개발자가 AI 에이전트(스스로 목표를 설정하고 작업을 수행하는 지능형 프로그램)에게 특정 프로젝트의 세부 사항을 기억시키려 하지만, 에이전트가 이를 사용자의 개인적인 취향과 혼동해 엉뚱한 답변을 내놓는 상황이 발생한다. 기억의 양이 늘어날수록 정보가 뒤섞이며 답변의 정확도가 떨어지는 현상은 현재 많은 개발자가 겪는 고질적인 문제다.

계층적 네임스페이스 기반의 메모리 구조

이번에 공개된 오픈소스 메모리 레이어(AI가 정보를 저장하고 회상하는 전용 계층)는 네임스페이스(이름 공간: 데이터를 논리적으로 구분하여 저장하는 영역) 개념을 도입했다. 에이전트가 학습하는 정보를 사용자 정보, 프로젝트 정보, 에이전트 자신의 정체성으로 나누어 별도의 버킷에 저장하는 방식이다. 각 네임스페이스는 컴퓨터의 폴더 경로와 동일한 경로 형태로 정의된다.

구체적으로 경로는 계층적 구조를 가진다. 예를 들어 /projects라는 상위 경로가 존재하며, 그 아래에 /projects/stash나 /projects/cartona 같은 하위 경로가 배치되는 식이다. 에이전트가 /projects 경로에서 정보를 읽어오면, 시스템은 그 하위에 속한 모든 세부 경로의 데이터를 자동으로 포함하여 처리한다. 사용자가 일일이 하위 폴더를 지정할 필요 없이 에이전트가 스스로 경로의 위계를 판단해 정보를 수집한다.

단일 저장소에서 경로 기반 분류로의 전환

예전에는 AI 에이전트의 기억을 하나의 거대한 저장소에 모두 밀어 넣는 방식이 일반적이었다. 이 경우 에이전트는 모든 기억을 동일한 층위에서 검색해야 했으며, 서로 다른 맥락의 정보가 충돌하는 컨텍스트 오염 문제가 빈번했다. 반면 이번 모델은 정보를 물리적으로 분리된 경로에 배치함으로써 검색 범위를 명확히 제한한다.

주목할 점은 정보의 포함 관계를 자동화했다는 지점이다. 기존의 단순 태깅 방식은 정확한 키워드가 일치해야만 정보를 불러올 수 있었으나, 계층적 경로는 상위 개념을 호출하는 것만으로 하위의 모든 세부 사항을 긁어모은다. 이는 마치 운영체제에서 상위 폴더를 선택하면 그 안의 모든 파일이 선택되는 논리와 같다. 개발자는 이제 에이전트에게 어떤 폴더를 읽어야 할지만 알려주면 되며, 내부의 세부 분류는 시스템이 처리한다.

개발자가 체감하는 가장 큰 변화는 메모리 관리의 예측 가능성이다. 특정 프로젝트에 대한 기억만 삭제하거나 수정하고 싶을 때, 전체 메모리를 건드리지 않고 해당 경로의 데이터만 제어할 수 있다. 이는 에이전트의 기억을 정교하게 튜닝해야 하는 기업용 솔루션 구축 시 필수적인 제어권을 제공한다.

에이전트가 나라는 존재와 내가 수행하는 작업을 구분하는 기준은 이제 단순한 슬래시(/) 하나로 결정된다.