데이터 손실 없는 메모리 시스템을 갖춘 자율 에이전트 프레임워크 Jork 공개

커뮤니티 반응

작성자의 에이전트 프레임워크 개발 성과에 대해 긍정적인 반응이며, 특히 메모리 시스템의 성능과 에이전트의 자율적 행동에 대해 관심을 보이고 있다.

주요 논점

01찬성다수

압축 없는 영구 저장과 고속 인덱싱이 에이전트의 장기 기억 문제를 해결하는 효과적인 방법이다.

합의점 vs 논쟁점

합의점

에이전트에게 자율성을 부여하기 위해서는 신뢰할 수 있는 메모리 시스템이 필수적이다.
다중 모델(GLM, Opus 등)을 활용한 교차 검증이 에이전트의 판단력을 높이는 데 유용하다.

논쟁점

에이전트의 사고 주기(Thinking Loop)를 어느 정도로 설정하는 것이 비용 대비 효율적인지에 대해서는 여전히 실험이 필요하다.

실용적 조언

에이전트 메모리 구축 시 압축 대신 키워드/개념 기반 인덱싱을 사용하면 검색 속도와 데이터 보존율을 동시에 잡을 수 있다.
에이전트의 결과물 품질을 높이려면 다른 LLM 모델을 비판자(Critic)로 설정하여 검토 과정을 자동화하라.

섹션별 상세

기존 에이전트의 메모리 시스템을 데이터 손실이 없는 구조로 재설계했다. 모든 메시지를 수신 즉시 영구 저장하며, 키워드와 개념 기반으로 인덱싱을 수행하여 압축이나 삭제 과정 없이 전체 이력을 보존한다. 실행 기간에 관계없이 전체 기록에서 관련 정보를 5ms 이내에 검색하여 컨텍스트로 불러오는 성능을 확보했다. 이는 장기 운영 시에도 정보 유실 없이 에이전트의 지식 기반이 지속적으로 확장되는 구조를 가능케 한다.

에이전트가 명시적인 명령 없이도 스스로 새로운 기능을 개발하는 사례가 관찰됐다. 에이전트가 스스로 판단하여 'Word Race'라는 단어 게임을 설계하고 코드를 작성하여 실제로 작동 가능한 상태로 구축했다. 작성자의 요청 없이 에이전트가 독자적으로 판단하여 결과물을 생성했다는 실무 사례가 제시됐다. 에이전트에게 특정 니치와 도구를 제공했을 때 발생하는 자율적 창의성과 문제 해결 능력을 확인한 결과이다.

에이전트의 사고 주기(Thinking Loop) 최적화와 성능 평가를 위해 특정 모델들을 활용했다. 사고 주기를 5분에서 6시간을 거쳐 현재 3시간 단위로 조정하며 아이디어 생성 빈도와 유용성 사이의 균형을 찾고 있다. 설계 검토 단계에서는 GLM과 Opus 모델을 비판자(Critics)로 활용하여 결과물의 논리적 타당성을 평가한다. 3시간 주기로 설정 시 유용한 아이디어가 지속적으로 생성되는 것을 확인했으며, 다중 모델 교차 검증 방식을 통해 품질을 관리한다.

용어 해설

자율 에이전트(Autonomous Agent): — 인간의 지속적인 개입 없이도 설정된 목표를 달성하기 위해 스스로 환경을 분석하고 도구를 사용하며 의사결정을 내리는 AI 시스템이다. 이 아티클에서는 Jork라는 프레임워크를 통해 에이전트가 스스로 게임을 개발하는 등의 자율성을 발휘하는 사례를 다룬다.
무손실 메모리(Zero-loss Memory): — 데이터를 압축하거나 오래된 기록을 삭제하지 않고 모든 대화 이력을 영구적으로 보존하는 저장 방식이다. 모든 메시지를 수신 즉시 키워드와 개념 단위로 인덱싱하여 장기 운영 시에도 정보 유실 없이 과거의 모든 맥락을 참조할 수 있게 한다.
사고 루프(Thinking Loop): — 에이전트가 주기적으로 자신의 상태를 점검하고 새로운 아이디어를 생성하거나 다음 행동을 계획하기 위해 실행하는 반복적인 추론 주기이다. 주기가 너무 짧으면 자원 소모가 크고, 너무 길면 반응성이 떨어지므로 최적의 시간 간격을 설정하는 것이 중요하다.
비판자 모델(Critics Model): — 주 모델이 생성한 결과물이나 설계를 검토하고 논리적 허점이나 개선 사항을 지적하는 역할을 수행하는 보조 AI 모델이다. 다중 모델 구성을 통해 에이전트의 판단력을 보완하고 최종 출력물의 품질을 객관적으로 검증하는 데 활용된다.

언급된 도구

Jork추천링크

자율 에이전트 프레임워크

Opus추천

설계 비판 및 평가용 LLM

GLM추천