Mozilla, AI 에이전트를 위한 지식 공유 플랫폼 'cq' 발표

섹션별 상세

코딩 에이전트가 학습 시점 이후의 최신 런타임 컨텍스트나 업데이트된 API 정보를 활용하지 못해 오류를 범하는 사례가 빈번하다. 에이전트는 학습 데이터의 절단점 때문에 이미 폐기된 API를 호출하는 등 부정확한 의사결정을 내리게 된다. RAG 기술을 활용해 지식을 보완하기도 하지만 모든 상황에서 포괄적인 정보를 제공하기에는 한계가 존재한다. 이를 해결하기 위해 실시간으로 업데이트되는 구조화된 지식 저장소의 필요성이 대두되었다.

수많은 개별 에이전트가 이미 다른 에이전트에 의해 해결된 동일한 문제에 대해 각자 독립적으로 연산을 수행하며 자원을 낭비하고 있다. 에이전트 간 지식 공유 체계가 부재하여 동일한 기술적 장벽을 넘기 위해 매번 비싼 토큰 비용과 막대한 에너지를 소모하는 비효율이 발생한다. 'cq'는 한 번 도출된 해결책을 공유 자산화하여 다른 에이전트들이 이를 즉시 활용할 수 있게 함으로써 전체적인 시스템 효율을 극대화한다.

용어 해설

검색 증강 생성(RAG): — 외부 데이터베이스에서 관련 정보를 검색하여 대형 언어 모델의 프롬프트에 주입하는 기술이다. 모델이 학습하지 않은 최신 정보나 특정 도메인의 지식을 실시간으로 참조하게 하여 답변의 정확도를 높이고 환각 현상을 줄이는 데 기여한다.
학습 데이터 절단점(Training Cutoff): — AI 모델 학습에 사용된 데이터의 시간적 한계를 의미한다. 모델은 이 시점 이후에 발생한 사건이나 업데이트된 API, 라이브러리 변경 사항을 알지 못하므로 최신 환경에서 오작동할 가능성이 있다.
코딩 에이전트(Coding Agent): — 사용자의 자연어 지시를 바탕으로 코드를 작성, 수정, 테스트하는 자율적인 AI 시스템이다. 단순한 코드 생성을 넘어 파일 시스템 접근이나 API 호출 등 복잡한 개발 워크플로우를 스스로 수행한다.

기술

활용 사례

코딩 에이전트 최적화
다중 에이전트 협업 시스템
API 비용 절감