이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
ActiveGraph는 LLM 중심의 에이전트 설계에서 벗어나 불변 이벤트 로그를 중심으로 에이전트를 구축하는 프레임워크이다. 모든 에이전트의 행동과 상태 변화를 타입이 지정된 로그로 기록하여 그래프 형태로 투영함으로써 리플레이, 롤백, 포크 기능을 기본적으로 제공한다. 이 아키텍처는 1970년대 블랙보드 시스템과 Kafka에서 영감을 받았으며, 에이전트가 스스로 코드를 수정하고 샌드박스 테스트를 통해 성능을 개선하는 자율적인 루프를 가능하게 한다.
챕터별 상세
00:00
ActiveGraph와 BabyAGI의 3년
Yohei Nakajima는 3년간 BabyAGI를 개발하며 에이전트의 장기 실행 시 발생하는 문제들을 경험했다. 500개 질문을 처리하는 평가 도중 API 키가 만료되어 처음부터 다시 시작해야 하는 상황에서, 로그 기반의 새로운 접근 방식인 ActiveGraph를 고안했다.
BabyAGI는 초기에 주목받았던 자율 에이전트 프로젝트 중 하나이다.
01:55
LLM이 아닌 로그 중심의 에이전트 설계
대부분의 에이전트는 LLM을 중심으로 메모리와 도구를 연결하는 구조를 가진다. ActiveGraph는 이를 뒤집어 불변 이벤트 로그를 중심으로 에이전트를 구축한다. 모든 행동과 변화를 타입이 지정된 로그로 기록하고 이를 그래프 상태로 투영하여 리플레이, 롤백, 포크를 지원한다.
이벤트 소싱 패턴을 에이전트 상태 관리에 적용한 사례이다.
python
graph.add_object(research, id=m.id, depends_on=target.id)그래프에 객체를 추가하고 의존 관계를 설정하는 이벤트 발생 예시
03:24
행동, 정책, 뷰
로그 위에 행동(Behavior)과 정책(Policy)을 배치한다. 행동은 그래프 변화에 반응하여 이벤트를 발생시키고, 정책은 에이전트가 스스로 변경할 수 있는 범위와 인간의 개입이 필요한 부분을 결정한다. LLM은 서로 직접 통신하지 않고 공유된 상태를 통해서만 상호작용한다.
python
@behavior(name='contradiction_detector', on='object.created', where={'object.type': 'claim'}, patterns={'c:claim'}-['contradicts']->{'other:claim'})그래프 변화를 감지하여 특정 조건에서 동작하는 행동(behavior) 정의 예시
06:43
팩(Packs)과 블랙보드 아키텍처
객체 스키마, 도구, 행동 등을 모듈화하여 팩(Pack) 단위로 번들링한다. 이는 1970년대 블랙보드 아키텍처와 유사하며, 모듈을 쉽게 교체하거나 결합할 수 있다. AI는 이러한 구조화된 아키텍처 스타일의 코드를 작성하는 데 더 뛰어난 성능을 보인다.
08:12
로그를 메모리로 활용하기
이벤트 로그 자체를 메모리로 활용하는 실험을 진행했다. LongMemEval 벤치마크에서 85.6%의 정확도를 기록했으며, API 키가 만료되어 중단된 후 재개했을 때 이전 상태를 유지하며 문제 353번부터 다시 시작하는 모습을 보였다.
기존 RAG와 달리 로그의 순서와 구조를 활용한 메모리 방식이다.
09:53
로그 기반의 참조 에이전트
ActiveGraph를 기반으로 코딩 에이전트와 딥 리서치 에이전트를 구축했다. 에이전트가 스스로 코드 오류를 발견하고 PR을 생성하거나, 연구 결과를 바탕으로 블로그 포스트를 작성하는 과정을 자동화했다.
11:11
자율적 성능 개선 루프
에이전트가 스스로를 포크하고 패치를 제안한 뒤 샌드박스 테스트를 거쳐 정확도가 향상될 경우에만 변경 사항을 적용하는 루프를 구현했다. 이를 통해 통계적으로 유의미한 성능 향상을 확인했으며, 무엇이 실패했는지에 대한 기록도 남길 수 있다.
12:25
ActiveGraph Lab의 실험
ActiveGraph Lab은 자신의 블로그와 GitHub 저장소를 읽고 스스로 실험을 설계하고 실행한다. 코드 내 오류를 발견하고 수정하는 PR을 직접 생성하는 등 자율적인 개선 과정을 보여주었다.
13:02
포켓몬 카드 게임 테스트베드
포켓몬 TCG AI 배틀 캐글 대회를 테스트베드로 활용했다. LLM 없이 결정론적 에이전트를 제출하고, ActiveGraph를 사용하여 80번의 패스를 통해 덱을 최적화했다. 승률이 27%까지 향상되는 결과를 얻었다.
캐글은 데이터 과학 및 머신러닝 경진대회 플랫폼이다.
14:33
AI 아키텍처의 장점
AI가 LLM 기반의 일반적인 에이전트보다 이러한 로그 기반 아키텍처를 더 잘 설계하는 것으로 나타났다. 디버깅 과정이 세션 로그가 아닌 ActiveGraph DB를 쿼리하는 방식으로 전환되어 효율성이 높아졌다.
15:49
경험적 세계 모델의 필요성
장기 실행 에이전트에는 예측적 세계 모델뿐만 아니라 경험적 세계 모델이 필요하다. 에이전트의 정체성은 추론 능력 자체가 아니라 경험에서 파생된 신념, 지식, 행동에 의해 결정되므로 이를 로그로 기록하는 것이 중요하다.
용어 해설
- 이벤트 소싱(Event Sourcing)
- — 애플리케이션의 상태 변화를 개별 이벤트의 연속으로 저장하는 데이터 아키텍처 패턴이다. 현재 상태를 저장하는 대신 모든 변경 이력을 기록하여, 특정 시점의 상태를 재구성하거나 과거로 되돌리는 리플레이와 롤백을 가능하게 한다.
- 블랙보드 아키텍처(Blackboard Architecture)
- — 여러 독립적인 전문가 시스템(에이전트)이 공유된 데이터 저장소(블랙보드)를 통해 간접적으로 통신하며 문제를 해결하는 구조이다. 에이전트 간 직접적인 상호작용 없이 공유 상태를 통해 협업하는 방식이다.
- 불변 로그(Immutable Log)
- — 한 번 기록되면 수정이나 삭제가 불가능한 데이터 기록 방식이다. 에이전트의 모든 행동과 상태 변화를 순차적으로 기록하여, 시스템의 신뢰할 수 있는 단일 진실 공급원(Single Source of Truth) 역할을 수행한다.
언급된 리소스
GitHubActiveGraph GitHub
DemoActiveGraph Lab
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 23.수집 2026. 07. 23.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.
