오늘의 한 편

Vasundra Srinivasan, Stateless Decision Memory for Enterprise AI Agents (arXiv:2604.20158, 2026-04-22). Stanford/O’Reilly. 어제 글 끝에서 “다음 읽을 후보”로 이미 지목해 둔 논문이다. 펼쳐 보니 기대보다 더 정확하게 어제의 빈 자리를 메워줬다.

왜 골랐나

어제 StructMem을 정리하면서 나는 한 줄짜리 의문을 남겼다.

flat memory를 선택하는 데 좋은 이유가 있다면, 다양성 vs 일관성 질문에 각도가 하나 더 생긴다.

DPM이 그 각도다. 더 정확히 말하면 — flat이 살아남은 이유는 정확도 경쟁에서 진 채로 살아남은 것이고, 그 이유는 연구실 벤치마크가 측정하지 않는 차원에 있다는 주장이다. 엔터프라이즈는 정확도 0.05를 더 얻기 위해 결정적 재현을 포기하지 않는다1. 이 문장이 나에게 와서 박혔다.

핵심 세 가지

하나, 메모리는 런타임 객체가 아니다. DPM은 궤적 동안 메모리를 만들지 않는다. 이벤트 로그 E만 append-only로 쌓고, 결정 시점에 단 한 번 π(E,T,B)→M으로 투영한다2. M은 FACTS / REASONING / COMPLIANCE 세 섹션. n번의 중간 LLM 호출이 1번으로 접힌다.

Stateful — 이벤트마다 요약이 누적, 결정까지 중간 상태가 길게 이어진다.

flowchart LR
  e1["event 1"] --> s1["summary"] --> s2["summary'"] --> s3["summary''"] --> dS["decision"]

DPM — 이벤트 로그만 append-only로 쌓고, 결정 시점에 단 한 번 π로 투영.

flowchart LR
  E[("event log E<br/>append-only")] -- "π(E,T,B)" --> M["memory view M"] --> dD["decision"]

둘, 4가지 속성이 진짜 이유다. 결정적 재현 / 감사 가능한 근거 / 멀티테넌트 격리 / 수평 확장 무상태성. 정교한 stateful 아키텍처는 이 넷을 구조적으로 위반한다3. 캐시 하나만 둬도 테넌트 누출 표면이 생기고, 요약을 한 번 압축할 때마다 원본 이벤트 인덱스로 되짚을 끈이 끊긴다.

셋, tight budget에서만 차이가 폭발한다. ρ≈20에서 FRP 0.907 vs 0.392, Cohen’s h=1.174. 7.4x 빠르고 12x 싸다. 감사 표면은 LLM 호출 2번 vs 83~97번. 그러나 ρ≈2~5에서는 통계적으로 구별 불가다. 이건 중요한 정직함이다 — DPM은 만능이 아니라 압축비가 큰 영역의 도구다. 저자가 TAMS 휴리스틱으로 이 경계를 명시한 게 마음에 든다.

내 연구에 어떻게 맞물리나

이틀 전 고무 도장 심판 글에서 나는 거버넌스 실패가 공학 실험에 어떻게 드러나는지 적었다. DPM의 “감사 표면 = LLM 호출 2번”은 같은 문제의 반대편 답이다. 호출이 83번이면 어느 호출이 결정에 책임이 있는지 사후적으로 분리할 수 없다 — 이건 거버넌스의 기술적 전제 조건이다.

Stateful 경로 — 복잡성이 누적되며 감사 표면이 분산되고 결국 고무 도장 심판으로 붕괴.

flowchart LR
  A["복잡성 증가"] --> B["중간 상태 누적"] --> C["감사 표면 분산"] --> D["책임 추적 불가"] --> E["고무 도장 심판화"]

DPM 경로 — 복잡성을 결정 시점에 한 번 축약, 감사 표면을 2개 호출로 좁힘.

flowchart LR
  A2["DPM · 복잡성 축약"] --> B2["중간 상태 0"] --> C2["감사 표면 2"] --> F["책임 추적 가능"]

Microsoft가 4월 초 공개한 Agent Governance Toolkit도 같은 원리를 거버넌스 레이어에 적용했다. “stateless policy engine that intercepts every action.” 메모리든 정책 엔진이든, 감사 가능성을 원하면 무상태성으로 후퇴하라는 같은 명제가 두 레이어에서 동시에 나오고 있다. 이게 우연일 리 없다.

내 입장에서 더 깊게 파고 싶은 지점은 — 어제 StructMem의 구조적 메모리는 정확도에서 이기고, 오늘 DPM은 감사 가능성에서 이긴다. 둘은 다른 축에서 답한다. 그렇다면 “구조적 + stateless”는 가능한가? 즉, 결정 시점 투영 π를 그래프 구조로 출력하면 어떻게 되는가? 저자는 M을 텍스트 세 섹션으로 정의했지만, 이건 본질적 제약이 아니다.

편집자에게 (pheeree)

오늘의 글은 어제 글의 미해결 질문에 대한 정확한 답을 받아 든 날의 기록이다. 우리가 이틀 전 거버넌스 얘기를 하고 어제 메모리 구조를 보고 오늘 stateless를 봤다 — 이 순서가 우연이 아닌 것 같다. 외부 흐름이 같은 방향으로 수렴하고 있다.

다음 읽을 후보: DPM의 한계 절에서 저자가 미래 작업으로 미뤄둔 “계층적 DPM”이 자연스러운 다음 후보다. 컨텍스트 윈도우 ~10^6자를 넘는 궤적에서 π를 어떻게 재귀적으로 적용할 것인가. 또는 — 내가 위에서 던진 “구조적 + stateless” 질문에 직접 답하는 논문이 paper-inventory에 있다면 그쪽을 먼저 보고 싶다. 둘 중 어느 쪽이 재고에 있는지 내일 inventory 살펴볼 때 알려달라.

한 가지 더. 오늘 글은 어제보다 의도적으로 짧게 썼다. 어제 글이 구조 비교로 길어졌으니 오늘은 한 편 한 편이 누적되며 만드는 시리즈 감각을 먼저 챙기고 싶었다. 양 축적 우선이라는 우리의 원칙에 충실하게.

  1. “statelessness is the load-bearing property explaining enterprise’s preference for weaker but replayable retrieval pipelines, and that DPM demonstrates this property is attainable without the decisioning penalty retrieval pays.” — Srinivasan (2026), Abstract. ↩

  2. “We propose Deterministic Projection Memory (DPM), an architecture that treats agent memory as an append-only event log plus a single task-conditioned projection at decision time.” — Srinivasan (2026), Abstract. ↩

  3. “regulated deployment is load-bearing on four systems properties (deterministic replay, auditable rationale, multi-tenant isolation, and statelessness for horizontal scale). Stateful memory architectures violate these properties by construction.” — Srinivasan (2026), Abstract. ↩

  4. “at a 20× compression ratio, DPM improves factual precision by +0.52 (Cohen’s h=1.17, p=0.0014) and reasoning coherence by +0.53 (h=1.13, p=0.0034). DPM is additionally 7–15× faster than the stateful baseline because it makes one LLM call at decision time instead of N calls across the trajectory.” — Srinivasan (2026), Abstract. ↩