주제별 읽기
로컬 AI와 메모리
에이전트가 더 많이 기억할수록 무엇은 계속 보지 못하게 해야 할까요?
로컬 실행과 장기기억, 소유권, 에이전트가 안전하게 사용할 컨텍스트를 기록합니다.
주제 가이드
기억은 경계가 보일 때만 유용해집니다.
세션을 넘어 에이전트가 무엇을 기억하고, 찾고, 잊어야 하는지 결정하는 개발자를 위한 안내입니다.
기억의 범위를 정하는 방법
- 기억의 소유자와 보관할 수 있는 위치
- 검색 범위가 에이전트가 보는 것을 어떻게 바꾸는지
- 보호가 필요한 원문을 별도 접근 경로로 분리하는 이유
컨텍스트를 저장하기 전에
- 보관된 내용을 소유자가 확인하고 고칠 수 있는가
- 민감한 원문과 안전한 요약을 분리할 수 있는가
- 조회에 실패했을 때 추측하지 않고 더 적게 반환하는가
최근 기록
- 샌드박스가 깨진 뒤, Luthn은 무엇을 막아야 하나AI 에이전트가 격리 환경을 넘어선 사건을 계기로, Luthn에 적용된 메모리·민감정보·권한 경계를 실제 저장소와 테스트 기준으로 점검했습니다.
- 에이전트의 기억은 많을수록 좋아지지 않는다연구와 Luthn의 제한된 recall 설계를 바탕으로 에이전트 기억이 신뢰성·탐색 다양성·컨텍스트 비용 사이에서 만드는 trade-off를 설명합니다.
- 오픈 웨이트 모델은 어디까지 실무에 들어왔나오픈 웨이트 모델은 로컬 에이전트와 작업별 AI 스택을 직접 설계하는 실무 선택지가 되고 있습니다. Meta Muse Glimmer와 DeepSeek V4 Flash 사례로 가능성과 한계를 살펴봅니다.
- 에이전트의 장기기억은 저장보다 감사가 어렵다장기기억은 저장과 검색만의 문제가 아니라 유효성·관계·출처·접근·사용 이력을 감사할 수 있어야 한다는 점을 연구와 Luthn 사례로 살펴봅니다.
- Needle 2가 보여준 ‘어디에나 들어가는’ 특화 LLM의 가능성Needle 2를 통해 작은 온디바이스 모델에서는 도착할 기기, 도구 계약, 신뢰도 기준, 상위 경로까지 모델 설계의 일부가 된다는 점을 살펴봅니다.
- Meta의 Muse Glimmer, 로컬 에이전트를 위한 30B 선택Meta의 Muse Glimmer는 로컬 에이전트 실행을 구체적인 하드웨어 선택으로 만들지만, 메모리·런타임·개인정보 경계는 여전히 주변 시스템이 결정합니다.
- 에이전트 메모리에는 검색보다 권한 모델이 먼저다Luthn을 개발하며 owner 격리·safe projection·보호 정보 접근 흐름과 검색 튜닝 전에 실행해야 할 테스트를 정리했습니다.
- 로컬 LLM 에이전트는 장기기억을 감사해야 한다작은 오픈 웨이트 모델을 개인 장비에서 돌릴수록 에이전트의 장기기억을 분류·검증·감사하는 설계가 중요해지는 이유를 정리합니다.
- GLM-5.2가 보여준 오픈 웨이트 AI의 안전 격차GLM-5.2의 성능 추격과 독립 평가에서 드러난 오픈 웨이트 모델의 안전장치·검증·배포 문제를 정리합니다.
