arXiv:2606.28781v1 cs.AI

HyphaeDB: A Living Knowledge Topology for Agent-First Memory

Krishna Halaharvi

제출 2026-06-27

원문 초록

Every existing vector database and agent memory framework treats memory as passive storage that agents query explicitly. No system propagates knowledge between agents through the memory layer itself. We introduce HyphaeDB, an agent-native memory infrastructure that reinterprets the Hierarchical Navigable Small World (HNSW) graph topology the data structure at the core of every modern vector database not as a search optimization, but as a communication fabric for multi-agent AI systems. In HyphaeDB, agents are nodes in the vector space with persistent positions, knowledge propagates via a gossip protocol through the graph's neighbor structure with energy-based attenuation, and emergent behaviors contradiction detection, pattern crystallization, and consensus formation arise from the combination of topology, propagation dynamics, and local interaction rules. We present the architecture built on three primitives (knowledge nodes, topology edges, and memory diffs), a multi-layer abstraction hierarchy with promotion via emergent consensus, and theoretical analysis grounding the system in small-world network theory, epidemic broadcast protocols, and swarm intelligence. We provide a reference implementation on PostgreSQL with pgvector and describe a concrete deployment in Swarm-Driven Development, a multi-agent software engineering methodology. HyphaeDB represents, to our knowledge, the first system to combine navigable small world topology with gossip-based knowledge propagation for multi-agent coordination.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.28781v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27279v1cs.AI공통 태그 Knowledge Graphs, agent memory

EnSIMem: 장기 에이전트 메모리를 위한 개체 구조화 색인

EnSIMem: Entity-Structured Indexing for Long-Term Agent Memory

오랜 기간 동안 사용자와 상호작용하는 에이전트는 지속적으로 증가하는 상호작용 기록에서 사실, 선호도, 사건 및 변화를 상기(recall)할 수 있어야 합니다. 기존 메모리 시스템은 상호작용을 일반적인 요약본으로 압축하거나 익명의 텍스트 청크를 검색하는 경우가 많아, 에이전트가 올바른 개체(entity), 속성(property) 및 뒷받침하는 근거를 식별하기 어렵게 만듭니다. 본 논문에서는 에이전트를 위한 개체 구조화 장기 메모리 아키텍처인 EnSIMem을 제안합니다. 오프라인 구축 단계에서 이 시스템은 상호작용을 주제 일관성을 갖는 에피소드로 구성하고, [개체][개체 유형][속성:값] 형태의 대화 기반 색인 항목을 생성합니다. 각 항목은 원래의 대화 턴(turn), 시간 정보 및 사용 가능한 멀티모달 필드를 보존합니다. 온라인 상호작용 단계에서는 에이전트의 요청이 메모리 색인과 속성이 정렬된 근거 요구사항으로 분해됩니다. 이후 개체-속성 조회 및 적응형 검색을 통해 포인트, 시간적, 구성적, 집계 추론에 필요한 근거를 수집합니다. 에이전트는 정보 손실이 있는 메모리 요약본 대신 보존된 원본 근거로부터 응답을 생성합니다. 장기 에이전트 메모리 벤치마크에서 EnSIMem은 간결한 컨텍스트와 우수한 온라인 효율성을 유지하면서도 높은 답변 정확도를 달성합니다. 이러한 결과는 개체 구조화 색인과 에피소드 수준의 출처 추적이 에이전트의 장기 메모리를 위한 신뢰할 수 있는 기반을 제공함을 보여줍니다. 모델의 코드는 https://github.com/RamonMeng/EnSIMem 에서 확인할 수 있습니다.

arXiv:2609.25052v1cs.CL공통 태그 Knowledge Graphs, agent memory

스스로 정화되고 그래도 포착됨: 에이전트가 스스로 쓰는 저장소의 오류를 위한 단일 측정 원시량, 그리고 하락하는 점수가 실제로 측정하는 것

Self-Cleaning and Captured Anyway: One Measured Primitive for Error in a Store an Agent Writes to Itself, and What a Falling Score Actually Measures

결론을 스스로 기록해 두었다가 나중에 조회하는 저장소에 쓰는 에이전트는, 보통 일방적 오�(contamination)으로 보고되는 루프를 닫는다. append-only 저장소에 대해 무한 임기(infinite-tenure) 한계로 이 루프를 보면 그림이 달라진다. 기록은 절대 삭제되지 않으므로 도달 가능한 상태 공간에는 (n-1)/n에서의 단단한 상한이 있어, 결과는 감쇠가 아니라 두 가지 경계 사이의 선택이 된다. f_0 = 0.9에서 두 모드 사이 구간은 220회 실행 중 3.6%를 차지하는데, 균일 분포라면 20.6%가 될 것이며, 처음 15회에서는 엄밀히 비어 있다. pooled mean은 요약하는 실행의 8.2%를, 중앙값은 68.2%를 설명한다. 모델이 기여하는 모든 것은 적합 매개변수 없이 하나의 측정 원시량, 복사 함수 \gamma(\phi)가 담는다. Wikidata 사실 36개에서 sign(\hat{\gamma} - \gamma_{crit})(\gamma_{crit} = 1/k, r = 0, w = 1)는 실제 사실 실행 360개 중 353개(동일 배치의 합성 40개 중 39개)에서 drift 방향을 예측한다. 규모는 저장소를 구원하지 못한다. pooled frontier capture는 0.850이며, claude-sonnet-4.5는 등록된 예측 <0.5에 대해 20개 seed 중 20개에서 포착(captured)된다. 구간이 검증하는 것은 개수가 아니라 구별 가능성(distinguishability)이다. 실제 사실에서 다값(multi-valued) 실행은 나머지 대비 그 점유율이 6.4배이다. f_0 ∈ {0.1, 0.3, 0.5}에서도 유지되며, capture는 f_0 = 0.5에서 정점을 이루고, 기준을 먼저 고정한 네 가지 개입 가운데에서는 동일 예산에서 timing이 fraction을 지배하고 consistency gate는 모든 모델을 0.993으로 끌어올린다. 리샘플링 단위는 seed이며, pooled 수준에서 design effect는 3.75이다. 44-seed 대조에서 주장 4를 뒷받침하는 순서는 seed 3개일 때 Spearman +0.98에서 44개일 때 +0.31–0.80으로 붕괴하는 반면, 주장 2의 순서는 그곳에서 정확하다(+1.00, p = 0.017). 채점된 87개 행은 모두 부록 W에 있으며, 그중 37개는 withdrawn, failed, self-correcting, undecidable 또는 acknowledged limit로 채점되었고 50개는 그렇지 않다.

arXiv:2609.25054v1cs.CL공통 태그 Knowledge Graphs, agent memory

MoM: 메모리의 메모리

MoM: Memory of Memory

장기 과제를 수행하는 LLM 에이전트(agent)에게 메모리의 핵심 질문은 과거에 무엇이 기록되었는가가 아니라 \emph{현재 무엇이 유효한가}이다. 대부분의 설계는 이 질문에 간접적으로만 답한다. 모든 상호작용을 저장해 두고, 질의 시점에 기록을 검색하고 조정하여 현재 상태를 재구성하기 때문에, 오래된 값이 다시 유입되고 동일한 충돌이 반복해서 재논의된다. 쓰기 시점에 현재 값을 확정하면 이 문제를 피할 수 있지만, 기존의 쓰기 시점(CRUD) 메모리는 값을 덮어쓰기 때문에 잘못된 갱신을 되돌릴 수 없고 이전 상태도 사라진다. 우리는 이 빠져 있던 조합, 즉 \emph{도착 시점에 확정하되 밀려난 값은 보존한다}는 방식을 취하여 이를 \textsc{Memory of Memory}(MoM)로 형식화한다. MoM에서 메모리는 내용뿐 아니라 각 항목 자체의 출처(provenance), 상태, 이력까지 추적한다. 우리는 MoM을 \textsc{Provenant Memory}(P-Mem)로 구현하는데, 이는 타입이 지정된 출처 그래프(provenance graph)로서, \emph{활성 프런티어(active frontier)}가 해소된 각 키마다 하나의 현재 값을 제공하고 밀려난 값은 출처 정보로 보존한다. 타입이 지정된 연산은 새로운 관측이 기존 값을 지지(support), 대체(supersede), 이의 제기(contest), 기각(reject), 철회(revoke), 해소(resolve) 중 무엇에 해당하는지를 결정한다. P-Mem의 결정적인 이점은 정확도가 아니라 유효성(validity)이다. 턴 단위 읽기는 가장 강력한 검색 기반 메모리와 정확도가 동등하면서 읽기 토큰은 약 $\sim$4$\times$ 적으며, 이는 검색 단위(granularity) 효과이다. 또한 그래프 기반 턴 가지치기(pruning)는 지식 갱신에서 오래된 답변 비율을 낮춘다(19.4\%$\rightarrow$10.9\%). 수정 체인(revision chain)에서는 질의 시점 읽기 방식이 25\%로 무너지는 반면 P-Mem은 100\%를 유지하며, 밀려난 값을 덮어쓰지 않고 보존하기 때문에 CRUD 메모리가 복구하지 못하는 확정된 오류도 복구한다(100\% 대 0\%).

arXiv:2607.21962v1cs.CL공통 태그 Knowledge Graphs, agent memory

그라운드 트루스 우선: 에이전트 메모리를 위한 종단 평가 도구와 메모리 아키텍처 순위의 기간 교차

Ground Truth First: A Longitudinal Evaluation Instrument for Agent Memory, and the Tenure Crossover in Memory-Architecture Rankings

LLM-에이전트 메모리 벤치마크는 일반적으로 대화를 먼저 생성한 뒤 답변 키를 추출하는데, 이 과정에서 기록된 라벨 오류와 오염(contamination) 문제가 있으며, 대부분 짧은 상호작용 이력만 측정한다. 우리는 파이프라인을 뒤집는다: 시드가 주어진 life-script 샘플러가 어떤 텍스트도 존재하기 전에 유효 기간, 변동성 클래스, 소스 채널을 갖춘 사실을 생성하고, LLM 렌더러가 이벤트별 사실 매니페스트로부터 채팅과 이메일을 작성하며, 충실도 검증기가 심어진 모든 사실을 확인하고, 질문은 스크립트로부터 기계적으로 생성되므로 정답(gold answer)은 구조상 스크립트-유효하며 답변 가능성에 대해 별도로 검증된다. 합성·가상화 코퍼스(~380개 질문, 15유형)는 우리가 조사한 벤치마크에 없는 특성을 포함한다: 사실별 유효 기간, 발신/수신 신뢰 구분, 무해한 하네스 내 주입(injection) 프로브, as-of-date 질문 세트. 메모리 없는 대조군(고정 답변기, 버전 관리된 LLM 심판, 3회 반복, 2개 시간 지평)에 대해 다섯 가지 메모리 아키텍처를 벤치마킹한 결과, 백엔드 순위가 이력 길이에 따라 역전된다: 3주에서 선두인 예산 제한 큐레이션 맵 메모리는 9주까지 가면 퇴출(evicted)된 내용의 재현율이 96%에서 72%로 떨어지는 반면, 출처(provenance) 유형 그래프는 90%까지 상승한다; 이 역전은 완전한 교차-패밀리 재심사 하에서 6명 사용자 모두에서 양의 방향으로 나타난다(exact p=0.031). 전체 렌더링 이력 기준선은 짧은 지평에서 최고 메모리 시스템과 동률이거나 이를 초과하지만, 9주에서는 심판 독립적 이점이 없으며, 읽기 비용은 약 2배이다. 작성 단계 품질은 하류 품질과 강하게 상관한다(약하게 작성된 사실은 24% vs 2% 실패), 주입 저항성은 출처 경계가 표현(representation)을 통해 유지되는지를 추적했다. 계층형 아키텍처는 두 체제 모두에서 메모리 시스템 중 최고 성능(단기 지평 96.8%)을 보이며, 코퍼스 생성기와 하네스와 함께 Veracium이라는 오픈소스 라이브러리로 공개된다.

arXiv:2607.19359v1cs.AI공통 태그 Knowledge Graphs, agent memory

LLM 에이전트를 위한 Profile-Graph Memory: 서사적 프로필을 통한 엔티티 간 암묵적 순회

Profile-Graph Memory for LLM Agents: Implicit Cross-Entity Traversal through Narrative Profiles

세션 간 상호작용하는 LLM 에이전트에게 장기 메모리는 필수적이지만, 현재 메모리 벤치마크는 주로 단일 홉(single-hop) 회상을 평가하여 다중 홉(multi-hop) 연관은 대부분 측정되지 않는다. 우리는 세 가지 기여를 한다. 첫째, MemHop을 제안한다. 이는 10개 소셜 네트워크 시나리오에 걸쳐 홉 깊이 1–5에서 1,000개의 질문으로 구성된 다중 홉 메모리 벤치마크이며, 홉별 증거 주석을 포함한다. 둘째, Profile-Graph Memory(ProGraph)를 제시한다. 이는 (i) 프로필 확장(profile expansion)—LLM이 작성한 프로필 서사에 자연스럽게 나타나는 엔티티 이름의 부분 문자열 매칭 순회로, 명시적 지식 그래프 구축의 최소 대안—과 (ii) 압축 잔차(compression residuals)—추가 API 비용 없이 각 프로필 업데이트와 함께 공동 추출되는 정확한 날짜, 수량, 명명된 항목—을 결합한 2층 메모리 아키텍처이다. 셋째, 전체 그리드 ablation은 벤치마크 간 메커니즘 특화를 보여준다: 프로필 확장은 다중 홉 추론을 주도하며(제거 시 MemHop에서 -22.6pp), 압축 잔차는 정밀도와 재현율을 주도한다(공동 추출하지 않을 때 LoCoMo에서 -8.6pp), 단일 아키텍처 내 교차 효과는 3pp 미만이다. ProGraph는 MemHop에서 평균 80.1%(FullContext 기준선과 동일)를, LoCoMo에서 78.4%(FullContext 대비 11.3pp 초과)를 기록하며, 두 벤치마크 모두에서 Mem0, A-Mem, HippoRAG, RAG를 능가한다. MemHop, ProGraph, 및 기준선 구현을 공개한다.

arXiv:2607.04617v1cs.AI공통 태그 Knowledge Graphs, agent memory

MRMS: 장기 실행 AI 에이전트를 위한 다중 해상도 메모리 기반

MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents

장기 실행 AI 에이전트는 상호작용 전반에 걸쳐 연속성을 필요로 하지만, 연속성은 단순히 프롬프트 윈도우를 확장하는 것만으로는 확보할 수 없다. 에이전트는 유용한 과거 경험을 보존하고, 선택적으로 검색하며, 개인적 맥락을 외부 증거와 구별하고, 기저 상황이 변화할 때 메모리를 수정할 수 있어야 한다. 우리는 두 직교 축을 따라 구성된 아키텍처적 메모리 기반을 제안한다: 구조화된 레코드, 벡터 표현, 그래프 관계에 걸친 표현 축과 단기 추적, 중기 추상화, 장기 의미론적 커밋에 걸친 시간 축이다. 핵심 설계 제약은 동기화된 구조-벡터-그래프 메모리로, 구조화된 레코드는 적격성을 결정하고, 벡터 표현은 회상을 지원하며, 그래프 관계는 게이트된 컨텍스트 프로젝션 이전에 지지, 모순, 대체를 판정한다. 중심 주장은 신뢰할 수 있는 개인화가 메모리 설계 문제라는 것이다: 유용한 메모리는 미분류 대화 기록으로 저장되는 것이 아니라, 구조화되고 선택적으로 노출되며 지속적으로 통합되고 인식론적으로 레이블된다. 프레임워크를 넘어, 우리는 구조화된 레코드, 벡터 검색, 시간적 정책, 그래프 기반 수정을 구현하는 경량 프로토타입으로 MRMS를 구체화한다. 이 프로토타입은 명시적인 증거 요건을 갖춘 제어된 장기 상호작용 시나리오에서 생성 전 메모리 선택, 수정, 경계 강제, 증거 귀인을 통해 핵심 기반 메커니즘을 실증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.