연구 에이전트 구축의 새로운 방법론

Andrej Karpathy가 연구 에이전트를 구축하는 더 깔끔한 방법을 보여줬는데, 이건 AI에서 가장 어리석은 루프를 제거해 줍니다:

검색 → 답변 → 망각 → 다시 검색

그는 기본적으로 메모리를 실제 시스템으로 바꿉니다:

원천 자료(raw sources)는 그대로 유지되고,
에이전트가 이를 한 번 읽어 들인 후,
유용한 부분들을 연결된 위키 페이지로 변환합니다.
그리고 새로운 질문이 들어올 때마다 항상 이 위키를 먼저 확인합니다.

그래서 루프가 이렇게 바뀝니다:

질문이 들어옴
위키를 먼저 검색함
빈틈(gaps)이 발견되면 에이전트를 원천 자료로 되돌림
답변은 다시 위키에 작성됨
시스템은 다음 실행을 이전보다 더 똑똑하게 만듦

이것이 핵심입니다.

'메모리'가 더 이상 거대한 채팅 기록 속에 묻혀있지 않습니다.

그것은 에이전트가 실제로 작업할 수 있는 파일 안에 존재합니다:

읽을 수 있는 페이지들
따라갈 수 있는 링크들
업데이트할 수 있는 노트들
발견할 수 있는 빈틈(gaps)
수정할 수 있는 오래된 주장들(stale claims)

충분한 실행을 거치면, 일회성 답변만 얻는 것이 아니라,
실제 지식 기반(knowledge base)을 갖게 됩니다.

이것이 단순히 '더 나은 RAG'보다 더 크다고 느껴지는 이유입니다.

일반적인 연구 에이전트는 100개의 질문을 처리하고 100개의 죽은 채팅 기록만 남깁니다.
Karpathy의 설정은 같은 100개의 질문을 처리하면서도, 복리 효과를 내는 연구 시스템을 남깁니다.

아키텍처는 터무니없이 간단합니다:

raw/ = 진실의 원천(source of truth)
wiki/ = 유지되는 지식(maintained knowledge)
schema = 전체가 업데이트되는 규칙

검색은 여전히 중요하지만,
더 이상 제품 전체를 차지하지 않습니다.

제가 즉시 훔치고 싶은 부분은 이것입니다:

에이전트에게 기억하는 것을 더 어렵게 만들지 말고,
기억할 가치가 있는 무언가를 쓰도록 만드세요.