YC가 본 다섯 가지 AI 에이전트 코어 형태

원문 저자: Taylor Pearson
번역: Peggy

편집자 주: AI 에이전트가 일회성 프롬프트와 바이브 코딩을 벗어나보다 복잡한 워크플로 단계로 진입할 때, 실제 중요한 문제는 더 이상 "모델이 작업을 완료할 수 있는가"가 아니라 "AI 능력을 재사용 가능하고 축적 가능한 프로세스 자산으로 어떻게 정착시킬 수 있는가"가 되었습니다.

본문은 Garry Tan의 GBrain을 시작으로, Codex, Claude Code, Hermes 등의 에이전트 도구를 사용할 때 많은 사람들이 점차 수렴하는 다섯 가지 핵심 형태를 요약했습니다: 매개변수화 가능한 Skills, 가벼운 실행 프레임워크 Thin Harness, 라우팅을 담당하는 Resolvers, 모델 추론과 결정적 코드 실행의 구분된 층, 그리고 장기적 맥락 축적을 위한 Memory입니다.

이러한 모듈이 결합된 결과는 새로운 "프로세스 능력"을 가리킵니다: 경험을 프로세스로 기술화하고, 작업을 매개변수로 추상화하며, 안정적인 규칙을 코드에게 맡기고, 판단과 종합을 모델에게 위임한 후 기억층을 통해 지속적으로 축적합니다. 일회성 생성된 응용 프로그램이나 프롬프트보다는 이러한 시스템이 보다 어렵게 복제될 뿐 아니라 개인, 소규모 팀, 심지어 기업이 AI 시대에 장기적 경쟁 우위를 구축하는 기반이 될 가능성이 더욱 높습니다.

아래는 원문입니다:

나는 Garry Tan의 GBrain을 연구하는 데 시간을 할애했습니다. 기술 배경이 없고 벤처 캐피탈 산업에서 일하지 않는 사람으로서, 나는 여기서 보이는 몇 가지 공통 구조형태를 요약하고 실제 흥미로운 부분을 추출하고 싶었습니다.

내 생각에, 많은 사람이 서서히 동일한 핵심 구조 그룹으로 수렴하고 있습니다. 이들은 대략 5가지 형태로 요약될 수 있으며, Codex, Claude Code, Hermes, OpenClaw 등의 인공지능 에이전트 도구의 사용 방식에서 자연스러운 진화 방향을 대표합니다.

관련 글읽기: "날씬한 가방: 100배 AI 생산성의 진정한 원천"

Skills: SOP에서 "메소드 호출"로

Skills는 거의 모든 사람에게 가장 자연스러운 시작점입니다. 아무도 알려주지 않아도 사용자는 무의식적으로 이를 구축하려고 합니다. 이는 그 형태가 매우 익숙하기 때문입니다. 나는 처음에 이를 SOP로 이해했는데, 이는 특정 작업을 수행하는 데 사용되는 표준 작업 절차입니다. 사용자가 "무엇을 해야 하는지"를 제공하면, Skill이 "어떻게 해야 하는지"를 제공합니다.

Tan의 이해에 따르면, Skill은 더 많이 "메소드 호출"과 유사하다. 프로그래밍에서 메소드 호출이란 매개변수를 사용하여 특정한 프로그램 흐름을 호출하는 것을 말한다. 동일한 코드 조각이 항상 실행되지만 변하는 것은 매개변수이다: 어떤 데이터, 어떤 문제, 어떤 목표. 예를 들어, 동일한 process_invoice 함수는 시스템 내의 각 송장을 처리할 수 있으며 처음에 작성될 때 해당하는 송장만 처리하는 것이 아니다.

Skill도 비슷한 구조를 갖는다. /investigate라는 이름의 Skill은 일곱 개의 고정된 단계를 포함할 수 있으며, 이 일곱 단계는 변하지 않는다. 변하는 것은 매개변수이다: TARGET(누구나 무엇에 대한 조사인가), QUESTION(무엇을 이해하려고 하는가), DATASET(정보를 어디서 얻을 것인가). 의료 산업의 고발자 사례에 대한 경우 이는 연구 분석가처럼 작용하며, SEC 고발 파일에 대한 경우 법률 조사관처럼 작용한다. 동일한 파일, 동일한 일곱 단계이지만 외부 세계에서 제공되는 것에 따라 다르다.

이는 전통적인 SOP와 다르다. 대부분의 SOP는 특정 직무나 작업을 위해 작성되며 예를 들어 "매입 처리"와 같다. 각 사용 사례에는 일련의 절차가 있다. 그러나 Skill은 추상화 수준이 더 높아 동일한 일련의 절차가 일종의 문제를 처리할 수 있다. 잘 설계된 Skill은 수십 개의 SOP 작업을 수행할 수 있으며, 구체적 사례 정보가 문서에서 추출되어 매개변수로 전달된다. 실제 사용 사례에 따라 일부 Skill은 SOP에 더 가깝고, 일부는 메소드 호출에 더 가깝다.

Thin Harness: 모델은 지능, Harness는 손과 발

모델은 Opus, GPT-5.5 등의 원시 지능이며, Harness는 실제로 모델이 "손과 발"을 갖도록 하는 실행 프레임워크인 Claude Code, Codex CLI, Hermes, OpenClaw와 같다. 이들은 반복 실행, 파일 읽기/쓰기, 컨텍스트 관리, 보안 제약 조건 실행을 담당한다. 핵심 코드는 대략 200줄 정도이다.

Garry는 많은 사람들이 하는 실수 중 하나는 계속해서 Harness에 더 많은 것을 넣는 것이라고 언급했다. 나 자신도 그렇다. 최종적으로 100개의 도구 정의와 많은 MCP 서버를 축적했다. 결과적으로 컨텍스트 창이 현재 작업에 필요하지 않은 도구 설명으로 가득 차게 되었다. 모델이 어떤 도구를 사용해야 하는지 혼란스러워지고, 지연이 발생하며 정확도가 감소해 마침내 "컨텍스트 부패"로 이어졌다.

Resolvers: 라우팅 테이블을 사용한 컨텍스트 부패 해결

컨텍스트 부패 해결 방법은 라우팅 테이블을 구축하는 것입니다. Resolver의 역할은 "방금 들어온 작업 유형 X"를 "호출해야 하는 Skill Y"로 명확히 매핑하는 것입니다. 5개의 Skill만 있을 때는 Resolver가 필요하지 않지만, 100개의 Skill이 있을 때는 다양한 설명이 흐릿해지며, 모델이 올바른 시간에 올바른 Skill을 호출하지 못할 수 있습니다. Resolver는 흐릿한 패턴 매칭을 명확한 규칙으로 대체합니다.

Tan은 파일에 대해 Resolver와 유사한 메커니즘을 실행했습니다. 이는 특정 Skill의 출력이 파일 시스템의 어느 위치로 들어가야 하는지 결정하는 독립적인 라우팅 테이블입니다. 이것은 다른 문제에 적용된 동일한 "감사 - 라우팅" 구조입니다. 결과적으로 출력은 모델이 임시 추측한 위치가 아닌 올바른 폴더에 안정적으로 들어가게 됩니다.

Skillify는 그의 또 다른 도구 체계입니다. 이것은 일회성의 Skill을 장기적으로 재사용 가능한 인프라로 변환하는 품질 순환입니다. Tan이 설명한 10단계 프로세스에는 계약 정의, 결정론적 코드 사용, 단위 테스트, 통합 테스트, LLM 평가, Resolver 엔트리, 감사 스크립트, Skill 호출 경로 확인, 그리고 엔드 투 엔드 스모크 테스트가 포함됩니다. 테스트 기준은 매우 간단합니다. 모델에게 같은 질문을 두 번 반복해서 해야 한다면 실패입니다.

잠재적 vs. 결정론적: 판단은 모델에게, 결정론적 작업은 코드에게

어떤 작업을 LLM에게 맡겨야 하고 어떤 작업을 결정론적 시스템에게 맡겨야 하는지를 신중하게 구분해야 합니다. LLM은 심사, 종합, 패턴 인식 및 비문 이해에 능숙하지만, 산술, 조합 최적화는 잘 하지 못하며 매번 같은 답을 내놓아야 하는 작업에는 적합하지 않습니다. LLM은 본질적으로 확률적이며 결정론적 솔루션이 문제를 해결할 수 있는 경우 LLM을 사용해서는 안 됩니다.

대부분의 비기술적인 사람들은 종종 결정론적 레이어의 가치를 과소평가합니다. 모든 일을 모델에게 맡기려는 경향이 있습니다. 그러나 특정 작업을 결정론적 방식으로 처리할 수 있다면, 거의 항상 그렇게 해야 합니다. 또한 당신이 프로그래머가 아니어도 괜찮습니다. 모델이 대신 코드를 작성할 수 있습니다. 학습해야 하는 것은 규율입니다. 항상 스스로에게 "이 일을 안정적이고 저렴하게 코드로 완료할 수 있는가?"라고 물어보세요. 그렇다면 모델이 해당 코드 조각을 작성하도록 하십시오.

기억: 시스템이 실제로 기억을 구축하도록

시스템이 유용하려면 어떤 형태의 기억이 있어야 합니다. 저는 가장 올바른 형태가 무엇인지 확신하지 못하고 많은 사람들이 다양한 방식으로 구축하고 있습니다: 벡터 임베딩, 의미 유사성, 지식 그래프, 혼합 저장 등. Tan의 방법은 제 방식과 동일합니다. 즉, 하나의 마크다운 폴더입니다.

예를 들어 누군가가 MyFitnessPal을 복제하여 절반 가격에 판매하고 100만 달러를 벌었다면, 이는 분명히 인상적입니다. 그러나 누군가가 곧 이를 다시 복제하고 더 낮은 가격으로 판매할 것입니다. 이 순환은 수익 공간이 완전히 압축될 때까지 계속될 것입니다.

진정으로 지속 가능한 것은 어떤 종류의 "프로세스 능력"입니다. Hamilton Helmer의 《7 Powers》 프레임워크에 따르면, 상기 아키텍처가 암시하는 것은 바로 프로세스 파워입니다.

《7 Powers》는 기업이 장기간에 걸쳐 시장 평균 수익률보다 높은 이유는 그들이 일곱 가지 구조적인 힘 중 하나를 보유하기 때문이라고 주장합니다. 이러한 힘에 뿌리박혀 있지 않은 모든 유리함은 결국 경쟁에 의해 침식될 것입니다.

중소기업 및 초기기업에 대해, Helmer의 일곱 가지 힘 중 다섯 가지는 기본적으로 닫혀 있습니다. 규모의 경제는 규모를 필요로 하며, 네트워크 효과 및 전환이 적용될 수 있지만 먼저 대규모 사용자 기반을 구축해야 합니다. 대체 불가능한 자원은 일반적으로 특허 또는 유사 자산을 의미하며, 이는 대부분의 기업이 보유하기 어려운 것입니다. 브랜드는 보통 10년이라는 시간이 필요하며, 지름길이 존재하지 않습니다.

남은 두 가지는 반리세와 프로세스 능력입니다.

반리세는 기존 거물이 모방할 수 없는 비즈니스 모델을 가리킵니다. 왜냐하면 모방하면 기존 비즈니스에 해를 끼칠 수 있기 때문입니다. 이러한 기회는 때때로 존재하지만 항상 얻을 수 있는 것은 아닙니다.

그래서 가장 현실적인 길은 프로세스 능력에 집중하는 것입니다. 그리고 잘 설계된 AI 시스템은 바로 프로세스 능력을 생성할 수 있는 도구입니다.

이는 고품질 SOP 또는 고유 소프트웨어를 구축하는 것과 본질적으로 같습니다. 프로세스가 코딩되고 사례가 매개화되며, 기본 확정 시스템은 빠르고 신뢰할 수 있게 작동하며, 메모리 레이어는 지속적으로 학습한 내용을 수용합니다. 이로써 "제품화된 서비스"가 더욱 확장되어 제공될 수 있습니다. 어떤 서비스나 제품을 더 낮은 비용이나 더 높은 품질로 제공할 수 있게 됩니다. 왜냐하면 전체 작업이 이미 구조화되어 있기 때문입니다.

회계사가이러한 시스템을 구축했다고 상상해보십시오. 메모리 레이어는 폴더이며, 각 고객에 대한 markdown 파일을 포함하며 현재 신뢰할 수있는 결론을 제공합니다. 예를 들어 Entity Structure, 연례 세무 입장, 진행 중인 감사, 그리고 회의, 결정 및 변경 사항을 기록하는 타임 라인이 있습니다.

그녀는 /year-end-review, /quarterly-estimate, /audit-prep와 같은 몇 가지 스킬을 가지고 있습니다. 동일한 프로세스 집합을 여러 고객에 맞게 매개화하여 실행할 수 있습니다.

또한 고객의 세금표, 감가상각표, IRS 문서, 고객의 역사적 세금표 등을 포함하는 확정성 레이어가 있습니다.

또한 로그 정리나 dream cycle과 유사한 메커니즘이 추가됩니다. 예를 들어 시스템이 야간에 자동으로 발견하여 특정 파트너의 K-1 할당이 전략 변경이 없는 상태에서 40% 감소했다는 것을 발견하거나, 특정 고객의 가정 사무실 공제 구조가 다른 고객으로 옮겨갈 수 있음을 인지했을 때 구조는 재사용될 수 있지만 신원과 프라이버시는 여전히 그대로 유지됩니다.

이렇게 함으로써 그녀는 소량의 프리미엄을 받을 수 있으며 매년 더 많은 고객을 서비스할 수 있으며, 경쟁자들은 이러한 구조가 단순히 그녀의 성공 이후에 나타난 것이 아니라 초기부터 계속해서 축적되고 있기 때문에 재현하기 어렵습니다.

표면적으로 보면이 도구는 단순히 마크다운 파일 폴더입니다. 그러나 각 파일의 각 행은 의도적인 테스트, 구축 및 이터레이션을 통해 배출된 많은 노력의 결정에 의해 만들어졌습니다. 진정한 경쟁 우위는 파일 자체가 아니라 이러한 파일이 운용하는 프로세스 능력에서 형성됩니다.

[Original Link]

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia