이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Temm1e는 LLM 자체를 고정된 지능으로 보기보다, 모델 호출 사이의 상태와 실행 결과를 보존해 컴퓨터 안에서 계속 존재하는 에이전트를 만들려 합니다. Prowl·Gaze·Shell 도구로 브라우저와 데스크톱에 접근하고, Perpetuum으로 예약 작업과 중단된 작업의 재개를 다루며, λ-memory로 기억을 시간에 따라 축약합니다. 기억 감쇠, 작업 선택, 협업 우선순위, 검증과 통계적 중단 규칙은 각각 수식으로 구현됐지만 경험적 검증이 필요한 휴리스틱으로 남아 있습니다. v6 비교에서는 동일한 30개 코딩 작업에서 v5.8.1이 30/30, 현대화 버전이 29/30을 기록했으며, 장기 지속성·복구·모순된 기억 처리는 앞으로의 과제로 남았습니다.
섹션별 상세
Temm1e가 겨냥하는 대상은 한 번의 응답을 생성하는 챗봇이 아니라 컴퓨터 안에서 계속 존재하는 에이전트입니다. 대화는 공유된 이력으로 남고, 중단된 작업은 목적과 상태를 보존한 채 다시 이어져야 합니다. LLM은 API 호출마다 추론과 판단을 제공하고, harness는 상태를 전달하며 실제 행동을 실행하고 결과를 기록합니다. 따라서 모델이 바뀌어도 Tem의 이력과 환경과의 관계를 유지하는 구조가 기능 선택의 기준이 됩니다.
Temm1e는 브라우저·데스크톱·Shell·파일 시스템을 하나의 지속적인 작업 환경으로 연결합니다. Prowl은 인증 세션을 유지하는 전용 브라우저 프로필을 제공하고, Gaze는 스크린샷과 입력 동작으로 데스크톱 애플리케이션에 접근하며, Shell과 파일 도구는 직접 조작을 맡습니다. 실행을 요청한 사실과 실제 결과를 분리해 기록해야 하므로, 서비스가 요청을 수락한 뒤 응답이 끊긴 경우에도 같은 동작을 무작정 반복하지 않습니다. Perpetuum은 시계와 제한된 백그라운드 프로세스를 사용해 예약 작업과 미완료 작업의 재개 시점을 결정하되, 사용자의 주의를 침범하지 않는 절제도 함께 요구합니다.
Perpetuum의 활동 추정은 기록이 존재하는 최근 28개의 완료된 현지 달력 날짜에서 같은 요일·시간 슬롯을 세고, 베타 사전평균 p̂ = (a + 1) / (n + 2)을 적용합니다. 활동 슬롯 하나와 적격 슬롯 네 개라면 추정치는 2/6이 되며, 적격 슬롯이 없을 때는 사전평균 0.5를 사용합니다. 기록이 시작된 뒤 누락 슬롯을 비활성으로 세고 UTC 버킷을 사용하기 때문에, 이 값은 실제 온라인 상태가 아니라 관측된 활동 패턴의 추정치입니다. 글은 이 한계 때문에 지속적인 프로세스의 존재만으로 행동 시점을 결정할 수 없고, 오래된 목표와 사용자의 제한된 관심을 함께 고려해야 한다고 봅니다.
λ-memory는 모든 과거 기록을 현재 컨텍스트에 넣는 대신 기억의 중요도와 마지막 접근 이후 시간을 결합해 점수를 낮춥니다. 점수는 s(t) = Ieff e−λΔt로 계산되고, Ieff는 importance와 recall boost의 합을 0.1에서 5.0 사이로 제한하며 점수가 낮아질수록 원문이 요약·핵심·회상 참조로 축소됩니다. λ = 0.01 per hour일 때 반감기는 69.3시간, 즉 2.89일이며, 다시 호출된 기억은 접근 시점과 boost가 바뀌어 단순한 단일 감쇠 곡선을 따르지 않습니다. 이 방식은 컨텍스트 압박 속에서 현재 대화의 사용성을 지키면서 과거 세부 정보로 돌아갈 경로를 남기는 주의 정책이지, 사실의 진실성이나 무기한 보존을 보장하는 장치는 아닙니다.
Temm1e는 재사용 가능한 학습 산출물과 여러 Tem의 작업 분배에도 수식을 적용하지만, 이를 최적성의 증명으로 취급하지 않습니다. 학습 산출물의 점수는 추정 품질, 생성 후 경과 일수, 사용 횟수의 로그 항을 결합하며 recency 반감기는 약 46.2일이고, Hive의 작업 우선순위는 작업자 친화도·긴급도·난이도·실패·보상 신호를 지수와 함께 묶습니다. Witness는 검증 결과를 verified·failed·inconclusive로 보존하고, 알 수 없는 근거를 부정 논리만으로 성공으로 바꾸지 않으며, Eigen-Tune은 Wilson 구간과 순차확률비검정으로 표본 수와 중단 시점을 살핍니다. 예를 들어 30회 성공이 모두 나와도 99% 양측 신뢰수준의 Wilson 하한은 약 0.819이며, 모델의 반복된 동의가 곧 실제 정답을 뜻하지 않는다는 제약이 남습니다.
v6 현대화의 초점은 기능 추가보다 대화 범위, 백그라운드 작업의 소유권, 복구 가능한 상태와 실행 결과의 구분을 코드에서 확인하는 일이었습니다. provider-native 대화 처리와 CLI·서버 간 실행 상태 보존을 강화하고, 원시 이력과 출처를 남겨 압축 뒤 회상을 지원했으며, Witness의 불확실성 보존과 Eigen-Tune의 통계 도구도 함께 유지했습니다. 동일한 Z.ai Coding Plan 모델로 고정한 30개 코딩 작업에서 v5.8.1은 30/30, 현대화 버전은 29/30을 기록했고, 차이를 만든 작업은 IDs와 전체 rows 중 결과 형식이 모호했으며 별도의 명확화 테스트에서는 두 버전 모두 통과했습니다. 이 수치와 교차 플랫폼 CI·CLI·TUI·persistence·recovery 검사는 특정 동작의 근거일 뿐 모든 통합이나 장기 실행을 검증하지 않으며, 의존성 권고 사항도 일부 남아 있습니다.
Temm1e가 다음에 해결해야 할 문제는 파일과 기록의 복구를 넘어 시간에 따른 일관성을 유지하는 일입니다. 시스템은 환경이 바뀌면 기존 약속을 다시 판단하고, 서로 충돌하는 기억을 조정하며, 한 상황에서 얻은 경험을 다른 상황에 잘못 적용하지 않아야 합니다. 이를 평가하려면 몇 주 동안 수정 사항이 유지되는지, 잊힌 세부 정보를 필요할 때 되찾는지, 미완료 작업이 부작용을 반복하지 않고 재개되는지를 관찰해야 합니다. 글은 단일 completion score보다 이런 장기 궤적이 지속하는 엔티티에 가까운지를 더 잘 드러낸다고 결론짓고, Temm1e v6.0.0을 기존 프로필 백업 후 연결한 모델과 함께 사용하도록 안내합니다.
용어 해설
- 지속형 에이전트(Persistent Agent)
- — 지속형 에이전트는 한 번의 대화나 작업으로 끝나지 않고 상태·기억·목표를 보존하면서 중단 뒤에도 작업을 재개하는 시스템입니다. 모델 호출 사이의 상태 관리와 외부 환경에서의 실행·복구가 핵심입니다.
- 컨텍스트 윈도우(Context Window)
- — 컨텍스트 윈도우는 LLM이 한 번의 추론에서 처리할 수 있는 입력과 출력의 범위입니다. 대화와 작업 기록이 이 한도를 넘으면 시스템은 내용을 요약하거나 검색 가능한 형태로 바꾸어 필요한 정보를 다시 불러와야 합니다.
- 기억 감쇠(Memory Decay)
- — 기억 감쇠는 사용하지 않은 기억의 우선순위 점수를 시간에 따라 낮추는 방식입니다. Temm1e에서는 중요도와 최근 접근 시점을 결합해 전체 내용·요약·핵심만 남기는 형태를 선택하며, 세부 정보의 영구 보존을 보장하지는 않습니다.
- Wilson 구간(Wilson Interval)
- — Wilson 구간은 이항 시행에서 관측된 성공률의 불확실성을 표본 수와 함께 계산하는 통계적 신뢰구간입니다. 글에서는 반복 작업의 성공률을 평가할 때 표본이 적다는 이유로 확신을 과도하게 높이지 않도록 사용하는 도구로 제시됩니다.
- 순차확률비검정(SPRT)
- — SPRT는 관측 결과가 두 개의 고정된 성공률 가설 중 어느 쪽을 지지하는지 순차적으로 누적 판단하는 방법입니다. 정해진 상·하한에 도달하면 결론을 내리고, 표본 상한까지 어느 경계에도 닿지 않으면 inconclusive를 반환합니다.
기술
- Temm1e v6.0.0
- Prowl
- Gaze
- Perpetuum
- Shell
- λ-memory
- Hive
- Witness
- Eigen-Tune
- Rust
- Z.ai Coding Plan
활용 사례
- 중단된 장기 작업의 상태 보존과 재개
- 브라우저 세션을 활용한 지속형 컴퓨터 에이전트
- 대화 이력의 시간 기반 축약과 회상
- 여러 에이전트 간 작업 우선순위 조정
- 반복 작업의 성공률과 중단 시점 평가
- CLI와 서버 사이의 실행 상태 및 복구 관리
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 10.수집 2026. 09. 10.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
