Claude Code 사용자 여러분, 알고 계셨나요? 매일 하나의 기능을 낭비하고 있습니다! 90%가 모르고 있는 사실!

Claude Code 사용자 여러분, 알고 계셨나요?
매일 하나의 기능을 낭비하고 있습니다! 90%가 모르고 있는 사실!

Anthropic의 AI 애플리케이션 책임자가 방금 2026년 Agent 메모리 관리(Memory Management)에 관한 가장 실용적인 강연을 진행했습니다 (LatePost 영상은 제 홈에 업데이트해 두었습니다).

그의 이름은 Lamis입니다.
그는 최전선에서 Agent를 구축하는 스타트업들과 직접 협력하고 있습니다.

그는 Anthropic이 Agent 메모리 시스템을 구축하는 완전한 방법론을 해체하여 설명했습니다.

4개의 계층입니다.

각 계층은 이전 계층의 치명적인 문제 하나를 해결합니다.

시작점은 하나의 Markdown 파일입니다.

그들은 매 세션 시작 시 코드베이스 구조가 담긴 CLAUDE.md 파일을 배치합니다.

정보를 조직하고, 개인적 선호도를 담는 순수 텍스트입니다.

Anthropic의 평가는 "unreasonably effective(비합리적으로 효과적이다)"였습니다.
단순한 텍스트 파일 하나가 복잡한 프롬프트 엔지니어링 (Prompt Engineering) 솔루션보다 더 나은 효과를 냈습니다.

하지만 파일이 점점 길어지면서 컨텍스트 (Context)가 팽창합니다. 세션 공간이 부족해집니다. 이 방식은 한계에 부딪혔습니다.

그래서 그들은 메모리 도구를 만들었습니다.

Agent가 스스로 언제 읽고, 언제 쓰고, 언제 메모리를 업데이트할지 결정하게 합니다.
이 모든 과정은 인-밴드 (In-band)로, 즉 세션 컨텍스트 내에서 수행됩니다.

그들을 놀라게 한 점은, 무엇을 기억할 가치가 있는지 판단하는 Agent의 능력이 인간보다 더 뛰어나다는 것이었습니다. 이러한 시나리오에서 자율성 (Autonomy)은 매우 잘 작동합니다.

세 번째 단계는 스킬 (Skills)입니다.

핵심 아이디어는 점진적 공개 (Progressive Disclosure)입니다. Agent는 파일 상단의 몇 줄 서문만 보고 전체 파일을 로드할 필요가 있는지 결정합니다.

Lamis의 비유는 매우 정확합니다. 방 안에 책장이 하나 있다고 가정해 봅시다. 누군가 저에게 프랑스어로 말을 걸면, 저는 책 제목을 훑어보고 프랑스어 사전을 찾아 꺼내 읽습니다.
7년 치의 프랑스어 수업 내용을 모두 머릿속에 집어넣을 필요는 없습니다.

네 번째 단계는 가장 간단합니다.

그들은 전체 메모리 시스템을 일반적인 파일 시스템으로 모델링했습니다. Markdown 파일, bash, grep을 사용합니다.
벡터 데이터베이스 (Vector Database)도 필요 없고, 전용 도구도 필요 없습니다. Agent는 본래 파일 검색에 능숙하기 때문입니다.

하지만 프로덕션 환경에서는 새로운 문제들이 드러났습니다.

여러 Agent가 동시에 동일한 메모리 파일에 쓰기를 시도하는 문제.
하나의 Agent가 조직 수준의 컨텍스트에 잘못된 정보를 쓰면 모든 Agent가 영향을 받는 문제.
메모리가 오래되었을 때의 문제. 누군가 프롬프트 인젝션 (Prompt Injection)을 통해 메모리에 악성 내용을 쓸 경우의 문제.

Anthropic은 네 가지 방어선을 설계했습니다. 롤백이 가능한 버전 관리 (Version Control), 해시 (Hash) 기반의 동시성 제어, 조직 수준은 읽기 전용이고 Agent 초안 구역은 쓰기가 가능한 권한 계층화, 그리고 이식성을 보장하는 깔끔한 API입니다.

그리고 가장 흥미로운 부분은 바로 '꿈 꾸기 (Dreaming)'입니다.

인-밴드 (In-band) 메모리에는 근본적인 한계가 있습니다.
Agent는 작업을 완수해야 하는 동시에 메모리도 관리해야 합니다. 두 가지 경쟁적인 목표가 존재하는 것입니다.
또한 Agent는 현재 세션의 정보만 볼 수 있어, 세션을 넘나드는 패턴을 식별할 수 없습니다.

'꿈 꾸기'는 아웃-오브-밴드 (Out-of-band) 방식의 비동기 처리 과정입니다.

이 과정은 일정 기간 동안의 모든 세션 기록을 가져와 전용 Agent에게 분석을 맡깁니다. 이 Agent는 메모리 저장소를 살펴보고, 패턴을 식나하며, 변경 제안을 합니다.

마치 교장 선생님이 모든 학생의 숙제를 검토하는 것과 같습니다. 모든 지리 과목 학생들이 동일한 문제에서 틀리고 있다는 것을 발견하면, 시간표를 확인하여 해당 주제가 아예 가르쳐지지 않았음을 알아내는 것과 같습니다.

'꿈 꾸기'는 자신만의 전용 리소스를 가지므로, 작업 실행을 위한 컨텍스트와 경쟁하지 않습니다.

Anthropic은 이미 프로덕션에서 이 시스템을 가동하고 있습니다.

Agent가 동일한 작업을 두 번째 수행할 때 성능이 더 좋아집니다. 한 번에 작업을 완료할 수 있어 비용이 절감되고 지연 시간 (Latency)이 감소합니다. '꿈 꾸기'에 소비되는 추가 토큰 (Token)은 작업 자체의 효율성 향상으로 상쇄됩니다.

Lamis는 마지막으로 이렇게 말했습니다. "모델의 지능 그 자체로는 복리 효과를 낼 수 없습니다. 모델은 당신이 맡긴 구체적인 작업을 수행하기 위한 컨텍스트가 필요합니다."

컨텍스트 엔지니어링 (Context Engineering)의 효과는 지능을 배가시키는 것입니다. 모델 자체가 더 똑똑해지더라도, 이 투자는 여전히 가치가 있습니다.

이 강연은 2026 AI DevCon에서 진행되었습니다. 30분 정도 투자해서 볼 가치가 있습니다.