이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
단일 에이전트의 한계를 극복하기 위해 부모-자식 에이전트 구조를 도입하고, iMessage를 통한 접근성과 고도화된 메모리 관리 시스템을 결합하여 실용성을 높였다.
배경
개발자 Chris Raroque가 이전에 구축했던 강력한 AI 에이전트를 완전히 폐기하고, 실무 경험을 통해 얻은 인사이트를 바탕으로 더 효율적인 구조로 재설계했다.
대상 독자
AI 에이전트를 직접 구축하려는 개발자, LLM 애플리케이션 아키텍처에 관심 있는 엔지니어
의미 / 영향
이 아키텍처는 개인용 AI 에이전트가 단순한 챗봇을 넘어 실제 비서 역할을 수행하기 위한 구체적인 설계 패턴을 제시한다. 특히 부모-자식 구조와 자가 정화 메모리 시스템은 LLM의 컨텍스트 제한과 비용 문제를 실무적으로 해결하는 데 기여한다. 개발자들은 이를 참고하여 자신만의 워크플로에 최적화된 고성능 에이전트를 더 빠르게 구축할 수 있게 될 것이다.
챕터별 상세
00:00
기존 에이전트 폐기 및 재구축 배경
기존에 구축했던 iOS 앱 기반 AI 에이전트는 iMessage 읽기, 일정 관리, 앱스토어 관리 등 강력한 기능을 갖추었으나 실제 사용 과정에서 한계를 발견했다. Anthropic의 Agent SDK와 Claude Code의 발전상을 지켜보며 더 나은 에이전트 구축 방법을 학습했고, 결국 기존 코드를 모두 버리고 처음부터 다시 설계하기로 결정했다. 새로운 에이전트는 사용자 인터페이스부터 내부 아키텍처까지 완전히 다른 접근 방식을 취했다.
01:22
iMessage 기반의 새로운 폼 팩터 도입
별도의 iOS 앱을 실행하는 대신 iMessage를 주 인터페이스로 선택했다. Poke와 같은 서비스에서 영감을 얻어 텍스트 메시지만으로 에이전트와 상호작용하도록 변경한 결과, 앱 실행의 번거로움이 사라지고 Apple Watch 등 다양한 기기에서 즉각적인 제어가 가능해졌다. 이러한 'Text to App' 방식은 사용자 경험을 획기적으로 개선했으며, 에이전트가 일상에 더 깊숙이 통합되는 결과를 낳았다.
03:02
iMessage 통합 기술 구현 방식
공식 iMessage API가 존재하지 않기 때문에 Sendblue라는 서비스를 활용하여 메시지 송수신을 구현했다. 사용자가 iMessage를 보내면 Sendblue가 이를 수신하여 Node.js 백엔드로 전달하고, 에이전트의 처리가 완료되면 다시 Sendblue API를 통해 사용자에게 답장을 보내는 파이프라인을 구축했다. 이 과정에서 수백 대의 iPhone/Mac을 백엔드에서 운영하는 비공식 제공업체들의 작동 원리를 파악했으며, 개인용으로는 Sendblue의 무료 플랜이 가장 적합함을 확인했다.
04:33
부모-자식(Parent-Sub) 에이전트 아키텍처
단일 에이전트가 수십 개의 도구를 관리하는 기존 방식은 문맥 혼란과 성능 저하를 야기했다. 이를 해결하기 위해 모든 요청을 수신하여 적절한 하위 에이전트를 생성(Spawn)하는 '부모 에이전트' 구조를 도입했다. 부모 에이전트는 라우터 역할만 수행하며, 이메일 작성이나 일정 확인 등 특정 작업에 최적화된 도구와 지침만 가진 '자식 에이전트'를 실시간으로 생성하여 작업을 할당한다. 이 방식은 전문가가 특정 업무를 수행하는 것과 같아 정확도와 효율성이 대폭 향상됐다.
08:06
Convex를 활용한 실시간 데이터 관리
에이전트의 대화 기록, 로그, 메모리를 저장하기 위해 Convex 데이터베이스를 도입했다. Convex는 실시간 동기화를 기본으로 지원하여 에이전트가 작업을 수행하는 과정을 대시보드에서 즉각적으로 모니터링하고 디버깅할 수 있게 해준다. 또한 내장된 Cron Job 기능을 통해 매일 밤 메모리를 정리하는 자동화 프로세스를 별도의 서버 구성 없이 구현했다. 모든 스키마와 로직이 코드로 관리되어 Claude Code나 Cursor 같은 AI 도구와의 협업 효율도 극대화됐다.
09:42
3단계 계층 및 자가 정화 메모리 시스템
메모리 비대화를 방지하기 위해 단기, 장기, 영구 메모리로 구성된 3단계 계층 시스템을 설계했다. 각 메모리는 중요도와 접근 빈도에 따라 감쇠(Decay) 속도가 다르며, 매일 밤 3개의 에이전트(통합자, 적대자, 판사)가 서로 논쟁하며 불필요한 메모리를 삭제하거나 병합하는 'Adversarial Memory Cleanup' 프로세스를 실행한다. 통합자가 삭제를 제안하면 적대자가 유지 명분을 찾고, 합의가 안 될 경우 판사 에이전트가 최종 결정하는 구조를 통해 인간의 망각 과정을 모방했다.
Adversarial Cleanup은 여러 AI 모델이 서로 다른 역할을 맡아 논리적 검증을 거치는 기법이다.
14:18
Agent SDK 사용의 장단점 분석
Anthropic의 Agent SDK를 사용하면 복잡한 에이전트 루프와 도구 주입을 단 몇 줄의 코드로 구현할 수 있다는 강력한 장점이 있다. 하지만 특정 플랫폼(Anthropic)에 종속된다는 점과 다른 프레임워크 대비 토큰 소모량이 매우 많아 운영 비용이 높다는 단점이 명확하다. 실제로 자가 정화 시스템 한 번 실행에 약 50달러가 소모되며, 에이전트 간 무한 루프 발생 시 순식간에 수백 달러의 비용이 발생할 수 있어 엄격한 가드레일 설정이 필수적이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 14.수집 2026. 04. 14.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
