기존의 언어 모델 중심 에이전트 구조를 뒤집어, 이벤트 로그를 단일 진실 공급원(Source of Truth)으로 삼는 'ActiveGraph' 런타임을 제안합니다. 이 구조는 실행 기록을 그대로 재생(Replay)하고, 과거 특정 시점부터 안전하게 분기(Fork)하며, 전체 작업의 인과관계를 투명하게 추적할 수 있게 해줍니다. AI 에이전트의 투명성과 신뢰성, 그리고 자가 개선(Self-improving) 능력을 확보하는 데 매우 중요한 연구입니다.
최근 LLM 에이전트의 복잡한 워크플로우가 가능해짐에 따라, 에이전트 검색 시스템에서 검색 전략과 아키텍처 간의 상호작용을 체계적으로 비교한 연구가 발표되었습니다. 실험 결과, 벡터 검색 방식보다 전통적인 텍스트 검색 도구인 grep이 일반적으로 더 높은 정확도를 보였으며, 동일한 데이터를 사용하더라도 에이전트의 실행 환경(harness)과 도구 호출 방식에 따라 성능이 크게 달라지는 것으로 나타났습니다.
AI 에이전트를 구동하는 핵심 루프인 '하니스(harness)'를 샌드박스 내부가 아닌 외부(백엔드)에 배치해야 보안성과 안정성을 확보할 수 있다는 주장입니다. 특히 다수의 사용자가 동시에 에이전트를 사용하는 환경에서는 자격 증명(Credential) 유출 방지, 리소스 효율화, 장애 복구 등의 이점이 있어 외부 배치가 필수적입니다. 이 글은 실제 프로덕션 환경에서 하니스를 외부에 두기 위해 해결해야 했던 기술적 과제와 그 이유를 설명합니다.
문서 검색에 쓰이는 전통적인 RAG 방식의 한계(정확한 문법 누락, 다중 페이지 탐색 불가 등)를 극복하고자 가상 파일시스템인 ChromaFs를 도입한 사례입니다. 이를 통해 샌드박스 컨테이너 생성에 걸리던 46초의 지연 시간을 100밀리초로 단축하고 연간 7만 달러 이상의 인프라 비용을 절감했습니다. 기존 DB 인프라를 재사용해 추가 비용 없이 에이전트가 셸 명령어(ls, grep 등)로 문서를 탐색할 수 있게 한 것이 핵심입니다.