즐거운 사람과 컴퓨터 즐거운 사람과 컴퓨터

Playwright를 두고 왜 Ego Lite가 등장했을까: 드라이버에서 에이전틱 브라우저 런타임으로의 진화핵심 요약: Playwright는 오늘날 대다수 AI 에이전트(Playwright MCP, Browser Use, Stagehand)의 핵심 실행 엔진으로 활약합니다. 그럼에도 최근 Ego Lite, Steel, Browserbase 같은 전용 도구가 쏟아져 나옵니다. 원인은 브라우저 조작 주체가 '정적 코드를 작성하는 인간 엔지니어'에서 '실시간 DOM을 추론하는 LLM'으로 바뀌었기 때문입니다. 에이전트가 전통적 자동화 드라이버를 직접 호출할 때 마주치는 4대 병목(프로필 락, 턴 바이 턴 왕복 지연, 포커스 탈취, 시각 토큰 낭비)을 해부하고, 브라우저 애플리케이션 자체가 에이전트 런타임으로 ..

대규모 언어 모델(LLM)이 단독 챗봇을 넘어 시스템 외부 세계와 상호작용하는 에이전트로 진화하면서, 도구 호출(Tool Calling) 표준으로 Model Context Protocol(MCP)이 급부상했다. 엔터프라이즈 환경에서 팀별로 수십, 수백 개의 MCP 서버를 배포하기 시작하자 마이크로서비스 초기와 유사한 인프라 혼란이 재현된다.각 에이전트 클라이언트는 개별 MCP 서버의 연결 주소를 직접 관리하고, 보안 정책과 권한 통제는 서버마다 제각각 흩어진다. 모델이 생성하는 도구 호출은 비결정론적이어서 기존 정적 방화벽이나 API 게이트웨이 규칙으로 방어하기 어렵다.이 문제를 해결하기 위해 에이전트와 도구 서버 사이의 단일 길목(Chokepoint)을 통제하는 에이전트 게이트웨이(Agent Gatew..

대규모 AI 분산 환경의 네트워크 병목이 대역폭(Throughput)에서 극단적인 마이크로 지연 시간(Tail Latency)으로 이동했다.과거 모델 학습(Training) 중심 워크로드는 수 기가바이트 단위의 가중치와 그래디언트를 전송하는 벌크 트래픽이 지배했다. 반면 최신 분산 추론과 복합 에이전트 시스템은 수십 바이트에서 수 킬로바이트 수준의 소형 메타데이터, 분산 KV 캐시 동기화, 라운드별 배리어 동기화(Barrier Synchronization)를 쉼 없이 교환한다.수백 개의 최신 GPU가 밀리초 단위로 연산을 마쳐도 단 하나의 네트워크 패킷 지연 때문에 전체 노드가 멈춘다. 스탠포드 대학교 존 오스터하우트(John Ousterhout) 교수가 이끄는 연구진은 반세기 동안 인터넷을 지탱한 TC..

Anthropic이 주도하고 리눅스 재단(Agentic AI Foundation)에 기부된 Model Context Protocol (MCP)은 AI 에이전트와 외부 도구·데이터를 연결하는 사실상 업계 표준으로 자리 잡았다. 초기 MCP(v1)는 데스크톱 단일 머신에서 실행되는 도구 연결기에 가까웠다. Claude Desktop이나 Cursor 같은 로컬 클라이언트가 PC 내부의 스크립트를 stdio 파이프로 엮는 데 집중했기 때문이다. 이 설계는 엔터프라이즈 클라우드 환경으로 넘어가는 순간 심각한 아키텍처 한계에 부딪혔다.공식 공개된 MCP v2 스펙과 신규 SDK는 단순한 라이브러리 리팩토링이 아니다. 로컬 프로세스 연결 규격을 클라우드 분산 환경과 멀티 에이전트 인프라를 지탱하는 웹 표준 에이전트 ..

마이크로서비스 아키텍처(MSA)에서 데이터 정합성을 다룰 때 가장 먼저 마주치는 해법이 사가(Saga) 패턴이다. 오늘날 카프카(Kafka) 기반 이벤트 코레오그래피나 템포럴(Temporal), 캠문다(Camunda) 같은 워크플로 오케스트레이터로 구현되는 이 패턴은 1987년 헥터 가르시아-몰리나(Hector Garcia-Molina)와 케네스 살렘(Kenneth Salem)이 발표한 논문 "Sagas"에 뿌리를 둔다.40년 전 데이터베이스 엔지니어들이 단일 DBMS 환경에서 마주했던 병목과 이를 극복하기 위해 제안한 원자성 완화(Relaxing Atomicity) 원리는 현대 분산 트랜잭션 설계의 본질을 그대로 관통한다.1. LLT(Long-Lived Transaction)와 전통 ACID의 붕괴전통..

컨텍스트 윈도우 확장이 해결하지 못하는 인지 인프라: 에이전트 4계층 기억 모델과 망각 정책 설계핵심 요약: 1M, 2M 토큰으로 팽창한 컨텍스트 윈도우는 에이전트의 영구 기억 문제를 해결하지 못합니다. 모든 대화 기록을 프롬프트에 밀어 넣는 방식은 주의력 분산(Attention Dilution), 지연 시간 증가, 과거 폐기 지식의 간섭을 부릅니다. 에이전트에게 필요한 인프라는 무한한 RAM이 아닌 기억을 분류하고 정제하는 기억 운영체제(Memory OS)입니다. 인지과학의 기억 모델을 공학으로 전환한 4계층 기억 분류(Working·Episodic·Semantic·Procedural), 시행착오를 누적하는 자가 반추(Self-Reflexion), 에빙하우스 반감기 수식 기반 감쇄, 로그 스케일 사용성..

계획 모드는 왜 죽었는가: 거대 계획 문서의 종말과 Understand-Act-Inspect 루프핵심 요약: 초창기 AI 코딩 도구는 환각과 빗나간 코드 생성을 막기 위해 엄격한 사전 계획 모드(Plan Mode)를 도입했습니다. 명세를 작성하고, 사람 승인을 받고, 코드를 생성하는 워터폴(Waterfall) 방식이었습니다. 하지만 모델 성능 향상과 에이전트 자율성 확대로 인해 수백 줄짜리 AI 생성 계획 문서는 사람이 읽기 힘든 인지 부채로 전락했습니다. 전 GitHub 엔지니어이자 Nuanced 창업자인 Ayman Nadeem의 실패 분석과 Claude Code 리드 Boris Cherny의 통찰을 바탕으로, 왜 선형 계획 모드가 퇴색하고 Understand → Act → Inspect 루프와 검증 ..

단순 벡터 RAG의 종말: FTS·그래프·임베딩을 결합한 에이전트 하이브리드 리콜 아키텍처핵심 요약: 많은 에이전트 시스템이 문서를 임베딩 모델에 넘겨 코사인 유사도로 청크를 꺼내오는 단일 벡터 RAG에 의존합니다. 고유명사 누락, 시간 순서 왜곡, 관계 추론 실패라는 벽에 부딪힙니다. 에이전트 기억 운영체제 Memento가 구현한 하이브리드 리콜(Hybrid Recall) 엔진을 분석합니다. 키워드(FTS)·임베딩 벡터·시맨틱 그래프(Entity-Predicate-Object)의 3축 병합, 스케일 불일치를 해소하는 신호 정규화, 다차원 인지 점수(관련성·최근성·중요도·절차 부스트) 융합 공식을 코드 레벨로 다룹니다.1. 단일 벡터 RAG가 에이전트 환경에서 무너지는 이유문서 요약 질의응답과 장기 실행..