AI 에이전트의 약점은 단순히 “모른다”가 아니라, 이전 판단을 이어서 다루지 못한다는 데 있습니다. 무엇을 기억했는지, 그 기억이 지금도 유효한지, 과거 예측이 실제 결과와 얼마나 맞았는지를 추적할 수 있어야 에이전트는 반복 작업을 넘어 학습 가능한 시스템에 가까워집니다.
GBrain은 이 문제를 마크다운 파일과 git 저장소로 푸는 개인 지식 시스템입니다.1 지식의 원본을 사람이 읽고 수정할 수 있는 파일로 두고, 변경 이력은 git으로 관리합니다. 2026년 4월 5일 공개됐으며 MIT 라이선스로 배포됩니다.1 즉, 폐쇄형 메모리 서비스라기보다 사용자가 직접 소유하고 고칠 수 있는 에이전트용 지식 저장소에 가깝습니다.
v0.36.1의 핵심: 기억에서 보정으로
GBrain v0.36.1은 main 브랜치에 올라왔고, Hindsight에서 영감을 받은 변경 사항을 포함합니다. 여기서 중요한 개념은 “시간에 따른 예측 추적”입니다. 에이전트가 과거에 어떤 판단이나 예측을 했는지 기록하고, 시간이 지난 뒤 실제 결과와 비교할 수 있게 하는 방향입니다.
이 변화는 메모리의 역할을 바꿉니다. 기존 메모리가 “지난번에 무엇을 말했나?”를 찾는 데 초점이 있었다면, Hindsight식 접근은 “그 판단은 맞았나?”, “어떤 상황에서 자주 빗나갔나?”를 묻습니다. 다시 말해 GBrain v0.36.1의 핵심은 더 많이 저장하는 것이 아니라, 저장된 판단을 사후에 검증할 수 있는 구조를 강화하는 데 있습니다.
왜 평가 보고서와 fixtures 공개가 중요한가
메모리 시스템은 데모만으로 판단하기 어렵습니다. 검색 결과가 그럴듯해 보여도 실제로 필요한 정보를 안정적으로 끌어올리는지, 시간이 지나도 일관된 성능을 내는지 확인해야 합니다.
그래서 GBrain v0.36.1에서 전체 평가 보고서와 fixtures가 GitHub 저장소에 공개됐다는 점은 기능 자체만큼 중요합니다.2 메모리 시스템의 신뢰도는 “잘 됩니다”라는 설명보다, 어떤 기준으로 평가했고 어떤 자료로 재현할 수 있는지를 통해 더 분명해집니다.
특히 예측 추적이나 보정 루프처럼 장기적인 품질을 다루는 기능은 더 그렇습니다. 한 번의 응답 품질보다, 반복된 판단이 시간이 지나며 어떻게 검증되고 개선되는지가 핵심이기 때문입니다.
GBrain을 볼 때의 판단 기준
GBrain이 잘 맞는 경우는 비교적 분명합니다. 내 지식의 원본을 마크다운과 git으로 직접 소유하고 싶고, 에이전트가 그 지식 위에서 읽고 쓰게 만들고 싶을 때입니다. 파일 기반 지식 관리와 버전 관리에 익숙한 사용자라면 구조를 이해하고 필요에 따라 조정하기도 쉽습니다.
반대로 완전 자동화된 메모리 플랫폼이나 관리형 서비스를 기대한다면 다른 선택지가 더 맞을 수 있습니다. GBrain의 강점은 모든 것을 감춰 주는 데 있지 않습니다. 사용자가 지식의 구조와 변경 이력을 직접 다룰 수 있다는 점에 있습니다.
v0.36.1이 주는 실용적 메시지
GBrain v0.36.1의 의미는 단순한 버전 업데이트보다 큽니다. 에이전트 메모리는 이제 “무엇을 기억하는가”를 넘어 “그 기억과 판단을 어떻게 검증하는가”로 이동하고 있습니다.
좋은 에이전트 메모리는 많은 내용을 저장하는 데서 끝나지 않습니다. 시간이 지난 뒤 자신의 예측을 확인하고, 틀린 패턴을 발견하며, 다음 판단에 반영할 수 있어야 합니다. GBrain v0.36.1은 그 방향을 보여 주는 업데이트입니다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.