AI Agent (인공지능 에이전트)를 만들 때, 모델 자체가 가장 번거로운 것은 아닙니다. 진짜 문제는 Agent가 S3, Google Drive, Slack, Gmail, Redis, GitHub 등 수많은 외부 서비스에 접근하도록 만드는 것입니다. 각 서비스마다 별도의 SDK (소프트웨어 개발 키트), 권한 설정, 데이터 구조가 필요하기 때문입니다.

Mirage의 접근 방식은 매우 직관적입니다. 이러한 외부 서비스들을 하나의 가상 파일 시스템 (Virtual File System)에 마운트하여, Agent가 마치 로컬 파일을 다루듯 원격 데이터를 조작할 수 있게 합니다.

GitHub: https://t.co/yQY4sJKb

즉, Agent가 수십 개의 API를 개별적으로 학습할 필요 없이, ls, cat, cp, grep과 같은 Unix 도구들을 사용하는 것만으로도 서로 다른 백엔드 사이에서 데이터를 읽고, 검색하고, 옮길 수 있다는 뜻입니다.

이 방식은 다음과 같은 시나리오에 적합합니다:

• Agent에게 클라우드 드라이브, 메시징, 캐시, 오브젝트 스토리지 (Object Storage) 등의 데이터 소스를 통합적으로 연결할 때
• 서비스 간 데이터 처리 프로세스를 로컬 디렉토리 조작과 유사한 파이프라인 (Pipeline)으로 작성할 때
• 2단계 캐싱 (Two-layer caching)을 통해 원격 서비스 반복 접근에 따른 네트워크 오버헤드를 줄일 때
• 워크스페이스 (Workspace) 스냅샷과 버전 관리를 통해 실행 환경을 이전할 때
• OpenAI Agents SDK, Vercel AI SDK, LangChain, Pydantic AI 등의 프레임워크와 연동할 때

만약 Agent 도구 계층 (Tool layer)을 개발하고 있다면, "모든 백엔드를 파일 시스템으로 변환한다"는 Mirage의 추상화 방식은 연구해 볼 만한 가치가 있습니다.