TL;DR
이번 포스트 묶음에서는 Hermes Browser Extension v0.3.0의 실제 브라우저 탭 제어, 승인 절차, fail-closed privacy, 로컬 파일·localhost 처리와 함께 에이전트 컨텍스트 관리의 비용 구조가 부각됐습니다. 컨텍스트 압축은 기록 토큰을 줄이지만 Prefix Caching의 앞부분 일치를 깨뜨려, 100K 토큰 기록을 10K 요약으로 바꾼 직후 비용이 기준 입력의 12.5K 토큰 상당으로 계산될 수 있습니다. 대안으로 Truncation, Rolling Summarization, Prompt Compression, RAG 기반 검색, KV Cache Eviction이 제시됐고, LMCache는 GPU·CPU DRAM·NVMe·원격 저장소 사이에서 KV 블록을 재사용하는 계층으로 언급됐습니다. 핵심 쟁점은 컨텍스트를 줄이는 토큰 절감과 캐시 재사용에 따른 청구 비용을 같은 지표로 볼 수 없다는 점입니다.
𝕏 실시간 트렌드 토픽
📈 Hermes Browser Extension v0.3.0의 브라우저 권한 통제포스트 1
Hermes Browser Extension v0.3.0이 실제 브라우저 탭 제어와 승인 절차를 포함한 대규모 업데이트로 소개됐습니다. 로컬 HTML·PDF·localhost 작업, SHA-256 영수증을 붙인 산출물 관리, fail-closed privacy가 핵심 기능으로 묶였습니다.
세부 내용 보기
- 기존 브라우저 자동화에서 탭 조작 권한과 개인정보 보호가 함께 문제로 남는 가운데, Hermes Browser Extension v0.3.0은 실제 탭 제어에 정확한 lease를 부여하고 승인 절차를 거친 뒤 작업을 진행하는 구조를 채택했습니다. 권한이 닫히는 조건에서는 동작을 계속하지 않는 fail-closed privacy가 적용돼 브라우저 작업의 허용 범위를 통제합니다.
- 입력 대상은 실제 브라우저 탭과 로컬 HTML·PDF·localhost 환경이며, 처리 결과는 범위가 제한된 artifact와 SHA-256 receipt로 남습니다. 원문은 이 버전이 지금까지 가장 큰 릴리스라고 전하지만, 성능 수치나 지원 브라우저 목록은 제시하지 않았습니다.
- 이 기능 묶음은 브라우저를 직접 조작하는 에이전트가 파일과 로컬 서비스까지 다룰 때 필요한 권한 승인, 작업 범위 제한, 결과 검증을 하나의 흐름으로 묶었다는 점에 의미가 있습니다.
➖ 컨텍스트 압축과 Prefix Caching의 비용 역전포스트 1
에이전트 기록을 요약해 토큰 수를 줄여도 Prefix Caching의 일치 구간이 끊기면 청구 금액이 커질 수 있다는 분석이 나왔습니다. Truncation부터 KV Cache Eviction과 LMCache까지, 정보 보존 위치와 재계산 비용이 서로 다른 다섯 가지 관리 방식이 함께 정리됐습니다.
세부 내용 보기
- 긴 에이전트 세션은 매 요청마다 전체 기록을 다시 보내지만, 앞부분이 바이트 단위로 같으면 해당 구간이 cache read로 처리됩니다. 원문 기준 Anthropic의 cache read 가격은 기본 입력의 10%이므로 100K 토큰 기록은 정가 기준 10K 토큰 상당으로 계산되지만, 앞부분을 10K 요약으로 교체하면 기존 캐시와 맞는 구간이 없어져 1.25배 cache write 기준 12.5K 토큰 상당이 됩니다.
- 컨텍스트 관리 방식은 오래된 토큰을 버리는 Truncation, 새 요약을 영속 상태에 합치는 Rolling Summarization, 낮은 관련성 토큰을 제거하는 Prompt Compression, Vector DB에서 질의와 맞는 기록만 되돌리는 RAG 기반 검색, Serving 계층에서 KV 텐서를 제거하는 KV Cache Eviction으로 나뉩니다. LLMLingua는 작은 정확도 손실과 함께 최대 20배 압축을 보고했고, H2O·SnapKV는 attention score, StreamingLLM은 위치를 기준으로 KV 항목을 선택합니다.
- KV 텐서는 토큰에서 파생되므로 제거한 뒤 Prefill 과정에서 다시 계산할 수 있고, GPU에 맞지 않는 KV 블록은 CPU DRAM·로컬 NVMe·원격 저장소로 옮겼다가 다음 요청에서 불러올 수 있습니다. LMCache는 vLLM, SGLang, Dynamo를 위한 오픈소스 계층으로 이 흐름을 구현하며 CacheBlend를 통해 프롬프트 선두뿐 아니라 임의 위치의 캐시 블록도 재사용합니다.
- 컨텍스트 압축은 반복되는 임계값 이벤트마다 캐시 경계를 다시 움직일 수 있어 토큰 수와 청구 금액을 같은 지표로 판단하기 어렵게 만듭니다. 기록을 줄이는 방식은 정보 삭제나 검색 실패를 감수하고, KV 캐시 제거는 정보 대신 Prefill 재계산을 감수한다는 차이가 비용 설계의 기준이 됩니다.
컨텍스트 압축은 유한한 컨텍스트 창을 관리하는 데 필요하지만, Prefix Caching의 일치 구간을 깨뜨려 직후 청구 금액을 높일 수 있습니다. 따라서 토큰 수 감소만으로 압축 효과를 판단하기 어렵습니다.
용어 해설
- 접두사 캐싱(Prefix Caching)
- — 이전 요청과 바이트 단위로 동일한 프롬프트 앞부분을 저장해 다음 요청에서 다시 계산하지 않는 방식입니다. 캐시 적중 구간은 일반 입력보다 낮은 비용으로 처리되지만, 앞부분이 수정되면 이후 구간의 일치가 끊깁니다.
- 컨텍스트 압축(Context Compaction)
- — 길어진 에이전트 대화 기록의 앞부분을 요약문으로 바꿔 컨텍스트 창의 토큰 수를 줄이는 방식입니다. 원래 기록과 요약문이 달라지므로 캐시 경계가 이동하고, 직후 요청의 캐시 비용이 오히려 커질 수 있습니다.
- 프롬프트 압축(Prompt Compression)
- — 작은 모델로 각 토큰의 관련성을 평가한 뒤 중요도가 낮은 토큰을 제거해 입력을 줄이는 방식입니다. 원문에 따르면 LLMLingua는 정확도 손실을 작게 유지하면서 최대 20배 압축을 보고했습니다.
- KV 캐시 제거(KV Cache Eviction)
- — Serving 계층에서 GPU가 계산한 토큰별 KV 텐서 중 다시 필요할 가능성이 낮은 항목을 버리는 방식입니다. 토큰 자체를 없애지 않으므로 정보 손실 대신 다음 요청에서의 Prefill 재계산 비용이 발생합니다.
- RAG 검색(RAG Retrieval)
- — 대화 기록을 Vector DB에 옮긴 뒤 현재 질의와 일치하는 내용만 다시 검색해 모델 입력에 주입하는 방식입니다. 전체 기록을 유지하는 대신 검색 정밀도가 핵심 실패 지점이 됩니다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.


