에이전트 메모리 — AI가 이전 대화를 기억하는 4가지 방법
…
한줄 요약
에이전트 메모리는 In-context, External, Episodic, Semantic 4가지 유형으로 나뉘며, 의료 에이전트는 이 중 External + Episodic 조합으로 환자별 연속성을 유지하되 HIPAA 준수가 필수다.
왜 메모리가 필요한가
LLM은 기본적으로 상태가 없다(stateless). 대화가 끝나면 모든 것을 잊는다. 에이전트가 진정한 의미의 “어시스턴트”가 되려면 이전 상호작용을 기억하고 활용해야 한다.
의료 현장에서의 예:
- 3개월 전 외래에서 논의한 약 조정 내용
- 환자가 보고한 이전 부작용 경험
- 지난 입원 시의 치료 반응
메모리 유형 1 — In-context Memory
가장 단순한 형태. 현재 대화 컨텍스트 윈도우 내에 정보를 유지한다.
# 대화 이력을 그대로 컨텍스트에 유지
messages = [
{"role": "user", "content": "환자 김OO, 65세, 당뇨 진료 시작"},
{"role": "assistant", "content": "네, 진료를 시작합니다..."},
{"role": "user", "content": "HbA1c 8.2% 나왔습니다"},
{"role": "assistant", "content": "목표치 대비 조정이 필요합니다..."},
# ... 계속 누적
]장점: 구현이 단순하다 단점: 컨텍스트 윈도우 한계(보통 200K 토큰)를 초과하면 앞부분이 잘린다. 단일 세션을 넘기면 유지되지 않는다.
메모리 유형 2 — External Memory (벡터 DB)
과거 정보를 벡터 DB에 저장하고, 필요할 때 의미 검색으로 불러온다.
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct
import anthropic
client = QdrantClient(":memory:") # 프로덕션에서는 서버 URL 사용
embed_client = anthropic.Anthropic()
def store_patient_memory(patient_id: str, content: str, metadata: dict):
"""환자 관련 정보를 벡터 DB에 저장한다."""
# 임베딩 생성 (실제로는 전용 임베딩 모델 사용)
vector = get_embedding(content)
client.upsert(
collection_name="patient_memories",
points=[
PointStruct(
id=generate_id(),
vector=vector,
payload={
"patient_id": patient_id,
"content": content,
"date": metadata["date"],
"type": metadata["type"] # "lab", "visit", "medication"
}
)
]
)
def retrieve_relevant_memories(patient_id: str, query: str, top_k: int = 5):
"""현재 질문과 관련된 과거 메모리를 검색한다."""
query_vector = get_embedding(query)
results = client.search(
collection_name="patient_memories",
query_vector=query_vector,
query_filter={"must": [{"key": "patient_id", "match": {"value": patient_id}}]},
limit=top_k
)
return [r.payload["content"] for r in results]메모리 유형 3 — Episodic Memory
특정 에피소드(외래 방문, 입원 등)를 요약하여 저장한다.
def summarize_visit_episode(visit_transcript: str, patient_id: str) -> dict:
"""외래 방문 전체 대화를 구조화된 에피소드로 요약한다."""
response = anthropic.Anthropic().messages.create(
model="claude-opus-4-5",
max_tokens=1024,
messages=[{
"role": "user",
"content": f"""다음 외래 방문 기록을 구조화된 에피소드로 요약하세요.
방문 기록:
{visit_transcript}
다음 형식으로 요약:
- 주요 호소증상
- 검사 결과 요약
- 진단 및 변경사항
- 처방 변경 내용
- 다음 방문까지 모니터링 사항"""
}]
)
episode = {
"patient_id": patient_id,
"date": today(),
"summary": response.content[0].text,
"episode_type": "outpatient_visit"
}
# 저장
save_episode(episode)
return episode메모리 유형 4 — Semantic Memory
의학 지식, 가이드라인, 프로토콜 등 일반적인 지식 베이스.
# 병원 프로토콜, 가이드라인을 별도 컬렉션으로 관리
SEMANTIC_COLLECTIONS = {
"clinical_guidelines": "ADA, ACC/AHA, KDA 가이드라인 문서",
"drug_database": "식약처 허가 약물 정보 및 상호작용",
"hospital_protocols": "원내 진료 프로토콜 및 임상 경로",
"icd_codes": "ICD-10 진단 코드 데이터베이스"
}의료 에이전트 메모리 설계 원칙
- 환자 격리 (Patient Isolation)
# 항상 patient_id로 필터링 — 다른 환자 메모리가 섞이면 안 됨
memories = retrieve_relevant_memories(
patient_id=current_patient_id, # 필수
query=current_question
)- TTL (Time-to-Live) 정책
MEMORY_TTL = {
"lab_result": 365, # 검사 결과: 1년
"medication": 730, # 약물 이력: 2년
"visit_summary": 1825, # 방문 요약: 5년
"consent": None # 동의서: 영구 보존
}- 암호화 및 접근 제어
# HIPAA/개인정보보호법 준수
store_patient_memory(
patient_id=hash_patient_id(raw_id), # 해시로 비식별화
content=encrypt(content), # 저장 시 암호화
access_roles=["attending_physician", "resident"]
)핵심 정리
- In-context는 단순하지만 세션을 넘기면 사라진다. 외래 연속성에는 External이 필요하다
- 벡터 DB를 이용한 External Memory는 의미 검색으로 관련 과거 기록을 불러온다
- Episodic Memory는 방문별 요약으로 토큰 효율을 높인다
- 의료 에이전트는 환자 격리, TTL 정책, 암호화를 반드시 구현해야 한다
- 메모리 설계 실수는 환자 정보 혼용이라는 심각한 안전 문제로 이어진다