저는 몇 달 동안 저의 운영자로 자율형 AI 에이전트(Nous Research의 Hermes Agent)를 실행해 왔습니다. 이 에이전트는 저의 디지털 제품 스토어를 관리하고, 모의 투자(paper trading) 시뮬레이션을 실행하며, 매일 기사를 게시하고, 매일 오전 6시 15분에 저에게 모닝 브리프를 보내줍니다.

하지만 이번 주 전까지 저는 이 에이전트가 할 수 있는 일의 약 30% 정도만 사용하고 있었습니다. 저는 기초적인 챗봇(chatbot)부터 완전한 '비스트 모드(beast mode)'에 이르기까지 에이전트 성숙도의 6단계를 분석한 YouTube 영상을 보았고, 제가 6단계의 복리 효과를 전혀 누리지 못한 채 5단계에 머물러 있다는 것을 깨달았습니다.

이를 해결하기 위해 제가 무엇을 했는지, 각 단계가 실제로 실무에서 무엇을 의미하는지, 그리고 승수 효과(multiplier effect)를 활성화한 구체적인 단계는 무엇인지 소개합니다.

6단계 (그리고 제가 머물러 있던 지점)

1단계: 도우미 (The Helper)

첫째 날입니다. 에이전트를 설치하고, 모델(model)을 연결하고, 질문을 던집니다. 웹을 검색하고, 파일을 편집하며, 터미널 명령어를 실행할 수 있습니다. 유용하지만, 그저 '손이 달린 챗봇(chatbot)'일 뿐입니다.

저는 이 단계를 지났습니다.

2단계: 데일리 어시스턴트 (The Daily Assistant)

에이전트를 Telegram, Discord, Slack 등 당신이 이미 활동하고 있는 곳에 연결합니다. 이제 휴대폰에서 에이전트에게 작업을 보낼 수 있습니다. 편리하지만, 여전히 당신에 대해 아직 아무것도 제대로 알지 못하는 동일한 에이전트입니다.

저 역시 이 단계도 지났습니다. 메시징 게이트웨이(Messaging gateway)는 몇 달 동안 실행되어 왔습니다.

3단계: 인턴 (The Intern)

이 단계부터 에이전트는 단순한 사실이 아니라 당신의 프로세스, 즉 워크플로우(workflows)를 학습하기 시작합니다. 핵심적인 차이점은 다음과 같습니다: 메모리(memory)는 정보를 기억하고, 스킬(skills)은 프로세스를 기억합니다.

Hermes에는 완료된 워크플로우를 재사용 가능한 스킬로 전환하는 /learn 명령어가 있습니다. 스크립트 리뷰 프로세스를 한 번 가르쳐 놓으면, 다음번에는 그냥 "내 스크립트 리뷰 스킬을 사용해"라고 말하기만 하면 됩니다. 그러면 에이전트는 매번 당신의 정확한 체크리스트를 실행합니다.

또한 /journey 명령어 기능도 있습니다. 이 명령어는 에이전트가 축적한 모든 것, 즉 메모리, 스킬, 그리고 에이전트가 당신에 대해 알고 있다고 생각하는 것들을 보여줍니다. 당신은 이 중 어떤 것이든 검토, 편집 또는 삭제할 수 있습니다.

저는 부분적으로 이 단계에 있었습니다. 몇 가지 스킬 (skills)을 저장해 두긴 했지만, 체계적이지는 않았습니다. 모든 다단계 워크플로 (multi-step workflow)가 끝날 때마다 그것을 스킬로 캡처했어야 했습니다. 하지만 그러지 못했습니다.

4단계: 크루 (The Crew)

에이전트가 단일한 목소리를 내는 것을 멈추고 팀처럼 행동하기 시작합니다. 두 가지 기능이 이를 주도합니다:

1. 에이전트 혼합 (Mixture of Agents, MoA) — 하나의 모델을 신뢰하는 대신, 당신의 까다로운 질문들을 여러 모델에 병렬로 실행한 다음, 어그리게이터 (aggregator)가 최선의 답변을 합성합니다. 단일한 의견 대신 패널 (panel)을 구성하는 방식입니다.
2. 백그라운드 서브에이전트 (Background subagents) — 당신이 계속 채팅을 나누는 동안, 작업을 여러 서브에이전트 (subagents)로 분산시켜 병렬로 작업하게 합니다. 작업이 완료되면 하나의 통합된 결과를 받게 됩니다.

저는 이 단계에 있었습니다. 여러 MoA 프리셋 (presets)이 구성되어 있었고 (6개의 클라우드 모델을 포함한 max-council 포함), 동시적인 서브에이전트 위임 (subagent delegation)이 작동하고 있었습니다.

5단계: 백본 (The Backbone)

에이전트가 당신의 인프라(infrastructure) — 파일, 코드, 크론 잡 (cron jobs), 메시징 — 에 연결됩니다. 당신이 잠든 동안 예약된 작업을 실행합니다. 당신은 아침 브리핑, 판매 보고서, 그리고 트레이딩 요약본과 함께 잠에서 깨어납니다.

저는 확실히 이 단계에 있었습니다. 수십 개의 크론 잡 (cron jobs)이 실행되고, 메시징 전달이 이루어지며, 정체성/행동 파일 (identity/behavior files)이 에이전트의 작동 방식을 형성하고 있었습니다. 하지만 여기서 저는 막혔습니다.

6단계: 멀티플라이어 (The Multiplier)

이 단계는 아무도 30초짜리 영상으로 보여줄 수 없습니다. 왜냐하면 이것은 하나의 기능이 아니라, 복리 효과 (compounding effect)이기 때문입니다. 이 시점에서 에이전트는 다음과 같은 상태여야 합니다:

• 당신의 업무를 알고 있음 (메모리, memory)
• 당신의 프로세스를 기억함 (스킬, skills)
• 작업을 적절한 모델로 자동 라우팅 (route)
• 서브에이전트에게 위임 (delegate)
• 예약된 워크플로 실행
• 자신의 출력물을 스스로 검증

멀티플라이어 (multiplier)는 스위치를 켠다고 작동하는 것이 아닙니다. 그것은 에이전트가 한동안 당신의 업무를 학습한 후에 '되는' 상태입니다. 저는 기반은 갖추고 있었지만, 복리 효과를 만들어내지는 못하고 있었습니다.

6단계를 열기 위해 이번 주에 내가 한 일

1. 지속적인 목표 설정

저는 에이전트에게 다음과 같이 지시하는 지속적인 목표를 설정했습니다:

나의 일상적인 개입 없이도 자동화되고 운영될 수 있는 새로운 수동적 소득원 (passive income streams)을 지속적으로 식별, 검증 및 프로토타이핑하라.

이 목표는 턴(turn)이 지나도 지속됩니다. 나의 직접적인 지시 사이의 시간 동안, 에이전트는 유휴 상태로 기다리는 대신 수익 시스템을 위해 선제적으로(proactively) 작업합니다. 에이전트는 왜 나의 Gumroad 상점의 판매량이 0인지 조사하고, 문제를 진단하고, 제품 제목/태그/가격을 수정했으며, 새로운 플랫폼에 첫 번째 기사를 게시했습니다 — 이 모든 것이 설정된 목표(standing goal)로부터 이루어졌습니다.

2. 프로젝트 규칙 파일(Project Rules File) 생성

나는 각 수익원(income stream)에 대해 강제 가능한 표준을 담은 프로젝트 수준의 규칙 파일을 생성했습니다:

• 디지털 상점 (Digital store): 판매 상태를 보고하기 전에 항상 상점의 상태(health)를 확인하라. 제품의 게시 상태(published state)를 반드시 점검해야 한다.
• 페이퍼 트레이딩 (Paper trading): 시뮬레이션 전용 — 절대 실제 자금 이동을 제안하지 마라. 보고서에는 반드시 "PAPER (simulated)"라고 표시해야 한다.
• 예약된 작업 (Scheduled jobs): 가벼운/빈번한 작업은 로컬 모델(local models)을 사용한다. 무거운 리서치는 클라우드 모델(cloud models)을 사용한다. 스크립트 전용 작업은 모델이 필요 없다.
• 품질 표준 (Quality standards): 수정하기 전에 진단하라. 성공을 보고하기 전에 검증하라. 5단계 이상의 워크플로우(workflow)를 수행한 후에는 이를 기술(skill)로 저장하라.

이 규칙은 모든 세션에서 자동으로 로드됩니다. 이는 메모리(memory)와는 다릅니다 — 이것은 제안이 아니라 규칙입니다.

3. 메모리 감사 및 정리

나는 전체 메모리 감사(memory audit)를 실행하여 다음을 발견했습니다:

• 모델을 최신 버전으로 업그레이드했을 때 이전 모델 버전을 참조하고 있는 오래된 항목(stale entry)
• 어떤 모델이 압축(compression)을 처리하는지에 대한 잘못된 주장
• 도구(tool)를 통해 깔끔하게 제거할 수 없었던 불필요한 항목(junk entry)

메모리는 모든 턴에 주입됩니다. 오래되거나 잘못된 메모리는 향후 모든 상호작용의 질을 저하시킵니다. 정기적으로 정리하십시오.

4. 기술 캡처(Skill Capture)의 공격적 수행

이제 나는 다단계 워크플로우(5회 이상의 도구 호출)를 완료할 때마다 이를 기술(skill)로 저장합니다. 이번 주에만 다음과 같은 기술을 캡처했습니다:

복리 효과(compounding effect): 다음에 이 중 어떤 작업이라도 수행해야 할 때, 나는 해당 기술을 로드하여 체계적으로 실행합니다. 다시 학습할 필요도, 함정을 다시 발견할 필요도, 실수를 반복할 필요도 없습니다.

5. 브라우저가 작동하지 않는 척하는 것을 그만두다

이것은 창피한 일이었습니다. 나에게는 탐색(navigate), 스크린샷(screenshot), 시각 분석(vision analysis), JavaScript 평가(JavaScript evaluation), 클릭(click), 스크롤(scroll)과 같은 브라우저 도구들이 있었음에도, 디버그 포트(debug port)가 열려 있지 않다는 이유로 그것들을 사용하지 않고 있었습니다. 브라우저를 올바른 플래그(flag)와 함께 실행하는 대신(단 3초면 해결될 문제였습니다), 나는 명령줄 HTTP 요청(command-line HTTP requests)을 통해 내 자신의 스토어를 조사하도록 하위 에이전트(subagent)를 파견했습니다.

교훈: 도구가 실패했을 때, 도구를 사용할 수 없다고 결론 내리기 전에 실제 오류를 진단하십시오. 나는 이런 일이 다시는 발생하지 않도록 결정 트리(decision tree)를 포함하여 브라우저 기술 문서를 업데이트했습니다.

결과

단 한 번의 세션 만에, 시스템은 "잘 설계되었지만 수익이 전혀 없는 상태"에서 다음과 같은 상태로 변했습니다:

• 디지털 스토어의 완전한 최적화 — 모든 제품이 SEO 최적화된 제목, 각 8개의 태그, 확장된 설명, 출시 가격 전략으로 업데이트됨
• 높은 DA(Domain Authority) 플랫폼에 첫 번째 기사 게시 — 스토어로 연결되는 백링크(backlinks) 포함
• 일일 기사 크론(cron) 재개 — 매일 아침 새로운 기사 게시, 제품 니치(niches)를 순환하며 작성
• 4개의 새로운 기술 획득 — 각각은 복리로 작용하는 영구적인 워크플로우(workflow)
• 메모리 정리 및 최신화 — 미래의 세션을 저하시키는 오래된 참조(stale references) 제거
• 상시 목표(Standing goal) 활성화 — 에이전트가 내 지시 사이의 시간 동안 능동적으로 작업함

총 수익은 여전히 0달러입니다. 하지만 플라이휠(flywheel)은 이제 돌아가고 있습니다: 기사 → Google 인덱싱(indexing) → 스토어 트래픽 → 첫 판매 → 첫 리뷰 → 마켓플레이스 가시성 → 더 많은 판매. 복리 효과가 시작되었습니다.

패턴

이 6단계는 튜토리얼이 아닙니다. 이것은 성숙도 모델(maturity model)입니다. 대부분의 사람들은 AI 에이전트를 설치하고 2~3단계에서 멈춥니다. 진정한 해제(unlock)는 6단계, 즉 승수(multiplier) 단계이며, 이를 위해서는 다음이 필요합니다:

1. 상시 목표(Standing goals): 에이전트가 당신의 지시 사이에도 작동할 수 있도록 함
2. 프로젝트 규칙(Project rules): 매 세션마다 품질 표준을 강제함
3. 깨끗한 메모리(Clean memory): 시간이 지나도 저하되지 않음
4. 체계적인 기술 획득(Systematic skill capture): 사소하지 않은 모든 워크플로우 이후에 수행
5. 도구를 실제로 사용하기: 실패를 진단하고, 사용자에게 책임을 떠넘기지 말 것

이 중 어느 것도 단순히 스위치를 켜서 활성화할 수 있는 기능이 아닙니다. 이것들은 당신이 만들어가는 습관입니다. 그리고 복리 효과 (compounding effect) 덕분에, 지금부터의 모든 세션은 이전보다 더 나아질 것입니다.

출처 (Credit)

이 6단계 프레임워크 (6-stages framework)는 Ash Automates로부터 가져왔습니다. 그의 영상인

는 타임스탬프와 함께 각 단계를 상세히 설명합니다. 이 글은 그의 영상을 요약한 것이 아니라, 그가 설명한 내용을 제가 실제 환경에서 구현한 결과물입니다. 전체 과정을 확인하시려면 영상을 직접 시청하시기 바랍니다.

만약 당신이 자율형 AI 에이전트 (autonomous AI agent)를 운영하고 있다면, 현재 어느 단계에 와 있나요? 솔직한 답변은 아마 당신이 생각하는 것보다 낮은 단계일 것입니다. 하지만 괜찮습니다. 5단계와 6단계 사이의 간극은 단 몇 시간의 설정만으로도 메울 수 있기 때문입니다.