Blog Home

Agentic AI 활용의 마법 가루 #1: File System

부제
The Future is Memory OS, Not Database
작성일
2026/03/09
나는 보통 나에게 Agentic AI (Cursor, Claude Code, ChatGPT Codex, Gemini Cli) 활용법을 물어오는 사람에게 딱 두 가지를 명심하라고 한다. 이 두 가지를 활용해서 일하다 보면 결국 개개인의 수렴점은 모두 달라지기 때문이다.
그 중 첫번째는 바로 File System의 적극적인 활용이다. 컴퓨터과학의 위대한 산물 중 하나인 File System은 LLM 시대에 들어와서 장기 기억, 자연스러운 인터페이스, 그리고 모델에게 주어진 공간의 역할을 하면서 더욱더 중요해졌다. [1]
그렇다면 File System이 다시 중심 인터페이스로 떠오르는 시대에, 비정형 데이터베이스나 Vector DB를 만드는 회사들은 어디에 집중해야 할까. 단순히 RAG와 같은 retrieval layer에 머무르는 전략으로는 차별화를 만들기 어렵다. 검색과 저장 기능은 점점 범용 인프라로 규격화된 자원이 되고 있기 때문이다. 이런 것’만’ 만드는 회사는 금방 대체될 수 있다.
오히려 중요한 것은 Agent, File System, 그리고 Database 사이를 연결하는 memory platform을 만드는 일이다. Agent는 File System을 통해 자연스럽게 작업하고 기억을 남기지만, 데이터의 규모와 복잡성이 커질수록 파일 기반 구조만으로는 한계를 맞게 된다. 이때 필요한 것이 바로 File System 인터페이스와 데이터베이스 인프라를 연결하는 OS-like platform layer다. 이러한 계층은 Agent가 남기는 기억을 구조화하고, 검색하고, 진화시키는 규칙을 제공하며, 궁극적으로는 Agentic AI 시스템이 실제 서비스로 확장되는 기반이 된다.
결국 미래의 데이터 플랫폼은 database company가 아니라 memory operating system company가 될 가능성이 높다. Karpathy style로 말해보자면…
File System은 인터페이스로 승리하고, Database는 인프라로 승리한다. 그리고 그 사이를 연결하는 것이 바로 Memory Platform이다.

관련 글

짧은생각들

1. Agentic Coding은 정말 함정인가?

천재성의 민주화와 인지부채의 함정

1. 조선은 왜 전쟁 한 번 제대로 못하고 무너졌을까?

조선 말기의 멸망을 설명할 때 흔히 나오는 이야기가 있다.
조선은 성리학적 문치주의에 빠져 군대를 천시했고, 양반 지배층은 신분제를 지키는 데만 몰두했으며, 결국 근대 제국주의 국가인 일본 앞에서 전면전 한 번 치르지 못하고 무너졌다는 설명이다.
이 설명은 일정 부분 맞다. 조선 후기 군역 제도는 점차 실제 군사 복무보다 군포를 걷는 재정 제도처럼 변했고, 양반층은 여러 방식으로 군역 부담에서 빠져나갔다. 임진왜란 이후 훈련도감과 오군영 같은 군사 개혁이 있었지만, 그것이 근대적 국민군이나 재정군사국가로 발전하지는 못했다. 대한제국기에도 군사력 강화와 징병제 구상이 있었지만, 이미 일본과 러시아가 한반도를 둘러싸고 각축하던 시기였고 시간과 자원이 부족했다.
그러나 이 설명을 “조선 지배층이 멍청하고 이기적이어서 망했다”는 식으로 밀어붙이면 너무 단순하다. 조선의 문제는 도덕성의 문제가 아니라, 더 깊은 구조의 문제였다. 한반도는 산지가 많고 경작지가 제한적이었다. 조선은 낮은 농업 생산성과 좁은 세원 위에서 운영되는 국가였다. 근대 군대는 병력만 있으면 되는 것이 아니라, 인구 파악, 조세 행정, 장교단, 무기, 탄약, 군복, 훈련소, 교통망, 군수산업, 금융 시스템을 필요로 한다. 조선은 이런 체계를 만들기에는 물질적 기반도, 제도적 동원력도, 정치적 합의도 부족했다.
따라서 조선의 멸망은 단순히 “성리학 때문에 군대를 싫어해서”가 아니라, 낮은 생산 기반, 약한 재정 추출력, 신분제적 이해관계, 늦은 개혁, 제국주의 국제질서, 일본의 단계적 주권 해체가 겹친 결과였다.

2. 조선의 신분제는 왜 그렇게 오래 버텼을까?

흥미로운 점은 조선 후기 신분제가 이미 많이 흔들리고 있었다는 사실이다. 임진왜란과 병자호란을 거치며 호적과 문서가 불타고, 노비가 도망가고, 상민과 부농이 돈을 벌고, 양반 족보를 사거나 편입되는 일이 늘어났다. 실제로 조선 후기에는 양반 수가 급증하고 상민과 노비 비중은 줄어들었다.
그렇다면 신분제는 왜 더 빨리 무너지지 않았을까?
핵심은 조선의 신분제가 단순한 법적 계급표가 아니었다는 점이다. 그것은 사회 전체의 운영체제에 가까웠다. 양반이라는 지위는 관직 접근권, 교육 기회, 향촌 지배력, 혼인시장, 족보, 제사, 토지 보유, 지역 평판을 하나로 묶은 패키지였다. 누가 믿을 만한 사람인가, 누구와 혼인할 수 있는가, 분쟁이 생겼을 때 누구 편에 설 것인가, 어느 가문이 지역사회에서 발언권을 가지는가를 정해주는 장치였다.
근대적 학교, 법원, 경찰, 은행, 신용평가, 기업 채용시장이 충분히 발달하지 않은 사회에서는 가문과 신분이 신뢰 인프라 역할을 한다. 조선에서 양반 신분은 단순한 명예가 아니라, 사회적 신용등급이었다.
그래서 부자가 된 상민이 반드시 “신분제를 없애자”고 움직인 것은 아니었다. 오히려 더 현실적인 전략은 “나도 양반이 되자”였다. 토지를 사고, 족보를 사고, 유학을 배우고, 양반 가문과 혼인하고, 자식을 과거 공부시키는 방식이다. 신분제를 부수는 것보다 신분제 안의 상층으로 진입하는 것이 더 합리적인 상승 전략이었던 것이다.
이것이 조선 후기 신분제 해체의 역설이다. 신분제는 무너지고 있었지만, 많은 사람은 그 제도를 부수기보다 그 안으로 편입되려 했다. 사회 전체가 평등을 향해 간 것이 아니라, 오히려 “양반화”를 향해 움직인 셈이다.
조선의 신분제는 왜 오래 버텼고, 오늘날 한국은 무엇을 배워야 하는가
척박한 생산 기반, 지위 경쟁, 엘리트 재생산, 그리고 “현대판 양반화”의 위험
소프트웨어가 서비스를 삼킬 때: 개인, 커리어, 그리고 소버린 AI

본문 (Claude Code Generated)

TL;DR

AI 에이전트가 사용자의 파일 시스템 작업 패턴(파일 읽기, 생성, 편집, 정리 등)을 기억하고 개인화에 활용하는 프레임워크. 기존 대화 요약 기반 메모리 시스템(Mem0, Zep 등)이 행동 구분 정보를 잃어버리는 문제를 지적하고, 원자적 행동 로그에서 직접 프로파일을 구축하는 bottom-up 메모리 아키텍처를 제안한다.

왜 이 연구가 필요한가?

OS-level AI 에이전트(Claude Code, Cursor, Devin 등)가 단순 명령 실행을 넘어 파일 시스템 코워커로 진화하고 있다. 그런데 사용자마다 작업 방식이 완전히 다르다.
•
어떤 사람은 파일을 순차적으로 정독하고, 어떤 사람은 키워드 검색부터 한다
•
어떤 사람은 3단계 이상 중첩 폴더를 만들고, 어떤 사람은 루트에 다 쌓는다
•
어떤 사람은 소규모 반복 편집을 하고, 어떤 사람은 파일 전체를 새로 쓴다
문제는 기존 메모리 시스템이 전부 대화(dialogue) 기반이라는 것이다. "사용자가 무슨 말을 했는지"는 기억하지만, "사용자가 파일을 어떻게 다루는지"는 모른다. 여기에 세 가지 병목이 존재한다.
병목
설명
데이터
프라이버시 문제로 실제 파일 시스템 행동 데이터를 대규모 수집할 수 없음
평가
기존 벤치마크는 대화 회상이나 GUI 성공률만 측정, 행동 개인화 평가 부재
방법론
메모리 시스템이 대화 요약(top-down)에 의존 → 파일 작업의 세밀한 패턴이 소실됨

FileGram의 세 기둥

FileGram: 파일 시스템 행동 흔적으로 AI 에이전트를 개인화하다
AI와 유저의 상호작용만 중요한 게 아니라… 결국 AI가 File System, 즉 Environment와 어떻게 상호작용했느냐가 더 중요한 힌트일수도 있다
최근 LG 인화원에서 기획 강의를 들었다. 강의가 끝나고 남은 것은 기획을 더 잘 "쓰는 법"이 아니었다. 기획을 완전히 다르게 "생각하는 법"이었다.
그 변화의 핵심을 정리해 본다.
하지만 이 뒤로는 ChatGPT 5.4와 Claude Opus 4.6의 도움으로 작성되었다.

1. 기획은 논문이 아니다

그동안 나는 연구자로서 기획을 해왔다. 문제를 정의하고, 분석하고, 방법을 제시하고, 검증한다. 이 구조는 익숙하고 논리적으로도 완벽하다.
하지만 기획서를 받아든 사람의 반응은 항상 같았다.
"그래서… 어쩌라고?"
이 질문 앞에서 논리적 완결성은 무력했다. 논문은 "이것이 맞는가?"를 증명하는 일이지만, 기획은 "이것을 해야 하는가?"에 대한 결정을 이끌어내는 일이다. 둘은 닮은 것 같지만 완전히 다른 영역이다.
논문은 진실을 향하고, 기획은 행동을 향한다.

2. 하나만 남기는 과정

좋은 기획의 핵심은 복잡함이 아니라 압축이다.
하나의 목표, 하나의 분석, 하나의 해결책.
단순해 보이지만, 이 구조가 강력한 이유가 있다. 사람은 선택지가 많을수록 결정하지 못한다. 분석이 많으면 메시지가 약해지고, 해결책이 여러 개이면 책임이 분산되면서 아무도 움직이지 않는다.
기획은 설득이다: 연구자에서 기획자로 사고가 바뀌는 순간
논문처럼 쓰던 기획서에서, 사람을 움직이는 기획으로

본문 (ChatGPT and Claude Generated)

인공지능은 반드시 "지능"의 하위범주여야 하는가?

본문

개인적으로 나는 Kingma라는 과학자를 아주 좋아한다. Adam optimizer (citation 240k 이상)의 저자이자, VAE (citation 54k 이상)의 저자이자, flow-based model, diffusion model 등을 OpenAI, Google에서 활발하게 연구함으로써 현대 딥러닝 기반 인공지능의 발전을 대단히 앞당긴 인물. 그가 가진 수학적 직관과 컴퓨터 과학자로서의 넓은 철학적 이해는 내가 추구하는 방향과 같으면서도 대단히 앞서가 있다고 느껴진다.
첨부 사진은 Kingma의 PhD 논문 두 번째 문단인데, 여기서 그는 이렇게 말한다:
인공지능은 지능을 구현하는 기술이 아니라, 지능을 이해하기 위한 도구다.
인공지능은 ‘지능’의 하위 범주일까, 아니면 새로운 종류의 지능일까?
Kingma와 Hofstadter의 시선에서 바라본 인공지능: 인간을 모방하는 도구를 넘어, 지능 자체를 탐구하는 실험

본문 (ChatGPT Generated)

“중용(中庸)”이라는 단어를 처음 배웠을 때, 나는 그것을 꽤 단순하게 이해했다.
넘치지도 않고, 부족하지도 않은 상태. 딱 적절한 균형.
이 개념을 가장 직관적으로 느꼈던 건 의외로 철학 책이 아니라, 강화학습 환경 중 하나인 CartPole이었다.
카트 위에 올려진 막대기가 쓰러지지 않도록 좌우로 움직이며 균형을 맞추는 문제.
처음에는 이게 중용의 완벽한 예시라고 생각했다.
만 30살에 다시 생각해보는 ‘중용’이라는 균형
CartPole에서 시작해, 인생이라는 다중 진자 위에서 균형을 잡는다는 것

본문 (ChatGPT Generated)

최근 TurboQuant 관련 논문과 함께, 반도체 시장—특히 삼성전자와 SK하이닉스—의 주가가 출렁이는 장면이 연출되었다.
흥미로운 점은, 기술 자체보다 “해석”과 “내러티브”가 시장을 더 크게 흔들었다는 것이다.
이 글에서는 TurboQuant라는 기술의 실제 의미와, 그것이 왜 과대해석되었는지를 정리해본다.

1. TurboQuant는 무엇인가 (간단 요약)

TurboQuant는 대규모 모델에서 메모리 사용을 줄이기 위한 quantization 기반 최적화 기법이다.
핵심은 모델의 weight나 activation을 더 효율적으로 표현하여 메모리 footprint를 줄이면서 성능을 유지하는 것이다.
즉, 본질적으로는:
•
새로운 모델 패러다임
•
효율적인 실행 (efficiency optimization)
이다.
이 점이 매우 중요하다.

2. “Application layer 연구”라는 본질

TurboQuant가 반도체 주가를 흔든 이유 — 기술 vs 시장의 온도차
“논문 하나로 산업이 바뀔까?”에 대한 냉정한 답

세종 생각

이미 잘 하던 것들
본 리서치는 Mintlify에 호스팅된 “How Claude Code works” 문서(이하 Mintlify 문서)와, 그 페이지에 포함된 **모든 하이퍼링크(내부/외부)**를 1차 범위로 읽고 번역·요약한 뒤, 에이전트 설계 관점(에이전틱 루프, 메모리/컨텍스트, 멀티에이전트, CI/CD 연계, 문서→학습/검색 파이프라인)에 맞춰 구조화된 분석으로 재구성했습니다. Mintlify 문서는 Claude Code의 에이전틱 루프를 “사용자 입력→컨텍스트 조립→모델 호출→tool_use→권한 체크→도구 실행→tool_result→반복”으로 설명하며, 컨텍스트(시스템/사용자) 캐싱, 메모리(자동/CLAUDE.md) 로딩, 도구 결과 크기 제한/임시파일 처리, 대화 저장·재개, 컨텍스트 압축(compaction)까지 “런타임 관측 가능한 운영 모델”을 제공합니다.
만우절 전날 기념 Claude Code 유출

본문 (ChatGPT Generated)

요즘 AI 커뮤니티에서 가장 흥미로운 흐름 중 하나는
단순한 모델 성능 경쟁이 아니라, **“AI가 스스로 개선되는 구조”**로의 전환이다.
그 중심에 있는 개념이 바로
Andrej Karpathy가 만든 autoresearch,
그리고 이를 확장해 부르는 이름인 The Karpathy Loop다.

핵심 아이디어: 연구를 루프로 바꿔버리다

“점수를 매길 수 있으면, 자동으로 개선할 수 있다.”
이 한 문장이 모든 걸 설명한다.
Karpathy의 autoresearch는 복잡한 연구 시스템이 아니다.
오히려 놀라울 정도로 단순한 구조다:
•
어떤 대상 (코드, 문서, 프롬프트 등)을 수정한다
•
결과를 metric으로 평가한다
•
좋아지면 유지, 아니면 폐기한다
The Karpathy Loop: AI는 이제 스스로 연구를 시작한다
Autoresearch에서 Swarm Intelligence까지, “점수화된 세계”의 시작
Load more