통합 메모리 및 MCP 기반 컨텍스트 레이어 독립 아키텍처
AI 모델과 에이전트 하네스(Claude Code, Cursor, OpenCode, Gemini CLI 등)가 점차 상품화(Commoditized)됨에 따라, 에이전트의 독점적 가치와 차별성(Moat)은 모델 자체가 아닌 사용자 컨텍스트 레이어(Context Layer) / 메모리의 소유 여부에 있습니다. 특정 벤더나 도구에 종속되지 않는 진정한 에이전틱 제어권(Freedom)을 확보하기 위해 제안되는 아키텍처입니다.
1. 핵심 아키텍처 구성 요소
본 독립 아키텍처는 크게 독립적인 저장소와 이식가능한 프로토콜 인터페이스의 2분할(Two-part) 구조로 설계됩니다.
- Unified Memory (통합 메모리 스토어)
- 모델이나 하네스 환경과 완전히 결합도가 낮은 보편적 데이터베이스(예: MongoDB, 로컬 Markdown 파일 시스템 등)에 개별 사용자의 모든 기억(대화 이력, 선호도, 과거 작업물, 도메인 지식 등)을 축적합니다.
- 이를 통해 특정 상용 에이전트 도구의 세션 유실이나 벤더 정책 변경 시에도 개인 컨텍스트 데이터를 온전히 소유할 수 있습니다.
- MCP Server (Model Context Protocol)
- 통합 스토어의 데이터를 다양한 에이전트 도구가 일관되게 읽고 쓸 수 있도록 매핑하는 브릿지 인터페이스입니다.
- MCP 규격을 준수함으로써, 동일한 메모리 스택을 유지한 채 작동 주체(Claude Code, Cursor 등)를 자유롭게 전환하며 사용자 지식을 실시간 동기화할 수 있습니다.
2. 확장 설계 및 피드백
- 다중 에이전트 공유 메모리 (Shared Brain)
- 단일 에이전트 프레임워크를 넘어, 다수의 전문 에이전트 함대(Multi-Agent System)가 하나의 마크다운 위키(예: Karpathy-style Wiki) 또는 독립 스토어를 공유 뇌(Shared Brain)로 삼아 비동기 쓰기를 수행하는 모델로 확장됩니다.
- 노이즈 필터링 및 우선순위 관리
- 불필요하거나 중복되는 저신호 정보가 메모리를 오염시키는 현상(Context Contamination)을 막기 위해, 수집 단계에서 스마트 필터링이 필요합니다.
- 검색 정렬 피드백 루프 (Retrieval RLHF)
- 정적 임베딩 검색의 한계를 상쇄하기 위해, 사용자가 실제로 메모리에서 인용하거나 수락한 기록을 추적하여 벡터 검색 엔진의 스코어링을 동적으로 강화하는 RLHF(피드백 정렬) 기법을 병행 도입하는 것이 권장됩니다.