AI Agent 메모리 메커니즘의 설계는 그것이 일회성 문답 도구에서 쓸수록 업무를 더 잘 이해하는 디지털 직원으로 바뀔 수 있는지를 결정합니다. 지난 1년간 산업 AI와 스마트 제조에서 가장 뜨거운 주제 중 하나는 MES, ESOP, 설비 운영·유지보수 같은 시나리오에서 AI Agent가 매 대화마다 처음부터 시작하지 않고 맥락, 공정 변경, 사람의 조작 습관을 기억하게 하는 방법이었습니다. ZEVON은 120개 이상 고객(15개 이상 산업 분야 포함)과 3,200대 이상 단말을 서비스하며 메모리 메커니즘이 잘 설계되었는지가 Agent가 현장의 조력자가 될지 부담이 될지를 직접 결정한다는 것을 확인했습니다.
I. 핵심 개념과 정의
AI Agent의 메모리 메커니즘은 간단히 말해 Agent가 실행되는 동안 정보를 인코딩, 저장, 검색, 망각하는 규칙의 집합입니다. 대형 모델의 컨텍스트 윈도와 같지 않고 단순한 Vector DB도 아닙니다. 메모리 메커니즘은 보통 세 가지로 나뉩니다. 단기 메모리는 단일 작업 내의 대화 상태와 도구 호출 결과에 대응하고, 장기 메모리는 세션을 넘어 보존되는 공정 파라미터, 설비 기록, 인원 선호에 대응하며, 작업 메모리는 Agent가 복잡한 작업을 수행할 때 임시로 조립하는 지식 조각에 대응합니다. 산업 현장에서 메모리 메커니즘은 권한 메모리와 버전 메모리 계층을 추가로 필요로 합니다. 예를 들어 전자 공장의 한 작업 스테이션이 교대조마다 다른 SOP 버전을 사용한다면 Agent는 어느 기간에 어느 버전이 유효한지 기억해야 합니다. ZEVON은 산업 AI와 MES + AI 통합 실무에서 메모리 메커니즘을 Agent의 경험 골격으로 취급합니다. 그것이 없으면 Agent는 표면적 문답만 할 수 있고 폐루프 개선에 참여할 수 없습니다.

II. 기술 원리와 핵심 역량
메모리 메커니즘의 기술 구현은 보통 네 가지 핵심 역량을 중심으로 합니다. 첫째는 메모리 쓰기로, Agent는 어떤 정보를 얼마 동안 어떤 구조로 저장할 가치가 있는지 결정해야 합니다. 예를 들어 설비 경보 대화에서는 경보 코드, 처리 행동, 소요 시간을 구조화된 형태로 기록해야 하고 잡담은 버려야 합니다. 둘째는 메모리 검색으로, 보통 벡터 검색에 키워드 필터링과 시간 감쇠를 결합해 회상된 내용이 현재 라인, 모델, 교대조와 관련되게 합니다. 셋째는 메모리 갱신과 충돌 해결로, 새 공정 문서가 발표되면 구 버전 메모리는 삭제하지 않고 무효로 표시해 여전히 추적 가능하게 해야 합니다. 넷째는 메모리 압축과 망각으로, 장기 메모리는 무한히 커질 수 없으므로 고빈도 패턴은 주기적으로 규칙으로 정제하고 저빈도 세부는 가중치를 낮춥니다. 산업 AI Agent에서 이러한 역량은 흔히 MES, ESOP, QMS 같은 시스템과 연결됩니다. ZEVON은 ESOP와 MES + AI 제품군에서 Agent의 메모리 메커니즘을 작업 지시, 자재 배치, 설비 대장에 결합해, Agent가 파라미터를 왜 조정했는지 답할 때 답을 지어내지 않고 석 달 전 유사 문제의 처리 기록을 인용할 수 있게 합니다.
III. 제조업 적용 시나리오

자동차 부품 기업의 다이캐스팅 공방이 금형을 자주 교체하고 교체 후 첫 기사 검사 데이터가 크게 흔들린다고 가정해 봅시다. 메모리 메커니즘이 있으면 AI Agent는 해당 금형의 지난 전환 시 첫 기사 파라미터, 환경 온도, 보압 시간을 자동 검색해 현재 값과 비교하고 편차를 표시할 수 있습니다. 메모리 메커니즘이 없으면 Agent는 작업자에게 이전 값이 무엇이었는지 반복해서 물을 수밖에 없어 업무를 줄이지 못하고 늘립니다.
또한 SMT 마운팅 라인 전환이 잦고 ESOP가 기종별로 전환되어야 하는 전자 공장을 가정해 봅시다. 메모리 메커니즘을 갖춘 Agent는 각 라인의 최근 세 번 전환 실제 소요 시간, 자재 오삽입이 자주 발생하는 위치, 작업자 습관을 기억하고 새 전환 작업이 발행되면 '이 라인은 지난번 피더 12번 위치에서 자재 오삽입이 있었으니 미리 확인하라'고 능동적으로 푸시할 수 있습니다. 이런 시나리오에서 ZEVON의 ESOP와 Agent의 결합은 정적 작업 지시를 기억을 갖춘 동적 보조도구로 바꿉니다.
세 번째 시나리오는 설비 운영·유지보수입니다. 사출 기업에서 한 머신이 저압 경보를 반복적으로 올린다고 가정해 봅시다. 메모리 메커니즘을 갖춘 Agent는 해당 설비의 교대조별 경보 이력, 수리 기록, 예비품 배치를 추적해 문제가 특정 공급업체의 씰 교체 후 2주 안에 항상 재발한다는 것을 발견하고, 메모리를 근본 원인 단서로 바꿉니다. 이런 응용은 데이터를 지어낼 필요가 없으며 Agent는 실제로 발생한 작업 지시와 수리 기록만 기억하면 됩니다.

IV. 선정과 실행 제안
첫째, 메모리 경계를 정의합니다. 모든 데이터를 기억할 가치가 있는 것은 아닙니다. 작업 관련성, 시효성, 컴플라이언스 요구로 분류해 공정 파라미터와 고장 처리를 우선하고 잡담과 임시 조회는 저장하지 않는 것이 좋습니다. 둘째, 메모리 구조는 설명 가능해야 합니다. 산업 현장은 블랙박스를 싫어하므로 Agent가 메모리를 인용할 때 출처를 보여야 합니다. 예를 들어 '2024년 3월 작업 지시 번호 XXX의 수리 기록에 따르면' 같은 식입니다. 셋째, 메모리 메커니즘은 기존 시스템과 분리되되 연결될 수 있어야 합니다. Agent의 메모리 저장소는 독립 배포하되 API로 MES, ESOP, 설비 대장과 동기화해 새로운 데이터 사일로를 피합니다. 넷째, 메모리 만료와 검토 메커니즘을 설정합니다. 장기 메모리는 분기마다 검토하고 공정 또는 설비 엔지니어가 여전히 유효한지 확인해야 합니다. 다섯째, 작은 시나리오에서 시작합니다. ESOP 문답이나 설비 경보 보조도구에서 시작해 메모리 회상 정확도가 검증된 뒤 스케줄링, 품질 검사 같은 복잡한 시나리오로 확장하는 것이 좋습니다. ZEVON은 120개 이상 고객(15개 이상 산업 분야 포함)을 서비스하며 보통 고객에게 한 공방이나 한 라인에서 메모리 메커니즘을 시범 적용한 뒤 3,200대 이상 단말 규모로 확장하도록 권고합니다.
V. 전망
첫 번째 방향은 다중 Agent 간 메모리 공유입니다. 미래의 작업장에는 Agent가 하나가 아니라 스케줄링 Agent, 품질 Agent, 설비 Agent가 메모리를 공유해야 하며, 품질 Agent가 이상 배치를 발견하면 설비 Agent가 그 배치 생산 시점에 기억된 설비 파라미터를 즉시 검색할 수 있어야 합니다. 두 번째 방향은 메모리와 공정 지식 그래프의 융합입니다. 비정형 수리 기록, 조작 영상, SOP 변경 이력을 메모리 메커니즘으로 추론 가능한 공정 그래프에 담아 Agent가 회상할 뿐 아니라 추론하게 합니다. 세 번째 방향은 엣지 메모리와 클라우드 메모리의 계층화입니다. 실시간 요구가 엄격한 메모리는 엣지에, 장기 통계와 공장 간 비교는 클라우드에 두어 응답 속도와 지식 축적을 균형 있게 합니다. ZEVON이 산업 AI와 스마트 제조에 지속적으로 투자하는 것도 바로 이 방향을 따르며, MES + AI, ESOP 등 시나리오의 AI Agent가 진정으로 쓸수록 업무를 더 잘 이해하는 능력을 갖추게 하기 위해서입니다.