저는 CLAUDE.md에 200 줄이 넘는 규칙을 작성해서 Agent가 저를 기억하게 만들었습니다.
글쓰기 톤, 레이아웃 금기 사항, 이미지 스타일—모든 것을 한 줄 한 줄 직접 작성해야 합니다. 이 규칙들은 새 세션을 시작할 때마다 존재하지만, 이것은 Agent의 기억이 아니라 제가 직접 쓴 메뉴얼입니다.
메뉴얼은 정적입니다. "대시를 사용하지 마세요"라고 쓰면 Agent는 사용하지 않습니다. 하지만 이유를 모르고, 제가 몇 번이나 수정했는지도 모르며, 규칙 뒤에 있는 판단—"대시를 사용하면 중국어의 리듬이 사라진다고 느낀다"는 것도 알지 못합니다.
제 Agent는 규칙을 실행하고 있지만, 규칙을 학습하지는 못했습니다.
기존 메모리 솔루션의 대부분은 "과거 채팅 검색"에 불과합니다
이 문제가 간과된 것은 아닙니다. ChatGPT에는 메모리가 있고, Claude에는 프로젝트 지식이 있으며, 시장에는 다양한 타사 메모리 플러그인이 있습니다.
하지만 자세히 살펴보면, 모두 비슷한 작업을 수행합니다. 과거 대화나 수동으로 태그된 정보를 저장하고, 벡터 인덱스를 구축한 후, 관련 세그먼트를 검색하여 다음 채팅에서 컨텍스트에 다시 집어넣습니다.
작동은 하지만 몇 가지 피할 수 없는 문제가 있습니다.
첫째, 저장된 것은 원시 대화이므로 신호 대 잡음비가 매우 낮습니다. 3개월 전의 잡담 조각이 검색되면 모델이 무엇이 유용한지 판단해야 하는데, 종종 잘못 판단합니다.
둘째, 메모리는 평평합니다. 모든 정보가 동등하게 저장되며 "이것이 저것보다 더 중요하다"거나 "이 결론이 업데이트되었다"는 계층 구조가 없습니다. 오래 사용할수록 잡음이 더 많아집니다.
셋째, 실수에서 배우지 않습니다. 같은 문제에 대해 AI를 10번 수정했다면, "메모리"에는 10개의 수정 기록이 있지만, "다시는 이렇게 하지 마세요"라는 전략을 요약하지는 않습니다.
이러한 솔루션은 "저장" 문제는 해결하지만 "학습" 문제는 해결하지 못합니다.
MemOS 로컬 플러그인을 설치한 후 Hermes가 나에게 말한 것
MemOS Local Plugin을 설치한 후, Hermes에게 물었습니다. "당신의 메모리는 지금 어디에 저장되어 있나요?"
아주 명확한 답변을 받았습니다.
두 가지 항목입니다. 빌트인 메모리는 로컬 JSON 파일에 저장되며, 제가 적극적으로 알려준 내용(이름, 역할, 선호도, 글쓰기 규칙)이 포함됩니다. MemOS는 별도의 독립적인 장기 기억 시스템으로, 대화에서 자동으로 trace(사건 궤적), policy(행동 규칙), world_models(환경 지식)를 추출한 후, 성숙한 프로세스를 호출 가능한 skill로 결정화합니다.
Hermes 자신의 요약이 제 설명보다 더 낫습니다. "빌트인 메모리는 내가 직접 저장하는 명시적인 포스트잇이고, MemOS는 백그라운드에서 자동으로 학습되고 축적되는 암묵적 기억입니다."
이것이 MemOS와 앞서 언급한 솔루션의 가장 큰 차이점입니다. 단순히 대화를 저장하는 것이 아니라, 작업을 수행하는 과정에서 자동으로 전략을 추출합니다.
MemOS는 이 시스템을 Reflect2Evolve라고 부릅니다. 대화는 먼저 trace로 침전되고, 가치 있는 trace는 policy(행동 전략)로 요약되며, 성숙한 policy는 재사용 가능한 skill로 결정화됩니다. "무슨 말을 했는지 기억하는 것"이 아니라 "어떻게 했는지의 과정에서 다음 번에 어떻게 할지를 추출하는 것"입니다.
테스트 1: 트윗 작성을 가르치기
첫 번째 라운드에서, 저는 Hermes에게 X 트윗 작성 습관을 알려주었습니다. 대시를 사용하지 말 것, 서론 없이 바로 관점으로 시작할 것, 인간적인 느낌이 들도록 할 것, AI 냄새가 나지 않도록 할 것. 그리고 Context Engineering에 관한 트윗을 작성해 달라고 요청했습니다.
작성을 마친 후, 한 번 수정했습니다. "이 오프닝은 너무 평범해요. 더 날카로운 hook을 사용하세요. 제 습관은 첫 문장에 관점이나 갈등을 던지고, 서론은 없애는 거예요."
그러자 즉시 변경했습니다. 첫 문장이 "Hot take: Prompt Engineering is overrated."가 되었습니다. 그리고 "첫 문장이 관점이고, 서론은 없습니다."라고 대답했습니다.
여기까지는 대부분의 AI 어시스턴트와 크게 다르지 않습니다. 진짜 테스트는 다음 단계입니다.
Hermes를 종료합니다. 새 세션을 시작합니다. 이번에는 한 문장만 말했습니다.
"Claude Code에서 CLAUDE.md는 본질적으로 Context Engineering을 하는 거라는 주제로 X 트윗을 작성해 줘."
선호도를 반복하지 않았습니다. 제가 누군지 상기시키지 않았습니다.
그러자 이것을 보았습니다.
작성 전에 네 가지 작업을 수행했습니다.
- x-content-writing이라는 skill을 자동으로 로드했습니다.
- memos_search를 사용하여 "X writing style context engineering"을 검색하는 데 4.7초가 걸렸습니다.
- memos_environment를 검색하여 제 Obsidian 보관함의 경로를 찾았습니다.
- 제 보관함에 들어가서 실제로 게시했던 X 게시물을 읽고 리듬을 파악했습니다.
그리고 말했습니다. "좋아요, 작성해 볼게요. 최근 X 게시물을 읽고 리듬을 파악했으니 바로 작성하겠습니다."
이것이 작성한 내용입니다.
CLAUDE.md는 설정이 아닙니다. Context Engineering입니다. 거기에 작성하는 모든 줄은 모델의 컨텍스트 윈도우를 설계하는 것입니다. 프로젝트 구조, 코딩 선호도, 레드라인 금기 사항—모든 것이 수동으로 주입된 작업 기억입니다. 프롬프트는 "이번에 무엇을 할지"를 처리합니다. CLAUDE.md는 "당신이 누구인지"를 처리합니다. 백엔드 개발자라면 바로 이해할 것입니다. 마이크로서비스는 시작 시 레지스트리에서 구성을 가져와서 어떤 서비스와 상호작용하는지 알게 됩니다. CLAUDE.md는 Agent의 레지스트리입니다. 세션마다 한 번 읽고 작업을 시작하면 됩니다.
대시가 전혀 없고, 첫 문장이 바로 관점을 던지며, 백엔드 비유가 자연스럽게 흐르고, "이 글에서 우리는 이해할 것입니다..." 같은 서론도 없습니다.
단순히 제가 대시를 쓰지 말라고 했다는 것을 기억한 것이 아니라, 제 실행 과정과 게시된 게시물에서 글쓰기 전략 세트를 추출한 후, 새로운 세션에서 자동으로 적용한 것입니다.
이번에는 정말 이전에 사용했던 메모리 솔루션과 다르다고 느꼈습니다.
테스트 2: 두 개의 제품 페이지를 만들어 스타일이 프로젝트 간에 전이되는지 확인하기
좀 더 실질적인 작업을 시도해 보겠습니다.
첫 번째 라운드에서, Hermes에게 ReddTrends (www.reddtrends.com)의 제품 소개 페이지를 만들어 달라고 요청했습니다. 구체적인 요구 사항: 크림색 흰색 배경에 따뜻한 색상, "empower"나 "one-stop" 같은 단어 없이 직접적인 카피, 깔끔한 레이아웃, 인디 개발자 느낌. 완료 후 CTA 버튼 카피를 수정했습니다.
그런 다음 종료하고 새 세션을 시작한 후, 다른 제품인 MoleUninstaller의 소개 페이지를 만들어 달라고 요청했습니다. 제품 이름과 기능 설명만 제공하고 스타일에 대한 지침은 전혀 주지 않았습니다.
결과: MoleUninstaller 페이지는 완전히 다른 방향으로 갔습니다. 어두운 배경, 영어 메인 타이틀, 주황색 악센트 색상—ReddTrends의 따뜻한 인디 개발자 스타일과 완전히 달랐습니다.
스타일 선호도가 프로젝트 간에 전이되지 않았습니다.
이는 MemOS의 메모리가 단순한 "사용자가 지난번에 크림색 흰색을 사용했으니 영원히 그렇게 해야지"가 아니라 작업 컨텍스트를 구분한다는 것을 보여줍니다. 반대로 "내 모든 제품 페이지에 따뜻한 색상을 사용한다"는 것을 기억해 주길 기대한다면, 아직 그렇게 할 수 없습니다. 이러한 세분화된 선호도를 학습하려면 더 많은 라운드의 축적이 필요할 수 있습니다.
Viewer를 열어서 무엇을 학습했는지 확인하기
두 가지 테스트를 실행한 후 Viewer의 데이터 변화가 명확했습니다.
처음 0에서 47개의 메모리, 8개의 작업, 24개의 경험(12개 활성화됨), 2개의 skill, 1개의 환경 인식으로 증가했습니다. 모두 자동으로 생성되었습니다.
경험 페이지에서 가장 흥미로운 항목:
"위챗 공식 계정 게시물을 샤오홍슈 형식으로 변환", 지원 25회, 활성화됨. 이 경험은 25번 트리거되어 MemOS가 반복적인 계정 변환 작업에서 전략을 요약했음을 보여줍니다.
"파일 수정 후 브라우저 탐색으로 확인" 및 "페이지 수정 후 콘솔 오류 없음 확인" — 이는 제품 페이지를 구축하는 동안 자동으로 추출된 엔지니어링 습관입니다.
Skill 페이지도 변경되었습니다.
check_obsidian_vault_path_env이 V1에서 V2로 업그레이드되었고, 지원 횟수가 1에서 2로 증가했습니다. MemOS는 두 번째로 유사한 작업을 만났을 때 자동으로 skill 버전을 업그레이드했습니다. 이것이 Reflect2Evolve에서 "Evolve"가 의미하는 바입니다. skill은 정적이지 않으며, 사용될수록 성숙해집니다.
세 가지 모델이 각각 역할을 수행합니다. 로컬 Xenova는 임베딩(무료), DeepSeek V4 Flash는 요약(저렴), DeepSeek V4 Pro는 skill 진화(강한 추론이 필요할 때만 호출)에 사용되어 비싼 모델을 필요한 곳에만 사용합니다.
모든 데이터는 로컬 SQLite 데이터베이스에 저장되며, Viewer는 로컬에서만 수신하므로 클라우드 의존성이 전혀 없습니다. RAG를 다뤄 본 사람은 검색 파이프라인을 살펴볼 수 있습니다. FTS5 전체 텍스트 + 벡터 하이브리드, RRF 융합 랭킹, MMR 중복 제거, 14일 반감기 시간 감쇠를 거친 후 LLM으로 필터링됩니다. 이는 "임베딩 + 코사인 유사도"보다 훨씬 복잡하지만 검색 품질은 메모리가 유용한지 여부의 분기점입니다.
하나의 코어, 여러 Agent가 공유
또 다른 언급할 가치가 있는 설계: OpenClaw와 Hermes는 동일한 Reflect2Evolve 코어를 공유하며, 어댑터만 다릅니다. Hermes에서 축적한 경험과 skill은 알고리즘 수준에서 OpenClaw와 호환되므로 도구를 변경한다고 해서 메모리 자산이 초기화되지 않습니다.
사용 후 실제 느낌
가장 놀라운 것은 제 선호도를 기억했다는 점이 아니라, 두 번째 세션에서 트윗을 작성하기 전에 일련의 작업을 실행했다는 점이었습니다. skill을 로드하고, 메모리를 검색하고, 제 보관함을 찾고, 이전 게시물을 읽은 후 "최근 X 게시물을 읽고 리듬을 파악했습니다"라고 말한 것입니다.
그때 제 반응은 "잠깐, 내가 예전 게시물을 읽으라고 시킨 적 없는데?"였습니다.
하지만 스스로 이것이 올바른 행동이라고 판단했습니다. 이 느낌은 "지난번에 우리가 이야기한 것을 검색해 줘"와는 완전히 다릅니다.
제품 페이지 쪽은 그렇게 놀랍지 않았습니다. ReddTrends의 따뜻한 스타일이 MoleUninstaller로 전이되지 않았습니다. 생각해 보면 당연합니다. 스타일 선호도가 한 번만 나타났고, MemOS 경험은 "지원" 횟수가 일정 수준 이상이어야 전략으로 굳어집니다. 한 번으로는 충분하지 않습니다.
따라서 현재 상태는 빈도가 높은 반복 작업에서는 매우 명확한 효과를 보이지만, 가끔 나타나는 선호도는 아직 안정적이지 않습니다. 하지만 방향은 옳다고 생각합니다. 저는 6개월 동안 CLAUDE.md를 작성해 왔으며, 쓸수록 이것이 인간이 할 일이 아니라는 느낌을 더 강하게 받습니다.
MemOS Local Plugin 웹사이트: https://memos-claw.openmem.net/
GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Agent 원클릭 설치:
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
저는 Yanhua이며, AI Agent와 해외 시장을 위한 독립 개발에 집중하고 있습니다. AI Agent에 관심이 있으시면 팔로우 부탁드립니다 --> @yanhua1010
