서론

AI 에이전트(Claude Code 등)에게 개발을 통째로 맡기려 할 때, 다음과 같은 문제에 직면한 적이 없으신가요?

• 컨텍스트(Context)가 금방 비대해져 토큰 제한에 걸림
• 심도 있는 리서치가 필요한 태스크에서 "그럴듯한 거짓말(Hallucination)"을 함
• 에이전트가 독자적으로 학습한 불필요한 규칙(AI Slop)이 축적되어 움직임이 둔해짐

이러한 과제를 해결하기 위해, 역할이 다른 3개의 AI 에이전트를 연계하여 서로의 약점을 보완하고 감사하는 「Agent Triad(3자 연계) 아키텍처」를 구축했습니다.

베이스가 되는 아키텍처

이 아키텍처에서는 단일 규칙 파일(AGENTS.md)을 Single Source of Truth로 삼아, 다음과 같은 3개의 에이전트가 협조하여 동작합니다.

• Antigravity CLI (AGY): 터미널에서의 광범위한 리서치, 브라우저 조작(Playwright), 문서 수집을 담당하는 「상류의 리서처(Researcher)". 넓고 얕게 탐색한다.
• Claude Code: AGY가 수집한 지식을 바탕으로 실제 파일 조작이나 코딩을 고속으로 수행하는 「구현 허브(Implementation Hub)".
• Codex CLI: 구현 완료 후, 다른 벤더의 AI 모델이라는 관점에서 크로스 리뷰나 보안 감사를 수행하는 「하류의 오디터(Auditor)". 깊고 엄격하게 검증한다.

개선 1: 컨텍스트 한계를 돌파하는 NotebookLM + Headroom

문제

대량의 공식 문서나 사양서를 그대로 프롬프트에 전달하면, 컨텍스트 윈도우(Context Window)가 금방 고갈되어 API 비용이 급증합니다.

해결책

이를 방지하기 위해, Google NotebookLM과 Headroom을 연계한 제로 코스트 파이프라인을 구축했습니다.

• AGY에 의한 완전 자동 인제스트(Ingest)
  notebooklm-py와 Playwright를 활용하여, 수집한 문서군을 NotebookLM에 완전 자동으로 업로드합니다. NotebookLM이 프로젝트의 「외부 Brain」이 됩니다.
• 필요할 때만 쿼리(Query)
  Claude나 Codex가 개발 중에 사양으로 고민할 경우, 직접 웹 검색을 하는 대신 python -m notebooklm ask로 NotebookLM에 질문을 던집니다. NotebookLM은 업로드된 소스(Grounding)에만 기반하여 답변하므로, 할루시네이션(Hallucination)이 배제됩니다.
• Headroom에 의한 토큰 압축
  NotebookLM으로부터 돌아온 상세한 장문 답변은 Headroom(HEADROOM_MODE = "token")을 통과함으로써, 필요한 의미를 유지한 채 캐시를 최대화 및 압축하여 각 에이전트의 컨텍스트 수명을 약 30% 연장합니다.

개선 2: 안전한 YOLO 모드(완전 자동 실행)의 확립

문제

각 에이전트가 파일 조작이나 셸 실행을 할 때마다 사용자의 승인(y/n)을 요구하면, 파이프라인이 멈춰버려 완전 자동화(Headless)를 실현할 수 없습니다.

해결책

안전한 샌드박스(Docker 컨테이너 등) 환경을 전제로, 모든 에이전트에서 자동 승인 모드(YOLO 모드)를 표준화했습니다.

• Claude: ~/.claude/settings.json에서 `

예를 들어, Claude가 에러로부터 새로운 규칙 후보를 생성했을 경우, 이를 그대로 AGENTS.md에 추가하는 것이 아니라, 반드시 Codex가 "구문에 문제가 없는지", "보안 경계를 넘지 않았는지"를 교차 검토(Cross-review)한 후에 승격(Promote)시킵니다.

요약

이 Agent Triad 아키텍처를 통해, 복잡한 요구사항 정의부터 구현, 테스트, 감사에 이르는 플로우를 매우 높은 정밀도로 완전 자동화하는 것이 가능해집니다.

Discussion