Agent Memory on ICE-ICE-BEAR-BLOG

AI 코딩 에이전트의 OS 레이어 — agentmemory와 agent-skills 같은 날 동시 등장

Fri, 08 May 2026 00:00:00 +0900

개요

같은 시각 30초 간격으로 등장한 두 GitHub 링크. 둘 다 “AI 코딩 에이전트의 ergonomic 결함"을 풀려는 도구지만, 노리는 결함이 다르다. rohitg00/agentmemory는 세션 간 메모리 인프라를, addyosmani/agent-skills는 시니어 엔지니어의 워크플로 강제력을 푼다. 묶어서 보면 에이전트 시대의 OS 레이어가 모양을 갖추고 있다.

graph TD
 Agent["AI 코딩 에이전트"] --> Memory["메모리/상태 레이어"]
 Agent --> Skills["워크플로/룰 레이어"]
 Agent --> Model["모델 레이어"]
 Agent --> UI["UI 레이어"]

 Memory --> AM["agentmemory <br/> MCP + REST"]
 Skills --> AS["agent-skills <br/> Markdown 스킬 번들"]
 Model --> Claude["Claude / GPT / Gemini"]
 UI --> CC["Claude Code / Cursor / Cline"]

1. agentmemory — 영속 메모리, MCP로 모든 에이전트와 공유

rohitg00/agentmemory는 "#1 Persistent memory for AI coding agents based on real-world benchmarks” 를 표방한다. 2026-02-25 생성, 약 2,400 stars, Apache 2.0. 홈페이지는 agent-memory.dev.

풀려는 문제

매 세션마다 아키텍처를 다시 설명해야 함
같은 버그를 다시 발견함
같은 선호(라이브러리 선택, 코드 스타일)를 다시 가르쳐야 함
CLAUDE.md나 .cursorrules 같은 빌트인 메모리는 200줄 cap에 stale

작동 방식

에이전트가 한 일을 silently capture → 압축 → 검색 가능한 메모리로 저장 → 다음 세션 시작 시 적절한 컨텍스트만 inject. 핵심은 단일 MCP 서버 1개만 띄우면 16개 이상 에이전트가 같은 메모리를 공유한다는 것.

지원되는 클라이언트:

Claude Code · Cursor · Gemini CLI · Codex CLI
Cline · Goose · Windsurf · Roo Code · OpenCode
MCP가 안 되는 에이전트도 REST API로 붙음 (104개 endpoint)

임베딩은 로컬 all-MiniLM-L6-v2를 사용 → API 키 필요 없음, 무료.

벤치마크 — LongMemEval-S

LongMemEval (ICLR 2025, 500 questions) 결과:

지표	agentmemory	BM25 fallback
R@5	95.2%	86.2%
R@10	98.6%	—
MRR	88.2%	—

임베딩 + 하이브리드가 단순 키워드 BM25보다 R@5 기준 9%p 높다.

토큰 절감

방식	연간 토큰	연간 비용
풀 컨텍스트 paste	19.5M+	컨텍스트 window 초과
LLM-summarized	~650K	~$500
agentmemory	~170K	~$10
agentmemory + local embed	~170K	$0

시작

npx @agentmemory/agentmemory

의미

이 도구의 핵심 베팅은 한 줄로 정리된다 — “메모리는 에이전트가 아니라 인프라 레이어에 있어야 한다.” 에이전트별로 메모리를 짜는 대신 MCP 서버 1개로 모든 에이전트가 공유하면, Claude Code 세션에서 학습한 게 다음 Cursor 세션에 그대로 흘러간다. 50일 전쯤 viral한 GitHub gist(1,050 stars)에서 시작 → 그 디자인 문서를 코드로 구현한 형태. Karpathy의 LLM Wiki 패턴 + confidence scoring + lifecycle + knowledge graph + hybrid search.

2. agent-skills — 시니어 엔지니어의 워크플로를 스킬로 패키징

addyosmani/agent-skills는 “Production-grade engineering skills for AI coding agents.” 를 표방한다. 2026-02-15 생성, 약 33,500 stars, MIT. 동일 시점 비교에서 agentmemory보다 14배 많은 stars — 워크플로 표준 후보로 가장 빠르게 모이는 곳이다.

풀려는 문제

“에이전트가 코드를 짜기는 짜는데, 시니어가 한 것 같지 않다.”

스펙 없이 바로 코드 짠다
테스트를 안 짠다
보안 고려가 없다
큰 PR을 한 번에 던진다

6단계 라이프사이클

DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP
/spec /plan /build /test /review /ship

각 슬래시 커맨드 = 라이프사이클 한 단계 → 필요한 스킬을 자동 활성화.

20개 스킬 분류

Define: idea-refine, spec-driven-development
Plan: planning-and-task-breakdown
Build: incremental-implementation, test-driven-development, context-engineering, source-driven-development, frontend-ui-engineering, api-and-interface-design
Verify: browser-testing-with-devtools, debugging-and-error-recovery
Review: code-review-and-quality, code-simplification, security-and-hardening, performance-optimization
Ship: git-workflow-and-versioning, ci-cd-and-automation, deprecation-and-migration, documentation-and-adrs, shipping-and-launch

어디서 동작하나

Claude Code (marketplace 설치, 권장): /plugin marketplace add addyosmani/agent-skills
Cursor: .cursor/rules/에 SKILL.md 복사
Gemini CLI · Windsurf · OpenCode · GitHub Copilot · Kiro IDE · Codex — 마크다운만 읽으면 다 동작

Agent Personas

code-reviewer — Senior Staff Engineer 관점, “would a staff engineer approve this?”
test-engineer — QA, Prove-It 패턴
security-auditor — OWASP, threat modeling

의미

agent-skills의 베팅은 “에이전트는 LLM 무게가 아니라 워크플로의 강제력에서 차이가 난다.” TDD를 “할 수 있다” 가 아니라 “Red-Green-Refactor를 안 하면 코드가 안 나간다” 같은 강제 흐름으로 만든다. 코드 리뷰도 5축 review, 100줄 단위 size, Nit/Optional/FYI severity 라벨 같은 구체 룰. Markdown만으로 풀어서 에이전트 종속성 zero — Claude/Cursor/Gemini 다 같은 스킬을 쓸 수 있다. 33K 스타가 말해주듯 현재 에이전트 워크플로 표준에 가장 가까운 후보다.

3. 두 도구 비교

항목	agentmemory	agent-skills
누가	rohitg00	addyosmani
무엇	TypeScript 라이브러리 + MCP 서버	Markdown 스킬 번들
라이선스	Apache 2.0	MIT
Stars (2026-05)	~2,400	~33,500
생성	2026-02-25	2026-02-15
도메인	메모리/상태 인프라	엔지니어링 워크플로
종속성 끊는 방식	MCP 표준	Markdown 표준

4. 묶어서 본 의미 — 에이전트 시대의 OS 레이어

flowchart LR
 M["메모리/상태"] --> AM["agentmemory"]
 W["워크플로/룰"] --> AS["agent-skills"]
 Mo["모델"] --> LLM["Claude / GPT / Gemini"]
 UI["UI"] --> Tools["Claude Code / Cursor / Cline"]

3-4년 전 “어떤 IDE 쓰지?” 가 결정 포인트였다면, 이제는 “어떤 메모리 + 스킬 셋업?” 이 결정 포인트가 되고 있다. 둘 다 모델 종속성을 의도적으로 끊어두고 (MCP와 Markdown), 모델은 갈아치울 수 있어도 메모리/스킬은 누적되도록 설계한 게 공통점이다.

인사이트

같은 시각 같은 사람이 30초 간격으로 등장시킨 두 링크가 정확히 에이전트 OS 레이어의 다른 두 슬롯을 메우고 있다는 점이 이 디지스트의 핵심이다. agentmemory는 상태를, agent-skills는 프로세스를 인프라 레이어로 끌어내려 모델 위에 올라가는 공통 부품으로 만들었다. 두 도구가 모델 종속성을 의도적으로 끊는 방식 — MCP 서버 하나, Markdown 한 더미 — 도 같은 방향이다. 모델은 갈아치워도 메모리와 스킬은 누적된다는 베팅. 33K vs 2.4K stars 차이는 시점 차가 아니라 워크플로 표준 후보가 메모리 인프라보다 한발 앞서 모이고 있다는 신호로 읽힌다. 다음 분기 흥미로운 질문은 두 가지 — 메모리 표준이 MCP 위에서 단일화될지, 그리고 agent-skills 같은 스킬 번들이 IDE 마켓플레이스의 새로운 SaaS 카테고리가 될지. 결정 포인트가 IDE 선택에서 메모리·스킬 셋업으로 옮겨가는 흐름은 이미 시작됐다.

참고

핵심 리포지토리

rohitg00/agentmemory · 홈페이지 agent-memory.dev
addyosmani/agent-skills

관련 에이전트 / 클라이언트

Claude Code · Cursor · Cline · Windsurf
Gemini CLI · Codex · OpenCode · Goose · Roo Code
GitHub Copilot · Kiro IDE

프로토콜과 표준

Model Context Protocol (MCP)
OWASP — security-auditor 페르소나의 기준

벤치마크 / 임베딩

논문: LongMemEval (arXiv:2410.10813, ICLR 2025)
sentence-transformers/all-MiniLM-L6-v2 — agentmemory의 로컬 임베딩 모델

이번 주 arxiv 논문 3편 디지스트 — 멀티에이전트 토론, MIA, 후설 현상학

Wed, 06 May 2026 00:00:00 +0900

개요

며칠 사이 등장한 arxiv 논문 3편. 시기·주제·접근이 모두 다르지만 묶어서 보면 “AI agent의 추론 향상은 어디서 오는가?” 라는 한 질문에 협력·영속성·구조라는 다른 각도로 답한다. 단일 LLM 추론 강화의 plateau가 보이는 시점에, 다음 라운드의 키워드가 어디서 오는지를 본다.

graph TD
 Q["AI agent의 추론 향상은 어디서?"] --> Coop["협력 (Cooperation)"]
 Q --> Pers["영속성 (Persistence)"]
 Q --> Struct["구조 (Structure)"]

 Coop --> P1["Multiagent Debate <br/> 2305.14325 (2023)"]
 Pers --> P2["Memory Intelligence Agent <br/> 2604.04503 (2026)"]
 Struct --> P3["Husserl + Active Inference <br/> 2208.09058 (2022)"]

#	논문	연도	한 줄 요약
1	Multiagent Debate	2023	여러 LLM 인스턴스가 토론하면 추론이 향상된다
2	Memory Intelligence Agent (MIA)	2026	Deep Research Agent엔 진화하는 메모리가 필요하다
3	Husserlian Phenomenology + Active Inference	2022	의식의 현상학을 계산 모델로 매핑한다

1. Multiagent Debate — 2305.14325

Yilun Du, Shuang Li, Antonio Torralba, Joshua B. Tenenbaum, Igor Mordatch — MIT (2023-05). ICLR 2025 accepted.

핵심

하나의 LLM에게 더 잘 추론하라고 하는 대신, 여러 LLM 인스턴스가 서로 답을 제시하고 토론하게 한다. 다중 라운드를 거치며 공통 답변에 도달한다. 마빈 민스키의 Society of Mind 접근법을 LLM에 도입한 셈.

Contribution

멀티에이전트 토론 프레임워크 → 수학·전략적 추론 향상
할루시네이션 감소, 사실적 타당성 개선
블랙박스 LLM에 그대로 적용 가능, 모든 태스크에 같은 프롬프트 — fine-tuning 불필요
단일 모델 강화가 아닌 인스턴스 협력으로 추론을 끌어올린 첫 번째 깔끔한 결과

왜 지금 다시 보나

2023년 5월 논문이지만 2026년 시점에서 더 의미가 커졌다. 단일 모델 추론 강화의 plateau가 보이는 시점에, GPT-Realtime-2가 강조하는 parallel tool call 의 흐름과 곧장 연결된다. agent-skills 같은 인프라 도구가 여러 에이전트 동시 운용을 전제로 설계되는 이유의 이론적 근거이기도 하다.

2. Memory Intelligence Agent (MIA) — 2604.04503

Jingyang Qiao 외 (2026-04). Deep Research Agent 계열을 정조준한 메모리 아키텍처 논문.

핵심

Deep Research Agent — LLM 추론 + 외부 도구를 결합한 에이전트 — 의 약점은 메모리다. 기존 방식(과거 궤적 retrieval)은 비효율적이고 저장·검색 비용이 폭증한다. MIA는 Manager-Planner-Executor 3계층 아키텍처 + 비매개변수(non-parametric) 메모리 + 매개변수(parametric) 에이전트 2종으로 푼다.

flowchart LR
 M["Manager <br/> (메모리 압축/관리)"] --> P["Planner <br/> (검색 계획)"]
 P --> E["Executor <br/> (정보 분석)"]
 E -->|"trajectory"| M
 M -.->|"non-parametric ↔ parametric"| P
 M -.->|"non-parametric ↔ parametric"| E

Contribution

압축된 검색 궤적을 저장하는 비매개변수 메모리
교대 강화학습 — Planner와 Executor가 번갈아가며 강화. 검색 계획 수립과 정보 분석을 분리.
테스트 시간 학습 (test-time learning) — 추론을 멈추지 않고 on-the-fly로 Planner 업데이트
매개변수 ↔ 비매개변수 메모리 양방향 변환 — 효율적 메모리 진화
11개 벤치마크 우수 성능

왜 지금 다시 보나

agentmemory 같은 도구의 학술적 배경이다. agentmemory와 이 논문이 며칠 차이로 등장한 사실 자체가 “메모리가 다음 라운드 에이전트의 핵심 차별화 요소” 라는 업계 합의를 보여준다. Manager-Planner-Executor 분리는 향후 멀티에이전트 프레임워크의 사실상 표준 후보로 보인다. MCP 같은 도구 인터페이스 표준이 자리잡는 흐름과 묶어 봐야 한다.

3. Husserlian Phenomenology + Active Inference — 2208.09058

Mahault Albarracin, Riddhi J. Pitliya, Maxwell J. D. Ramstead, Jeffrey Yoshimi (2022-08). Karl Friston의 active inference 프레임워크를 에드문트 후설의 현상학에 매핑한 작업.

핵심

현상학(phenomenology) = 의식 경험의 엄밀한 기술적 연구. 이 논문은 후설의 의식 기술을 active inference — 뇌가 생성 모델로 세계를 예측한다는 신경과학 프레임워크 — 의 수학적 구성요소에 매핑한다.

Contribution

후설의 시간의식(time consciousness) — retention/protention — 이론을 active inference에 연계
현상학적 기술 ↔ 계산 신경과학 모델 간 이론적 다리
의식의 구조를 **생성 모델(generative model)**의 구성 요소로 해석
계산 현상학(computational phenomenology) 학제 분야의 발전

왜 지금 다시 보나

이건 가장 추상적이지만 가장 흥미롭다. AI agent가 “메모리"와 “추론"을 갖춰가면서, “agent가 경험을 어떻게 구조화하는가” 가 다시 철학적 질문이 된다.

MIA의 메모리 진화 ≈ 후설의 retention/protention?
Multiagent debate ≈ 의식의 자기-반성 구조?

PDF 직접 링크(/pdf/)가 회자되는 건 누군가 본문까지 진짜 읽고 있다는 신호. “AI agent의 다음 라운드는 인지과학에서 온다” 같은 베팅을 하는 시야가 있다는 뜻이다.

묶어서 본 흐름

세 논문이 향하는 곳: 단일 LLM의 한계 → 인스턴스 협력 + 진화하는 메모리 + 의식 구조의 차용.

차원	답	논문
협력	여러 인스턴스의 토론	Multiagent Debate (2023)
영속성	압축·진화하는 메모리	MIA (2026)
구조	시간의식 → 생성 모델	Husserl + Active Inference (2022)

이번 주의 픽이 우연히도 깔끔한 3-layer stack을 만든다. agentmemory + agent-skills(전 포스트)와 같이 보면 연구·도구·실무 합의가 같은 방향으로 수렴 중임이 드러난다.

인사이트

세 논문은 발표 시점도 주제도 다르지만, 묶어 읽을 때 같은 합의를 가리킨다 — 단일 LLM의 추론 plateau를 뚫는 길은 모델을 한 사이즈 더 키우는 게 아니라, 여러 인스턴스의 협력 + 진화하는 메모리 + 경험 구조의 명시적 모델링이라는 합의다. Multiagent Debate가 “어떻게 협력시키는가"의 첫 번째 깔끔한 답이라면, MIA는 “그 협력을 어떻게 시간에 걸쳐 누적시키는가"에 답하고, 후설 + Active Inference 매핑은 “그 누적이 결국 어떤 구조를 닮아가야 하는가"라는 더 먼 좌표를 던진다. agentmemory·agent-skills 같은 실무 도구와 이 세 논문이 며칠 차이로 등장한다는 점은 연구-도구-실무 합의가 같은 방향으로 수렴 중이라는 신호다. 다음 라운드의 차별화는 모델 크기가 아니라 협력 토폴로지·메모리 진화 정책·경험 구조 모델링에서 나올 가능성이 높다.

참고

Papers

Improving Factuality and Reasoning in Language Models through Multiagent Debate (2305.14325) — Du, Li, Torralba, Tenenbaum, Mordatch (MIT, 2023)
Memory Intelligence Agent (2604.04503) — Qiao 외 (2026)
Mapping Husserlian Phenomenology onto Active Inference (2208.09058) — Albarracin, Pitliya, Ramstead, Yoshimi (2022)

Related concepts

Society of Mind — Marvin Minsky의 다중 에이전트 인지 이론
Deep Research Agent — OpenAI의 도구 사용 에이전트 시스템
Active Inference / Free Energy Principle — Karl Friston
Husserl 현상학 (SEP) · Phenomenology (SEP)
Model Context Protocol (MCP) — 도구 인터페이스 표준
ICLR 2025

Background reading

arxiv.org — 프리프린트 서버
Yilun Du · Joshua Tenenbaum · Antonio Torralba · Igor Mordatch
Maxwell J. D. Ramstead
GPT-Realtime-2 (parallel tool call 도입)