기업 환경의 업무는 메시지, 의사결정, 프로젝트, 그리고 시시각각 변하는 이행 과제들로 구성됩니다. 이러한 맥락을 파악하지 못한 채 투입된 AI 에이전트는 유의미한 수행을 하기에 앞서 관련 맥락부터 재구성해야 합니다.
에이전트에 필요한 맥락을 제공하기 위해, 개발팀은 NVIDIA NemoClaw를 활용하여 메모리 기반의 ‘비서실장(Chief of Staff)’ 에이전트를 구축했습니다. 이 에이전트는 셀프 모델이라 불리는 사람이 읽을 수 있는 지식 레이어를 유지합니다. 이는 관련 인물, 프로젝트, 우선순위, 업무 패턴에 관한 에이전트의 메모리 역할을 합니다. 스케줄링된 작업은 주기적으로 새로운 활동을 검토하고, 이행 의무를 추적하며, 시간이 지남에 따라 사용자의 의사결정을 반영합니다. 수많은 경험을 통해 실용적인 에이전트 메모리를 구축하려면 단순한 저장공간을 넘어 구조화, 선택적 검색, 거버넌스가 필수적이라는 점을 확인했습니다.
본 게시물에서는 NVIDIA NemoClaw로 구축한 메모리 기반 에이전트가 실제 기업 워크플로우에서 생산성을 어떻게 향상시키는지 보여줍니다. 또한 자체 에이전트에 적용할 수 있는 다섯 가지 설계 교훈을 공유합니다:
- 일상 업무의 맥락을 유지하여 작업 품질 향상
- 증거, 지식, 동작을 분리하여 에이전트의 판단 능력 개선
- 단기적인 긴급성보다 사용자의 의도를 우선시하도록 메모리 기반 에이전트 설계
- 사용자가 에이전트의 의사결정을 수정할 수 있도록 허용하여 신뢰 구축
- NVIDIA OpenShell을 활용해 보안 및 권한의 경계 강화
일상 업무 전반에 걸친 맥락 유지
대화 기록은 단기적인 연속성을 제공하지만, 현재의 우선순위, 과거의 의사결정, 일시적인 요청사항을 하나로 섞어버립니다. 정보 검색을 통해 관련 원본 자료를 찾을 수 있지만, 에이전트는 시간에 따른 정보를 스스로 연결해야 합니다.
프로젝트 진행 현황에 대한 질문을 예로 들어보겠습니다. 정답을 도출하려면 이전의 의사결정, 이후 메시지에서 이루어진 수정, 해결되지 않은 이행 의무, 그리고 서로 다른 두 이름이 동일한 프로젝트를 가리킨다는 지식에 의존해야 할 수 있습니다.
이러한 문제를 해결하기 위해, 구조화된 Markdown 페이지 내에서 이러한 관계를 유지하는 셀프 모델을 활용할 수 있습니다. 인물, 프로젝트, 우선순위, 목표, 개념, 반복되는 업무 패턴에 대한 정보를 조직화합니다. 해당 스키마는 인덱싱, 상호 참조, 출처, 성장 한계를 정의합니다.
셀프 모델은 원본 증거를 대체하는 대신 파생된 해석을 저장합니다. 이 둘을 분리하여 유지하면 개발자가 잘못된 답변의 원인이 증거 자료, 메모리 유지보수, 검색, 혹은 모델의 최종 판단 중 어디에 있는지 정확히 파악하는 데 도움이 됩니다.
증거, 지식, 동작의 분리
메모리 기반 비서실장 에이전트가 제공하는 3단계 튜닝 역량을 활용할 수 있습니다:
증거(Evidence) → 지식(Knowledge) → 통제된 실행(Governed execution)
증거 자료는 셀프 모델의 업데이트를 뒷받침합니다. 에이전트는 각 작업마다 관련 맥락을 제한된 범위 내에서 검색한 뒤, NVIDIA NemoClaw 예제 내부에서 해당 맥락을 활용합니다. 이 아키텍처는 그림 1에 제시되어 있습니다.
이 예제는 두 가지 유형의 정보를 저장합니다:
- 지식: 인물, 프로젝트, 우선순위, 업무 패턴
- 판단: 특정 항목의 주의 필요 여부, 우선순위 순위, 사용자의 무시 여부
Markdown 기반의 에이전트 메모리는 지식을 저장하며, SQLite 원장은 이행 의무, 순위, 수정 사항, 감사 이벤트를 기록합니다. 이러한 설계를 통해 원본 메시지에 읽음 표시, 라벨, 폴더 등으로 직접 쓰지 않고도 에이전트의 판단 결과만 깔끔하게 보존할 수 있습니다.
메모리 페이지에 협업자가 Slack을 선호한다는 내용이 포함되어 있을 수 있습니다. 에이전트는 이 맥락을 바탕으로 Slack 사용을 추천할 수 있지만, 실제 메시지 전송은 자격 증명, 툴 권한, 런타임 정책, 그리고 사용자의 최종 승인에 따라 결정됩니다.
맥락은 동작에 정보를 제공할 뿐, 권한을 직접 부여할 수는 없습니다.
단기적인 긴급성보다 사용자의 의도 우선시
수신되는 요청은 스스로를 긴급한 것으로 표시하는 경우가 많지만, 이러한 긴급성이 사용자의 우선순위를 반드시 반영하는 것은 아닙니다. 따라서 의도 게이트(Intent gate)는 사용자가 명시한 우선순위와 관련된 이행 의무에 최상위 등급을 부여합니다.
공개 레시피 예제에서 긴급한 경비 정책 서약 요청은 계속 표시되지만, 명시된 우선순위와 연결된 조용한 요청보다 낮은 순위로 지정됩니다. NVIDIA NemoClaw는 이러한 관계를 해석하고, 확정적 코드는 등급 규모, 오버플로우 동작, 순위를 제어합니다.
사용자의 에이전트 수정 허용
영구 메모리는 올바른 판단만큼이나 잘못된 판단도 그대로 보존할 수 있습니다. 제공된 레시피를 사용하면 이행 의무를 다른 등급으로 이동하거나 무시할 수 있으며, 이후 실행되는 에이전트는 이 결정을 계속 유지합니다. 모든 변경 사항은 추가만 가능한(Append-only) 감사 트레일에 단 한 번 기록됩니다.
반복되는 수정 패턴은 간결하고 읽기 쉬운 선호도 정책으로 업데이트될 수 있습니다. 사용자는 선호도를 모델 상태 내부의 숨겨진 파라미터로 남겨두는 대신 직접 점검, 편집, 삭제할 수 있습니다.
이러한 피드백 루프는 시각적으로 투명하게 유지됩니다:
에이전트 판단 → 사용자 수정 → 감사 이벤트 → 선호도 업데이트
메모리 추가를 통한 에이전트 작업 성능 향상
표 1에 나타난 바와 같이, NemoClaw에 메모리 기반 비서실장을 추가한 결과 여러 에이전트 작업 전반에서 측정 가능한 성능 향상이 확인되었습니다. 에이전트 메모리 벤치마크 및 평가 예제는 예제 저장소에 포함되어 있습니다. 해당 저장소에서는 다단계 검색을 수행하는 에이전틱 RAG 베이스라인과 셀프 모델을 비교합니다.
| 지표 | 질문 수 | 에이전틱 RAG 베이스라인 | 셀프 모델 | 차이 |
| 전체 정확도 | 186 | 82.8% | 90.9% | +8.1%p |
| 고난도 질문 | 31 | 67.7% | 87.1% | +19.4%p |
| 시간에 따라 변하는 사실 추적 | 5 | 60.0% | 100.0% | +40.0%p |
| 특정 시점 추론 | 6 | 33.3% | 66.7% | +33.3%p |
| 엔티티 모호성 해소 | 15 | 66.7% | 86.7% | +20.0%p |
| 다중 소스 종합 | 73 | 87.7% | 94.5% | +6.8%p |
| 말뭉치 기반 충실한 답변 | 13 | 100.0% | 92.3% | -7.7%p |
| 단일 홉 조회 | 30 | 86.7% | 83.3% | -3.3%p |
| 인용 커버리지 | 186 | 92.5% | 97.8% | +5.4%p |
런타임에서의 경계 강화
이러한 분리 구조는 NVIDIA NemoClaw와 자율 에이전트용 보안 런타임인 NVIDIA OpenShell을 통해 강제 적용됩니다. NemoClaw는 해당 예제를 NVIDIA OpenShell과 통합하고 라이프사이클을 관리하며, NVIDIA OpenShell은 샌드박스 내부에서 에이전트를 실행하고 파일 시스템, 프로세스, 네트워크 접근에 대한 거버넌스 및 정책을 적용합니다. 관리형 추론 및 MCP 연결을 위한 자격 증명은 샌드박스 외부에 안전하게 보존됩니다.
메모리와 검색된 콘텐츠는 모델에 입력되는 데이터일 뿐, 신뢰할 수 있는 보안 정책이 아니기 때문에 이러한 통제는 매우 중요합니다. 에이전트가 해당 맥락을 잘못 해석하거나 악의적인 지시를 따르더라도, 운영자가 정의한 런타임 경계 내에서만 작동합니다. 이를 통해 에이전트의 접근 권한과 오류 발생 시 영향을 최소화할 수 있습니다.
에이전트 메모리 구축 시작하기
본 게시물에 소개된 메모리 설계를 자체 NemoClaw 예제에 적용하려면, NVIDIA/nemoclaw-community GitHub 저장소에서 오픈 소스 메모리 기반 비서실장(Memory-Driven Chief of Staff) 레시피와 설계 제안서를 확인해 보시기 바랍니다.
이 레시피는 해당 예제를 NemoClaw에서 바로 배포 가능한 Hermes 프로필 형태로 패키징하여 제공합니다:
- 구조화된 메모리 스키마
- 내구성 있는 이행 의무 원장
- 제한된 범위의 순위 산정 로직
- 사용자 수정 및 감사 경로
- 스케줄링된 메모리 유지보수
- 가상의 메시지 및 메모리 페이지
- 오프라인 튜토리얼
- 유닛 테스트 슈트
예제에 포함된 인물, 조직, 프로젝트, 메시지는 모두 가상으로 작성되었습니다. 오프라인 튜토리얼에서는 기록된 모델 결정을 추론 과정 대신 활용합니다. 이후 코드가 순위 산정, 수정, 영구 저장, 검증 동작을 실행합니다.
현재 제공되는 레시피는 메모리 기반 요소 구축에 집중되어 있습니다. 메시지를 직접 전송하거나 원본 시스템을 수정하지 않으므로, 업무용 계정을 연결하지 않고도 설계를 안전하게 점검할 수 있습니다. 라이브 커넥터를 구성하는 경우에는 자격 증명, 개인정보 보호, 데이터 보존 및 삭제에 대한 별도의 처리가 필요합니다.
NVIDIA NemoClaw 및 NVIDIA OpenShell에 대한 자세한 내용은 공식 설명서를 참조하십시오.
