PACT 업데이트: 서브에이전트, 라이브 대시보드 및 로컬 벡터 메모리 도입

작성자가 Claude의 한계를 직접 해결하기 위해 구축한 도구에 대해 100명 이상의 사용자가 확보되는 등 긍정적인 반응을 얻고 있다.

• Claude의 반복적인 실수를 방지하려면 프로젝트 컨벤션과 기술 스택을 명시한 설정 파일을 에이전트에게 제공하라.
• 로컬 환경에서 가벼운 벡터 검색 시스템을 구축하고 싶다면 sqlite-vec 라이브러리 활용을 검토하라.
• 에이전트의 작업 결과에 정량적 점수를 부여하고 이를 다음 세션의 프롬프트에 반영하여 개인화된 응답을 유도하라.

• 서브에이전트 아키텍처를 활용하면 메인 LLM 세션의 컨텍스트 부하를 줄이면서 검토 및 조사와 같은 전문 작업을 병행할 수 있다.
• sqlite-vec와 로컬 임베딩 모델을 조합하면 API 비용이나 데이터 유출 걱정 없이 LLM에 강력한 장기 기억 저장소를 제공할 수 있다.
• 사용자 평점 기반의 스코어카드 시스템은 세션이 바뀔 때마다 에이전트가 사용자의 작업 스타일과 요구사항을 학습하게 만드는 실무적인 방법이다.
• 프로젝트 컨텍스트 파일(pact-context.yaml)을 통해 에이전트에게 기술 스택과 제약 사항을 미리 학습시키면 제로샷 상태에서의 실수를 크게 줄일 수 있다.