Turning Agent Memory Into Skills That Work — Will Lyon, Neo4j

한 줄 핵심

에이전트가 기억한 내용을 단순 재검색하는 수준을 넘어, 지식 그래프와 실행 흔적을 바탕으로 재사용 가능한 스킬로 추출·거버넌스하는 방법을 설명하는 영상이다.

시간별 요약

1. 0:00
   소개 이 세션은 실행 가능한 지식과 컨텍스트 그래프를 주제로, 에이전트가 무엇을 기억하고 어떻게 그 기억을 재사용 가능한 행동으로 바꾸는지를 다룬다.
2. 0:42
   기억을 잃는 루프 에이전트는 작업을 끝내도 학습한 내용을 잊어버리기 쉬우며, 현재의 메모리 시스템은 주로 텍스트 임베딩과 유사도 검색에 의존한다. 하지만 단순히 관련 청크를 다시 넣는 방식만으로는 충분하지 않다.
3. 1:27
   회수는 실행 가능한 지식이 아니다 같은 대상을 여러 표현으로 부를 수 있으므로, 기억은 단순히 검색되는 정보가 아니라 정규화된 기준 표현을 가져야 한다. 에이전트에는 연결되고, 타입이 있으며, 추적 가능한 지식이 필요하다.
4. 2:06
   단기 기억, 장기 기억, 추론 기억 에이전트 메모리는 단기 기억, 장기 기억, 추론 기억이 연결된 그래프로 이해해야 한다. 이 관점에서는 단순 저장보다 컨텍스트 그래프를 어떻게 구성하느냐가 핵심이 된다.
5. 2:36
   메시지에서 지식 그래프로 사용자와 에이전트의 메시지에서 엔터티를 추출하고, 엔터티 사이의 관계를 타입이 있는 그래프로 표현해야 한다. 이렇게 해야 비정형 텍스트가 구조화된 지식으로 바뀐다.
6. 3:06
   엔터티 해소와 온톨로지 지식 그래프를 만들 때 가장 중요한 단계 중 하나는 서로 다른 표현을 하나의 기준 엔터티로 통합하는 것이다. 여기에 도메인 데이터 모델을 담은 공유 온톨로지가 있어야 구조화가 안정적으로 이뤄진다.
7. 4:01
   추론 그래프 메시지와 엔터티뿐 아니라, 에이전트가 실제로 어떤 판단을 통해 행동했는지도 별도의 1급 데이터로 저장해야 한다. 생각과 사실을 함께 보존해야 다음 행동의 근거가 남는다.
8. 4:41
   의사결정 추적 각 결정은 증거에 근거한 추론, 사용한 정책, 호출한 도구, 도구 결과와 연결돼야 한다. 토큰 사용량과 처리 시간까지 기록하면 추론 메모리가 더 완전해진다.
9. 5:26
   에이전트 간 공유 메모리 이런 실행 흔적을 그래프에 보존하면 한 에이전트의 경험을 다른 에이전트가 활용할 수 있다. 조직 전체가 공유하는 컨텍스트 그래프를 통해 에이전트들은 서로의 학습을 재사용하게 된다.
10. 6:01
    기억에서 스킬로 기억은 무엇이 있었는지를 잘 보존하지만, 실제로 무엇을 해야 하는지는 스킬로 바뀌어야 한다. 컨텍스트 그래프를 바탕으로 근거가 있는 실행 가능한 스킬을 만드는 것이 다음 단계다.
11. 6:55
    에이전트 스킬 설명 스킬은 메타데이터와 점진적 공개 구조를 가진 공유 가능한 단위로, 필요할 때 세부 내용을 컨텍스트에 불러와 실행할 수 있다. 이렇게 하면 스킬을 패키징해 여러 에이전트에 재사용할 수 있다.
12. 7:50
    산문형 스킬의 문제 일반적인 서술형 스킬은 여전히 기준 대상이 불명확하고, 디버깅 가능한 단계와 출력이 부족하다는 한계를 가진다. 기억과 마찬가지로 스킬도 비정형 텍스트만으로는 충분하지 않다.
13. 8:30
    연구: 그래프로서의 스킬 APE는 스킬을 타입이 있는 실행 그래프로 다루는 접근으로, 단계를 노드로 모델링하고 엄격한 스키마로 각 단계를 정의한다. 이를 통해 스킬을 실행 가능하고 통제 가능한 구조로 표현할 수 있다.
14. 9:35
    벤치마크 결과 SkillsBench에서 APE 방식을 적용했을 때 인간이 만든 스킬의 작업 성공률이 유의미하게 향상됐다. 스킬을 그래프로 구조화하는 것이 실제 성능 향상과 연결됨을 보여준다.
15. 10:05
    기억에서 스킬을 추출하기 워크스페이스나 프로젝트 범위의 기억 그래프를 스킬로 압축하되, 문서가 아니라 관찰된 데이터에 근거한 결정적 절차로 만들어야 한다. 기억이 바뀌면 스킬도 함께 추적·갱신될 수 있어야 한다.
16. 10:50
    근거성, 커버리지, 응집성 스킬 생성에는 근거성뿐 아니라 커버리지와 응집성도 필요하다. 내용이 여러 주제로 흩어져 있으면 하나의 스킬이 아니라 여러 스킬로 나누는 편이 더 적절하다.
17. 11:39
    스킬 거버넌스 스킬은 데이터 변화에 따라 오래되거나 어긋날 수 있으므로, 업데이트와 만료를 관리하는 거버넌스가 필요하다. 최신 스킬을 동적으로 불러오는 등록소가 있으면 에이전트가 오래된 절차를 쓰는 일을 줄일 수 있다.
18. 12:14
    Neo4j Agent Memory Service Neo4j Agent Memory Service는 워크스페이스 범위의 컨텍스트 그래프와 배경 작업자를 통해 기억을 축적하고 스킬로 추출하는 서비스다. 오픈소스 도구도 함께 제공되어 같은 패턴을 적용할 수 있다.
19. 13:04
    추출 파이프라인 스킬 추출 파이프라인의 대부분은 결정적이며, LLM은 주장 요약과 일부 설명 생성에만 제한적으로 쓰인다. 핵심은 어떤 범위에서 스킬을 추출할지 정하고, 그 스킬의 각 요소를 근거 데이터에 연결하는 것이다.
20. 14:14
    스킬 합성 그래프 알고리즘을 사용하면 서로 다른 주제 군집이 섞인 스킬을 탐지하고 분해할 수 있다. 응집성이 낮은 경우에는 하나의 스킬로 유지하기보다 여러 개로 나누는 것이 더 낫다.
21. 14:39
    NAMS 대시보드 데모 대시보드에서는 REST API와 MCP 도구를 통해 단기·장기·추론 기억을 수집하고 조회할 수 있다. 의료 온톨로지를 기반으로 대화가 그래프로 정리되고, 필요한 엔터티와 관계를 탐색할 수 있다.
22. 15:58
    스킬 추출 데모 최근 대화를 범위로 지정해 스킬 추출 작업을 큐에 넣고, 데이터 수집과 7단계 파이프라인을 거쳐 그래프형 스킬을 생성한다. 스킬은 전체 워크스페이스가 아니라 특정 대화나 엔터티 단위로도 만들 수 있다.
23. 16:53
    환자 접수 스킬 데모 환자 접수 대화에서 추출한 스킬은 실제 도구 호출과 엔터티를 근거로 단계별 절차를 구성한다. 생성된 스킬은 MD 파일과 참고 자료로 패키징되어 점진적 공개 방식으로 재사용된다.
24. 17:53
    자료 슬라이드, NAMS, 문서, 오픈소스 도구 링크가 제공되며, 부스에서 추가 질문을 받을 수 있다고 안내한다. 핵심 메시지는 기억 그래프를 스킬로 바꾸는 방식이 이미 구현 가능하다는 점이다.

실무 인사이트

• 에이전트 메모리는 검색 가능한 텍스트 묶음보다, 엔터티·관계·의사결정 흔적이 연결된 그래프로 설계해야 재사용성이 높아진다.
• 스킬 생성은 LLM 중심 요약 작업이 아니라, 범위 설정과 근거 연결이 먼저인 결정적 파이프라인으로 운영하는 편이 유지보수와 거버넌스에 유리하다.
• 스킬을 문서가 아니라 그래프로 다루면, 커버리지·응집성·오래됨(staleness) 같은 품질 문제를 자동으로 점검할 수 있다.