# \#agent-workflow-memory **URL:** https://discuss.pytorch.kr/tag/agent-workflow-memory/3745.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Letta, LLM 애플리케이션을 위한 프레임워크 (feat. MemGPT)](https://discuss.pytorch.kr/t/letta-llm-feat-memgpt/5558)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [11월 21, 2024, 2:07오후 UTC](https://discuss.pytorch.kr/t/letta-llm-feat-memgpt/5558 "2024-11-21T14:07:21Z")
소개 Letta는 LLM(Large Language Model) 기반의 상태 저장 애플리케이션을 구축하기 위한 오픈소스 프레임워크입니다. Letta를 사용하여 장기 메모리를 갖춘 상태 저장 에이전트를 생성할 수 있으며, API 서버 및 CLI로 쉽고 빠르게 에이전트를 구축하고 관리할 수 있습니다. Letta는 다양한 LLM 또는 임베딩 모델과 호환되며, 각 에이전트는 모델에 독립적이고 투명한 방식으로 동작하는 것이 특징입니다. Letta의 원래 명칭은 MemGPT였으며, MemGPT 에이전트를 실행하는 API 서버/런타임과의 구분을 위해 현재 이름으로 변경되었습니다. Letta는 다음과 같은 특징을 갖춘 프레임워크입니다: 모델 독립적: 특정 LLM에 종속되지 않으며, 다양한 모델과 호환 가능합니다. 투명한 구조: LLM 및 에이전트의 내부 작업을 완전히 이해할 수 있습니다. 빠른 프로토타이핑 및 확장성: Letta CLI와 ADE(Agent Development Environment)를 통해 간단히 프로토타입을 생성하고, Docker를 활용해 대규모 프로덕션 환경으로 확장할 수 있습니다. 특히, Letta의 메모리 관리 시스템은 에이전트가 대화를 통해 얻은 정보를 장기적으로 기억할 수 있도록 돕습니다. 상태 저장 메모리와 단기 메모리를 통합하여 사용자가 제공한 정보를 지속적으로 반영합니다. • 기억 저장소 관리: Letta는 대화를 통해 얻은 데이터를 저장하고 필요할 때 검색할 수 있도록 아카이벌 메모리와 코어 메모리를 지원합니다. • 기억 업데이트 기능: 새로운 정보를 추가하거나 수정할 때 core\_memory\_replace와 같은 기능을 통해 메모리를 효율적으로 업데이트할 수 있습니다. 에이전트는 사용자와의 상호작용에서 인식된 변경 사항을 메모리에 반영하여 대화를 더욱 일관되게 유지합니다. 예를 들어, 사용자가 이름을 수정할 경우 Letta는 이를 자동으로 반영합니다. 참고: MemGPT와 Letta의 관계 설명 … --- ## [\[2024/09/09 ~ 09/15\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week)](https://discuss.pytorch.kr/t/2024-09-09-09-15-ml-top-ml-papers-of-the-week/5208)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [9월 15, 2024, 11:47오후 UTC](https://discuss.pytorch.kr/t/2024-09-09-09-15-ml-top-ml-papers-of-the-week/5208 "2024-09-15T23:47:54Z")
\[2024/09/09 ~ 09/15\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week) PyTorchKR​:fire::south\_korea: :thinking::speech\_balloon: 이번 주에 선정된 논문들에서 두드러지는 트렌드는 주로 대형 언어 모델(LLM)과 이들의 다양한 적용 가능성에 관한 것입니다. 논문 제목들에서 "LLMs," "Large Language Models," 및 "Can LLMs..." 등이 자주 등장하며, 이는 대형 언어 모델들이 연구와 논의의 주요 주제라는 점을 시사합니다. 예를 들어, 'Learning to Reason with LLMs,' 'Can LLMs Generation Novel Research Ideas,' 및 'Achieving Peak Performance for LLMs' 같은 논문들은 LLM의 다양한 능력과 최적화 방법을 중점으로 다루고 있습니다. 대형 언어 모델의 다양한 가능성을 탐구하는 것은 현재 AI 연구의 주요 방향 중 하나로 보입니다. 이는 LLM이 자연어 처리(NLP)뿐만 아니라 다양한 다른 영역에서도 혁신을 가져올 수 있는 잠재력이 크기 때문이라고 할 수 있습니다. 연구자들은 이 모델들이 단순히 텍스트를 생성하는 것을 넘어 더 복잡한 reasoning (추론) 능력, 새로운 연구 아이디어 생성, 특정 작업에서의 최적화 등 다양한 방법으로 활용될 수 있는지 조사하고 있습니다. 이러한 연구들이 앞으로 인공지능의 발전 방향에 큰 영향을 미칠 것으로 예상됩니다. 또한, 소형 언어 모델(SLM, Small Language Model)과 관련된 연구도 눈에 띕니다. 예를 들어, 'The Role of Small Language Models in the LLM Era'라는 논문은 대형 모델뿐만 아니라 소형 모델이 어떻게 중요한 역할을 할 수 있는지를 탐구합니다. 이는 대형 모델이 갖는 자원 소모 문제와 함께 소형 모델들이 효율적이고 실용적인 대안이 될 수 있다는 점을 …