대규모 언어 모델 Agent 의 추론 능력이 아무리 뛰어나도 두 가지 경계에 제약됩니다. 단일 컨텍스트 윈도우 C최대 는 한정적이며, 세션이 종료되면 상태와 경험을 신뢰할 수 없습니다. 반면 실제 엔지니어링이나 연구 프로젝트의 생명주기 T프로젝트 는 수개월에서 수년까지 지속되므로, T프로젝트 ≫ C최대입니다. 핵심 모순은 단일 추론 능력의 부족이 아니라, 경험이 Agent 생명주기를 넘어 전달되지 못한다는 점입니다. 지속성이 없으면 매 실험의 실패, 트레이드오프, 후보方案, 검수 결론이 컨텍스트가 초기화되면서 모두 사라지고, 이후 Agent는 처음부터 다시 탐색할 수밖에 없습니다.
컨텍스트 고갈: 단일 세션의硬경계
Agent의 컨텍스트 윈도우는 한정된 자원입니다. 현재 작업의 목표, 국소 관측, 최근 추론을 담을 수 있지만, 세션이 종료되면 윈도우 안의 상태, 임시 결론, 경험은 더 이상 사용할 수 없습니다. 장기 프로젝트에서는 프로젝트 기억을 단일 컨텍스트에 둘 수 없습니다. 다음 세션이 시작될 때 컨텍스트는 이미 초기화되었거나 극소량의 외부 주입 정보만 남아 있기 때문입니다.
프로젝트 수준 지속성: 경험을 소프트웨어 세계로 외화하다
해결 방향은 프로젝트 수준 지속성입니다. 즉, 단일 실험에서의 실패 구성, 트레이드오프 과정, 후보方案, 검수 결론을 코드, 테스트, 실험 기록, 의사결정 로그, 평가 지표, 검수 결과 등 지속적으로 존재하는 프로젝트 수준 아티팩트로 외화합니다. 이렇게 하면 이후 Agent는 처음부터 시작할 필요 없이 프로젝트 저장소에서 선행 경험을 읽어 어떤 방향이 검증되었고, 어떤 충돌이 아직 해결되지 않았으며, 어떤 지표가 이미 달성되었는지 판단할 수 있습니다.
진화 대상 경계의 확장
방법 진화 관점에서 진화 대상은 더 이상 단일 수치 파라미터나 후보해에 그치지 않고, 다음과 같이 확장됩니다:지속적으로 존재하고, 버전 관리가 가능하며, 상속 가능한 소프트웨어 세계. 각 세션에서 생성된 새로운 아티팩트는 이 세계의 상태를 변화시키고, 다음 세션은 이 갱신된 세계 위에서 계속 진화합니다. 따라서 최적화 과정은 일회성 작업에서프로젝트 수준 지속 진화로 변모합니다.
다중 Agent 협업과 재귀적 분해
여러 수명이 한정된 Agent가 협업할 수 있습니다. 상위 실행자는 목표를 이해하고 작업을 분해하며, 하위 실행자는 국소 구현과 테스트를 수행하고, 필요하면 재귀적으로 계속 분해합니다. 생명주기에 걸친 연속성은 프로젝트 수준 지속성으로 보장됩니다. 각 Agent는 종료 전에 핵심 상태를 프로젝트 아티팩트에 기록하고, 새 Agent는 시작 후 먼저 프로젝트 기억을 읽은 다음 다음 국소 행동을 결정합니다.
엔지니어링 실무의 목표 충돌과 희소 피드백
장기 프로젝트에는 종종 목표 충돌이 존재합니다. 예를 들어 성능, 비용, 견고성 사이에서 동시에 최적화하기 어렵습니다. 또한 한 번의 실험이 몇 시간에서 며칠까지 기다려야 하기 때문에 피드백도 희소할 수 있습니다. 프로젝트 수준 지속성이 없다면 이러한 충돌과 희소 피드백을 안정적으로 기록할 수 없어 이후 Agent는 같은 실수를 반복하게 됩니다. 지속성 이후의 의사결정 로그와 평가 지표는 바로 희소 피드백을 상속 가능한 경험으로 전환하는 핵심 매개체입니다.
생명주기 간 지속성 비교단일 Agent 컨텍스트와 프로젝트 수준 지속성을 비교한 그림입니다. 단일 세션 윈도우는 한정적이며, 종료 후에는 상태와 경험을 신뢰할 수 없습니다. 프로젝트 수준 아티팩트는 실패 구성, 트레이드오프 과정, 후보方案, 검수 결론을 외화하여 저장하므로, 이후 Agent는 선행 경험을 읽고 갱신된 소프트웨어 세계 위에서 계속 진화할 수 있습니다.
