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..

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 ..

프레임워크 종속 없는 경량 개인 비서 에이전트: TypeScript·Bun 헥사고날 아키텍처와 결정론적 하네스 구현 가이드핵심 요약: LangChain, LlamaIndex, CrewAI 등 시중의 고수준 AI 프레임워크는 빠른 데모 제작에는 유리하지만, 프로덕션 환경에서는 거대한 블랙박스 프롬프트, 런타임 오버헤드, 벤더 종속성이라는 치명적인 기술 부채를 남깁니다. 진정으로 신뢰할 수 있고 오래 지속되는 자율 비서 에이전트를 구축하기 위해서는 "외부 라이브러리 종속을 최소화하고, 도메인 코어와 외부 인프라를 엄격히 분리하는 헥사고날(Ports & Adapters) 아키텍처"가 필수적입니다.본 글에서는 고성능 자바스크립트 런타임인 Bun과 TypeScript를 기반으로, 외부 프레임워크 없이 바닥부터 구..

챗봇에게 "지난주에 말한 그 API 키 위치 다시 알려줘"라고 하면, 대부분의 에이전트는 묵묵부답이거나 "이전 대화는 기억하지 못합니다"라고 답한다. 세션만 바뀌어도 컨텍스트가 사라진다. 에이전트에게는 '기억'이 없기 때문이다. 이 글에서는 그 문제를 인정하고, 사람의 기억 구조를 모방한 Memento라는 MCP 서버로 에이전트에 지속적인 기억을 붙이는 방법을 소개한다.문제: 에이전트는 매 대화가 첫 만남이다세션 의존: 대화가 끊기면 이전 맥락이 전부 사라진다.반복 설명: 프로젝트 규칙, 선호 설정, 과거 결정을 매번 다시 말해야 한다.일관성 부족: 어제 추천한 방식과 오늘 추천이 달라질 수 있다.즉, 기억이 없으니 매번 "처음부터" 대화하는 것과 다르지 않다. 사람이라면 당연히 기억할 일들을 에이전트는..

MCP 기반 장기 기억 시스템 아키텍처: “저장”이 아니라 “기억”을 설계하는 법LLM 애플리케이션을 만들다 보면 금방 부딪히는 문제가 있습니다.대화가 길어질수록 맥락은 흐려지고, 중요한 정보와 덜 중요한 정보가 같은 무게로 쌓입니다. 결국 “기억하는 시스템”이 아니라 “쌓아두는 시스템”이 되기 쉽습니다.이번 글에서는 제가 작업한 Memento 프로젝트를 바탕으로, MCP(Model Context Protocol) 환경에서 장기 기억 시스템을 어떻게 아키텍처로 분해했는지 정리해보겠습니다. 핵심은 단순합니다.기억을 저장(memory)만 하지 않는다.필요할 때 찾고(search), 불필요하면 잊고(forgetting), 맥락을 고정(anchor)한다.이 흐름을 도메인 단위로 분리해 운영 가능하게 만든다.왜 ..

Intro: AI가 자신의 기억력을 평가할 수 있다면?"AI 에이전트가 단순히 정보를 꺼내오는(Recall) 것을 넘어, '내가 이 정보를 얼마나 자주, 얼마나 확실하게 기억해냈는지'를 알 수 있다면 어떨까요?"memento(GitHub) 프로젝트를 개발하며 항상 고민했던 것은 '기억의 품질'이었습니다. 단순히 저장된 텍스트를 벡터 검색으로 가져오는 것만으로는 부족했습니다. 어떤 기억은 매우 유용해서 자주 쓰이고(High Recall), 어떤 기억은 모호해서 신뢰도가 낮을 수(Low Confidence) 있습니다.이번 PR #77 은 바로 이 '메타 메모리(Meta-Memory)'를 구현하여, 에이전트에게 일종의 '메타인지(Meta-cognition)' 능력을 부여하는 작업이었습니다.The Challen..

Memento의 탄생 이야기AI를 개발에 활용하면서, 이상한 공백을 느꼈다.어제 했던 일을 오늘은 모른다.같은 대화를 반복해도, AI는 마치 처음 듣는 사람처럼 반응했다.그제서야 깨달았다.AI는 ‘지능’을 가지고 있지만, 기억은 없다는 사실을.조금 더 들여다보니 이유는 단순했다.LLM — Large Language Model.이름 그대로 언어를 다루는 모델이지, 기억을 위한 모델은 아니었다.언어는 이어지지만, 맥락은 이어지지 않았다.그때 생각이 들었다.“AI에게 기억을 만들어주면 어떨까?”AI가 스스로의 경험을 저장하고, 되짚을 수 있다면그건 단순히 똑똑한 도구를 넘어서**‘함께 일하는 존재’**로 발전할 수 있지 않을까.기억이란, 나의 흔적이다기억은 단순한 데이터가 아니다.내가 한 행위의 기록, 그 자..