TL;DR
로컬 CLI 에이전트들은 기본적으로 세션 간 문맥을 유지하지 못해 동일한 실수를 반복하고 도구 전환 시 상태가 초기화되는 문제가 있다. MACCHA는 OS-중립 파일 아키텍처를 중심으로 세 계층 메모리(동적 벡터 기반 Working Memory, AGENTS.md 기반 Meso Memory, learned-lessons/ 기반 Long-Term Memory)와 파일 기반 작업 파이프라인(todo → in-progress → done)을 제공하여 에이전트 간 컨텍스트 공유와 진행률 추적을 가능하게 한다. 작동 과정에서는 Memanto라는 벡터 검색 계층이 유사도와 confidence-decay로 관련 컨텍스트를 반환하고, 세션 종료 시 반성 훅이 핵심 교훈을 추출하여 장기 메모리에 보관한다. 또한 minimum-release-age=7d 같은 공급망 보호 규칙과 HITL·비밀 비기록 규칙을 기계적으로 강제하여 자동화의 편의성과 운영 안전성 사이의 균형을 유지한다.
실용적 조언
- 리포지토리를 클론하여 로컬 환경에 설치하면 AGENTS.md, todo.md, in-progress.md, done.md, learned-lessons/ 같은 파일 구조를 즉시 사용할 수 있다. 이 파일들을 단일 소스 오브 트루스로 지정하면 에이전트가 작업을 생성하고 상태를 이동시키며 자동 아카이빙을 수행하므로 작업 이력과 진행률 추적이 가능해진다. 보안 측면에서는 minimum-release-age=7d 규칙과 HITL 제약을 기본값으로 적용하여 자동 패키지 설치와 고위험 명령의 무분별한 실행을 예방할 것을 권장한다.
섹션별 상세
언급된 도구
로컬 CLI 에이전트에 공유 가능한 영구 메모리와 작업 파이프라인 및 보안 규칙을 제공하는 파일 기반 'BRAIN' 아키텍처
작업 메모리 계층에서 동적 벡터 검색과 신뢰도 감소(confidence-decay)를 책임지는 구성요소
로컬 코딩 에이전트 예시로서 MACCHA에 연결되어 컨텍스트를 재사용할 수 있는 대상
로컬 코딩 에이전트 예시로서 MACCHA에 연결되어 컨텍스트를 재사용할 수 있는 대상
언급된 리소스
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.