핵심 요약
Anthropic은 에이전트가 오래 일하고 스스로 개선되려면 단순한 컨텍스트 창이 아니라 지속적으로 읽고 쓰는 "메모리"가 필요하다고 본다.
Memory는 에이전트가 작업 중 배운 내용을 저장하게 하고, Dreaming은 여러 에이전트의 실행 기록을 나중에 분석해 공통 실수와 성공 전략을 메모리로 정리한다.
왜 메모리가 중요한가
AI 에이전트는 이제 몇 분짜리 답변을 넘어 몇 시간, 때로는 하루 가까이 이어지는 작업을 수행한다.
하지만 긴 작업에서는 "무엇을 이미 시도했는지", "어떤 전략이 실패했는지", "이 코드베이스의 규칙은 무엇인지"를 잊어버리면 같은 실수를 반복한다.
Memory는 에이전트에게 작업 노트, 환경 이해, 성공 기준, 실패 패턴을 남기는 능력을 준다. 사람으로 치면 매번 신입처럼 시작하지 않고, 업무 일지를 읽고 이어서 일하는 것이다.
Memory는 에이전트의 다음 기본 도구다
Anthropic은 MCP, Claude Code, Agent SDK, Skills 같은 도구를 통해 에이전트가 외부 도구와 새로운 능력을 사용할 수 있게 했다.
Memory는 그다음 단계다. 에이전트가 외부 세계를 사용할 뿐 아니라, 자신의 경험을 축적하고 다음 작업에 반영하게 만든다.
즉 Memory의 핵심 목적은 "계속 배우는 에이전트"다.
파일 시스템처럼 다루는 메모리
Anthropic의 Managed Agents API에서 Memory는 파일 시스템처럼 설계된다.
에이전트는 정해진 구조의 파일들을 읽고, 수정하고, 정리할 수 있다. bash나 grep 같은 익숙한 도구를 사용해 메모리를 관리할 수도 있다.
이는 메모리를 단순한 키-값 저장소가 아니라, 에이전트가 스스로 구조화할 수 있는 작업 공간으로 보는 접근이다.
멀티 에이전트 환경에서의 공유 기억
앞으로는 하나의 에이전트가 아니라 수백, 수천 개의 에이전트가 같은 환경에서 동시에 일하게 된다.
이때 메모리는 개인 노트가 아니라 팀 지식 저장소가 된다.
예를 들어 한 에이전트가 장애 원인을 조사해 메모리에 남기면, 다음 에이전트는 같은 조사를 반복하지 않고 바로 다음 단계로 넘어갈 수 있다. 결과적으로 토큰 비용, 지연 시간, 반복 실수가 줄어든다.
권한 범위와 동시성 제어
Memory 시스템에는 권한 범위가 중요하다.
어떤 메모리 저장소는 읽기 전용일 수 있다. 예를 들어 조직 전체의 운영 지침, 베스트 프랙티스, 런북은 에이전트가 함부로 바꾸면 안 된다.
반대로 특정 팀이나 작업용 메모리는 읽고 쓸 수 있어야 한다.
또 여러 에이전트가 동시에 같은 메모리를 수정할 때 덮어쓰기 사고가 나지 않도록 optimistic concurrency를 사용한다. 쉽게 말해 "내가 수정하려는 내용이 아직 그대로인지" 확인한 뒤 저장하는 방식이다.
기업용 메모리에 필요한 통제 기능
실제 기업 환경에서는 에이전트가 무엇을 기억했는지 추적할 수 있어야 한다.
그래서 version history가 중요하다. 누가, 언제, 어떤 세션에서 메모리를 바꿨는지 기록해야 한다.
또한 독립적인 API가 필요하다. 기업은 메모리에 민감정보가 들어갔는지 검사하거나, 오래된 내용을 정리하거나, 외부 시스템에 복제하는 별도 파이프라인을 만들 수 있어야 한다.
Memory 시스템의 세 층
Anthropic은 Memory를 세 층으로 나누어 본다.
첫째는 저장 층이다. 데이터가 어디에 저장되고, 어떤 메타데이터와 변경 기록이 붙는지에 관한 영역이다.
둘째는 구조와 내용 층이다. 메모리를 파일처럼 구성할지, 절차적 지식인 Skills와 어떻게 연결할지 같은 문제다.
셋째는 프로세스 층이다. 메모리를 언제 업데이트하고, 무엇을 근거로 새 내용을 추가하며, 어떤 방식으로 정리할지에 관한 영역이다.
Dreaming은 메모리를 정리하는 야간 청소부다
Dreaming은 에이전트가 작업 중일 때 실시간으로 끼어드는 기능이 아니다.
작업이 끝난 뒤, 여러 세션의 기록을 비동기적으로 분석한다. 그리고 반복 실수, 성공한 전략, 누락된 지식, 오래된 정보, 중복된 내용을 찾아 메모리를 업데이트한다.
비유하면 낮에는 에이전트들이 현장에서 일하고, 밤에는 Dreaming이 업무 일지를 읽으며 팀 매뉴얼을 고치는 것이다.
Dreaming이 멀티 에이전트에서 강력한 이유
개별 에이전트는 자기 작업만 본다. 그래서 전체 패턴을 놓치기 쉽다.
예를 들어 여러 장애 대응 에이전트가 모두 "CPU 급증 후 정확히 60초 뒤 같은 문제가 발생한다"는 단서를 봤지만, 각자 따로 보면 우연처럼 보일 수 있다.
Dreaming은 여러 기록을 한꺼번에 보기 때문에 이런 공통 패턴을 찾아낸다. 그 결과 다음 에이전트는 더 빠르게 원인을 좁힐 수 있다.
Dreaming은 작업 속도를 늦추지 않는다
Dreaming은 out-of-band, 즉 작업 경로 밖에서 실행된다.
따라서 에이전트가 현재 작업을 수행하는 동안 추가 지연을 만들지 않는다.
대신 별도의 계산 자원을 사용해 메모리를 정리하고, 나중에 모든 에이전트가 더 좋은 지식을 빠르게 가져다 쓰게 만든다.
메모리는 작은 노트에서 거대한 지식베이스로 진화한다
초기 메모리는 특정 사용자나 작은 팀의 작업 메모에 가까웠다.
하지만 에이전트가 기업 규모로 늘어나면 메모리는 사실상 대형 지식베이스가 된다.
Dreaming은 이 지식베이스를 최신 상태로 유지하고, 중복을 제거하며, 검증된 내용을 보강하는 역할을 한다. 검색 시스템에서 좋은 인덱스를 미리 만들어 두는 것과 비슷하다.
실제 예시: 장애 대응 에이전트
한 SRE 에이전트가 장애 알림을 받고 CPU 사용량, 트래픽 패턴, 최근 배포를 조사한다.
그 결과를 팀 메모리에 남기면, 몇 분 뒤 같은 장애를 받은 다른 에이전트는 이미 조사된 내용을 보고 시간을 절약한다.
이후 Dreaming은 며칠간의 대응 기록을 분석해 반복 패턴을 찾고, 중복된 메모리를 합치고, 더 이상 맞지 않는 내용을 제거한다.
인사이트
Memory는 에이전트에게 "경험"을 주고, Dreaming은 그 경험을 "학습 가능한 지식"으로 정리한다.
실무에서 에이전트 시스템을 만든다면 처음부터 메모리를 단순 로그 저장소가 아니라 권한, 변경 이력, 검증, 정리 프로세스가 있는 지식 인프라로 설계하는 것이 좋다.
핵심 질문은 이것이다. "이 에이전트가 내일 더 잘하려면 오늘 무엇을 기억해야 하는가?"
출처 및 참고 :
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.