컨텍스트 그래프를 구축하려는 경우 몇 가지 유용한사용 사례출판되었습니다. 다음과 같은 오픈 소스 프레임워크neo4j-에이전트-메모리프로젝트를 통해 너무 많은 노력을 기울이지 않고도 그래프 기반 추론을 만들 수 있습니다. 그리고생성-컨텍스트-graph.dev프로젝트에서는 도메인, 메모리, 추론 추적 및 UI가 포함된 에이전트가 포함된 예시 설정 생성을 시작하여 영향을 입증할 수 있습니다.

일반적인 방법으로 다음을 수행해야 합니다.

1. 워크플로를 격리합니다.잘 정의된 단일 에이전트 작업을 선택하세요.
2. 추적을 구조화합니다.원시 텍스트를 기록하는 대신 에이전트가 네 부분으로 구성된 구조로 경험을 기록하도록 합니다.상황, 근거, 조치, 결과.
3. 관계를 매핑합니다.플랫 벡터 저장소가 아닌 그래프 데이터베이스에 이러한 구조화된 추적을 연결하세요.
4. 그래프를 쿼리합니다.표준 유사성 검색을 실행하는 대신 에이전트에 그래프 내의 관계와 규칙을 쿼리하라는 메시지를 표시합니다.

---

• AI 에이전트
• 지식 그래프

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지