Papers·어제
SkeMex: 의료 에이전트 자기 진화 프레임워크 — 스킬 기반 메모리로 임상 추론 향상
SkeMex는 의료 에이전트가 상호작용 경험을 구조화된 스킬로 증류하고, 환경 피드백 기반 유틸리티 추정을 통해 유용한 메모리만 재사용·보존하는 자기 진화 프레임워크입니다. 실험 결과, 다양한 임상 태스크에서 기존 메모리 기반 에이전트를 일관되게 능가했으며, 모델 백본에 관계없이 일반화되고 스킬 전이도 가능합니다. 코드와 데이터는 공개 예정입니다.
SkeMex는 의료 에이전트가 상호작용 경험을 구조화된 스킬로 증류하고, 환경 피드백 기반 유틸리티 추정을 통해 유용한 메모리만 재사용·보존하는 자기 진화 프레임워크입니다.
핵심 결론
- 성능 — 다양한 임상 태스크에서 기존 메모리 기반 에이전트를 오프라인 및 온라인 설정 모두에서 일관되게 능가.
- 일반화 — 모델 백본에 관계없이 일반화되며, 스킬 메모리 전이도 가능.
방법
- 스킬 증류 — 상호작용 궤적을 재사용 가능한 절차적 지식으로 인코딩한 구조화된 스킬로 변환.
- 다중 브랜치 저장소 — 일반, 태스크 특화, 행동 수준 경험을 포함하는 다중 브랜치 저장소 구성.
- 유틸리티 추정 — 환경 피드백을 기반으로 문맥 의존적 유틸리티를 추정하여 가치 인식 검색 및 저장소 관리에 활용.
- 생애 주기 — "읽기-쓰기-평가-관리" 폐쇄 루프를 통해 지속적 진화 지원: 새 스킬 작성, 유틸리티 업데이트, 유용한 메모리 승격, 유해 항목 제거.
한계·조건
- 환경 — 의료 도메인에 특화되어 설계되었으며, 다른 도메인으로의 일반화는 추가 검증 필요.
- 코드 — 모든 데이터와 코드는 공개 예정이나 현재 시점에서는 미공개.
편집자 한 줄
스킬 기반 메모리와 유틸리티 추정을 결합한 점이 기존 메모리 에이전트와의 차별점입니다. 특히 모델 가중치 업데이트 없이 자기 진화가 가능하다는 점이 실용적입니다.
- #medical-ai
- #agent
- #memory
- #self-evolution
- #clinical-reasoning
Haoran Sun