LLM의 진화는 각자가 기여한 것을 살펴보면 더욱 흥미롭습니다.

저는 LLM의 진화가 그 과정에서 모두가 기여한 것을 살펴볼 때 더 흥미롭다고 생각합니다.

OpenAI가 ChatGPT를 출시하면서 갑자기 모든 사람이 이해할 수 있는 인터페이스를 가진 LLM이 생겼습니다.

그다음 RAG(Retrieval-Augmented Generation)가 떠올랐습니다. 모델 내부에 있는 것만 의존하는 대신, 런타임에 외부 지식을 제공하기 시작한 것입니다.

그리고 함수 호출(function calling)은 LLM을 단순히 답변할 수 있는 무언가에서 실제로 소프트웨어를 호출할 수 있는 무언가로 바꾸었습니다.

ReAct는 우리에게 추론 → 행동 → 관찰(reason → act → observe) 루프를 주었습니다.

추론 모델들은 추론 시간 컴퓨팅을 밀어붙였습니다. 모델은 즉시 답변하는 대신 문제에 더 많은 컴퓨팅을 할애할 수 있게 되었습니다.

그다음 Anthropic이 MCP를 도입했는데, 이는 모델에게 도구 및 외부 컨텍스트와 상호작용하고 발견할 수 있는 공통 프로토콜을 제공했습니다.

모든 AI 앱이 모든 통합을 다시 구축하는 대신:

LLM ↔ MCP ↔ world

다음으로 코딩 에이전트(coding agents)는 이 모든 것을 결합했을 때 어떤 일이 발생하는지 보여주었습니다.

모델에게 터미널, 파일 시스템, 도구, 충분한 컨텍스트, 그리고 루프를 제공하면 더 이상 챗봇처럼 보이지 않습니다.

그리고 스킬(skills)이 등장했습니다.

저는 스킬이 보이는 것보다 훨씬 크다고 생각합니다.

도구는 모델에게 무엇을 할 수 있는지 알려줍니다.

MCP는 사물에 어떻게 연결하는지 알려줍니다.

스킬은 작업을 수행하는 방법을 알려줍니다.

메모리, 서브 에이전트(subagents), 컴퓨터 사용, 검증, 영속적인 환경을 추가하면 아키텍처가 매우 다르게 보이기 시작합니다:

LLM
context
reasoning
MCP
tools
skills
memory
agents
environment
verification

LLM은 시스템의 단지 한 부분이 되어가고 있습니다.

우리는 다음으로 시작했습니다:

prompt → LLM → text

이제 우리는 다음 단계에 가까워지고 있습니다:

goal → understand → plan → act → verify → result

그리고 저는 다음 단계는 환경 자체(environment)가 AI 네이티브(AI-native)가 되는 것이라고 생각합니다.

운영체제(OS) 위에 실행되는 AI 앱이 아니라,

모델, 에이전트, 스킬, 도구, 메모리, 그리고 사용자의 애플리케이션이 모두 같은 환경의 일부인 OS 말입니다.

그것이 바로 LisaOS가 추구하는 바입니다.