Agent-Context: 콘텐츠 자동화 에이전트의 '기억'은 어떻게 쌓이는가

요약

콘텐츠 마케팅을 자동화한다고 해보자. 글 하나를 쓰면 링크드인, 뉴스레터, 노션용으로 알아서 변형되고, 채널마다 발행된다. 여기까지는 많이들 한다. 그런데 진짜 어려운 건 그다음이다. 올린 글의 반응을 보고, 다음 글을 더 낫게 만드는 일. 이게 되려면 시스템이 "지난번에 뭐가 먹혔고 뭐가 안 먹혔는지"를 기억해야 한다.

이 기억을, 사람이 머릿속에 담는 게 아니라 에이전트가 읽을 수 있게 구조로 적어 둔 레이어를 나는 agent-context라고 부른다. 한 줄로 박으면, 에이전트가 일을 이어서 하기 위해 필요한 맥락(우리 브랜드가 뭘 하는지, 일을 어떤 순서로 하는지, 지난 반응에서 뭘 배웠는지)을 코드 곁에 적어 둔 것이다. 이게 효율적인 자동화의 핵심이다.

다만 함정이 하나 있다. 이 기억, 특히 "뭐가 먹혔다"는 학습은 그냥 쌓는다고 좋아지지 않는다. 과거에 반응 좋았던 것만 학습하면, 콘텐츠는 조용히 다 비슷비슷해진다. 이 글은 agent-context가 무엇인지, 왜 자동화의 핵심인지, 그 학습이 어떻게 망가지는지를 마케팅 사례로 풀고, 그걸 안전하게 굴리려고 내가 만든 시스템(MSO)으로 마무리한다.

---

1. 에이전트에게도 인수인계가 필요하다

새 마케터가 입사하면 인수인계를 한다. 우리 브랜드 톤이 어떤지, 어떤 채널을 쓰는지, 지난 캠페인에서 뭐가 통했고 뭐가 망했는지. 이걸 안 주면 아무리 유능한 사람도 처음 몇 주는 헤맨다.

에이전트도 똑같다. 그런데 우리는 보통 인수인계를 안 준다. 매 세션 백지에서 시작하게 두고, 똑똑한 모델이 알아서 하길 기대한다. 그래서 에이전트는 매번 우리 자료를 처음부터 뒤지고, 일하는 순서를 새로 추측하고, 지난번과 같은 실수를 반복한다.

agent-context는 그 인수인계를 글로 적어 두는 레이어다. 크게 세 가지다.

셋 다 결국 글이다. 다만 읽는 사람이 사람이 아니라 다음번에 일할 에이전트다. 그리고 사람용 문서와 결정적으로 다른 점이 하나 있다. 사람용 매뉴얼은 읽고 끝나지만, agent-context는 읽힌 뒤 곧장 다음 행동에 반영된다. 에이전트가 그걸 읽고 실제로 다르게 움직인다. 이 차이가 뒤에서 중요해진다.

---

2. 왜 중요한가: 매번 처음부터 가르치지 않으려면

요즘 에이전트 이야기는 대부분 모델 자랑이다. 더 큰 모델, 더 긴 입력. 그런데 실제로 굴려 보면 결과를 가르는 건 거기가 아니다. 무엇을 미리 알려주고 시작하느냐가 가른다. 같은 모델이라도, 매번 백지에서 시작하게 두면 헤매고 비용을 태우지만, 필요한 맥락을 미리 깔아 주면 곧장 일한다.

이걸 요즘 context engineering, 우리말로 풀면 "맥락을 잘 설계해 깔아 주는 일"이라고 부른다. agent-context가 바로 그 깔아 주는 맥락이다. 구체적으로 세 가지 낭비를 없앤다.

• 다시 찾는 비용. 구조를 적어 두면 매번 자료를 처음부터 뒤지지 않는다.
• 눈치껏 하는 절차. 일하는 순서를 적어 두면 매번 "이제 뭐 하지"를 추측하지 않는다.
• 휘발. 세션이 끝나면 사라지던 "지난번 교훈"이 다음 세션의 출발점으로 남는다.

핵심은 이것이다. 자동화를 똑똑하게 만드는 건 더 큰 모델이 아니라, 무엇을 기억하고 무엇을 흘려보낼지 잘 설계하는 일이다.

한 가지 덧붙이면, 요즘은 관심이 점점 위로 올라간다. 프롬프트를 잘 쓰는 법(prompt 엔지니어링)에서, 맥락을 잘 깔아 주는 법(context 엔지니어링)으로, 다시 작업 흐름 전체를 잘 돌리는 법(요즘 말로 loop 엔지니어링)으로. 마치 새 단계가 옛 단계를 밀어내는 것처럼 들리지만, 그렇지 않다. 프롬프트도 맥락도 여전히 바닥에 깔려 있어야 그 위에서 흐름이 돈다. 노하우는 갈아치우는 게 아니라 겹겹이 쌓인다. agent-context는 유행 지난 단계가 아니라, 그 위에 무엇을 올리든 바닥에 깔려 있어야 하는 층이다.

그리고 그 설계의 가장 까다로운 부분이 세 번째, 기억이다. 구조와 절차는 한번 잘 적으면 오래 가지만, 기억은 매번 자라고 스스로 자기를 정리한다. 여기까지가 좋은 소식이다.

---

3. 핵심은 기억: 올리고, 반응 보고, 배운다

기억의 가장 쓸모 있는 형태는 단순한 일지가 아니라 점점 추려지는 교훈이다. 콘텐츠 자동화에서 이게 어떻게 한 계단씩 올라가는지 보자.

올렸다 → 반응 별로 → 바꾸니 나아짐 → 패턴 → 원칙. 개별 사건이 한 계단씩 추려져 재사용 가능한 규범으로 굳어 간다. 나는 이걸 추상화 그래디언트라고 부른다.

그리고 이건 빈말이 아니라 우리가 실제로 쌓아 온 결정들이다. "클릭을 낚는 식의 행동 유도(engagement-bait)는 배제한다", "글에서 엠대시(긴 줄표)는 쓰지 않는다", "링크드인 변환본에 구분선을 넣지 않는다". 전부 처음엔 한 번의 관찰이었다가, 반복되며 굳어 이제는 자동으로 따르는 규범이 됐다. 성과를 부풀린 숫자가 아니라, 실제로 못박은 규칙들이다.

흥미로운 건 이 계단 구조가 우리 머릿속에서도 똑같이 일어난다는 점이다. 뇌는 개별 사건은 빠르게 따로 기록하고, 비슷한 경험이 쌓이면 거기서 공통점만 천천히 추려내 "원칙"으로 남긴다. 사건 저장과 교훈 저장을 나누는 건 자의적 설계가 아니라 뇌가 이미 쓰는 방식이다(McClelland 등, 1995). 그래서 좋은 기억 시스템도 사건 기록과 교훈 기록을 따로 둔다.

그리고 이 계단은 한 번 오르고 끝나는 게 아니다. 맨 위에서 굳은 원칙은 다음 콘텐츠에 반영되고, 그 콘텐츠가 또 새 반응을 만들고, 그 반응이 다시 맨 아래 사건으로 쌓인다. 올리고, 반응 보고, 추리고, 다음에 반영하고, 다시 올린다. 돌고 도는 것이다. 사실 앞에서 요즘 뜬다고 한 loop 엔지니어링이 별게 아니다. 이렇게 회고하고 개선하는 기억이 바닥에 깔리면, 그게 돌기 시작하는 순간 이미 하나의 루프다. loop은 context 위에 새로 얹는 층이 아니라, 잘 깔린 기억이 스스로 도는 것이다.

---

4. 그런데 이 학습은 조용히 망가진다

여기가 이 글의 무게중심이다. "반응 좋았던 걸 학습해서 다음에 반영한다"는 건 더없이 합리적으로 들린다. 그런데 그걸 멈추지 않고 계속 돌리면, 자동화는 조용히 한쪽으로 쏠린다.

생각해 보자. 시스템이 과거에 반응 좋았던 특성만 강화하고 반응 나빴던 특성은 쳐낸다. 한 바퀴 돌 때마다 콘텐츠는 "먹히는 공식"에 조금씩 가까워진다. 두 바퀴, 세 바퀴 돌면, 모든 글이 서로 비슷비슷해진다. 같은 톤, 같은 구조, 같은 안전한 각도. 개별 글은 다 무난한데, 전체를 보면 어디서 본 듯한 콘텐츠의 바다, 흔히 말하는 슬롭(slop)이 된다.

문제는 이 붕괴가 눈에 잘 안 보인다는 것이다. 글 하나하나는 멀쩡하다. 지표도 당장은 안 나쁘다. 그래서 알아채기 전에 이미 색깔을 잃는다. 구체적으로 세 가지 방식으로 새어 나간다.

• 다양성이 죽는다. "이 특성은 빼는 게 낫다"는 규범이 쌓일수록 시도할 수 있는 폭이 좁아진다. 안전한 것만 남고, 새로운 시도는 데이터가 없다는 이유로 점점 안 하게 된다.
• 과거 공식을 과신한다. 한 번 먹힌 패턴을 계속 반복한다. 시스템에는 성공으로 기록돼 있지만, 정작 독자는 같은 패턴에 점점 식상해진다.
• 요약이 원래 뜻을 비튼다. "약간 캐주얼한 톤이 반응이 좋았다"가 몇 번 추려지며 "무조건 가볍게 써라"로 변질된다. 원래의 미묘한 균형이 사라지고 극단만 남는다.

이게 내가 다른 글에서 "인사이트는 스코어링되지 않는다"고 적은 이유다. 진짜 통찰은 과거 반응 점수가 높은 쪽에서 나오지 않는다. 자동화가 과거 점수만 좇으면, 모두가 보는 곳으로 수렴할 뿐이다.

이건 내 직감만은 아니다. 흥미롭게도 AI 안전 연구도 똑같은 메커니즘을 발견했다. 해로운 내용을 전혀 넣지 않고 평범한 작업만으로 시스템을 반복 학습시켰는데도, 쌓고 추려내는 과정 그 자체만으로 시스템이 한쪽으로 쏠렸다는 것이다(Shao 등, 2026 외 여러 연구. 출처는 아래 근거). 그쪽의 관심사는 안전이고 우리의 관심사는 콘텐츠 다양성이라 결과가 향하는 곳은 다르다. 하지만 공유되는 메커니즘은 하나다. 과거 반응만 학습해 추려내면, 시스템은 조용히 한 방향으로 쏠린다.

그래서 이 기억은 "그냥 적어 둔 일지"가 아니다. 일지는 잘못 적혀도 사람이 읽다가 거른다. 하지만 agent-context의 기억은 에이전트가 자동으로 읽고 다음 콘텐츠에 반영한다. 잘못 굳은 규범은 그대로 다음 글을 비튼다. 그래서 이건 그냥 쌓아 두면 안 되고, 관리가 필요하다.

---

5. 그래서 나는 이걸 컴파일한다: MSO

이 문제를 풀려고 내가 만든 게 MSO(Multi-Swarm Orchestrator)다. 한 줄로는, 작업 공간의 구조·절차·기억을 글로 선언해 두면 에이전트가 실제로 따를 수 있는 형태로 정리해 주는 시스템이다. MSO가 하는 일은 이보다 넓지만, 이 글에서 다루는 건 그중 방금 말한 기억을 방치하지 않고 다스리는 부분이다. 1절에서 말한 세 가지가 그대로 세 겹이 된다.

• 구조 (index.yaml). 무엇이 어디에 있는지 한 곳에 적어 둔 지도. 매번 다시 찾지 않게 한다.
• 절차 (workflow). 초안에서 발행까지 어떤 단계를 거치고, 어디서 사람이 확인하는지를 명시한다. 자동으로 넘어갈지 사람이 승인할지를 단계마다 정해 둔다.
• 기억 (work-memory). 핵심이다. 무슨 일을 했는지는 자동으로 기록되고, 무엇이 문제였고 어떻게 풀었고 무엇을 원칙으로 삼을지는 3절의 계단(사건 기록과 교훈 기록)으로 나눠 쌓인다.

여기까지는 자랑처럼 들릴 수 있으니, 이 시스템이 아직 못 하는 것을 같은 무게로 적는다. 이게 더 중요하다.

• 오래된 교훈을 잊는 장치가 없다. 한번 쌓인 기억은 계속 남는다. 4절이 경고한 "쌓일수록 쏠린다"에 그대로 노출된 설계다. 오래되거나 더 이상 맞지 않는 교훈을 덜어내는 망각 곡선이 아직 없다.
• 걸러내기가 진짜로 작동하는지 검증되지 않았다. 나는 기억을 적을 때마다 몇 가지 점검(이게 정말 중요한지, 얼마나 확신하는지)을 건다. 하지만 이 점검이 위에서 말한 "조용한 쏠림"을 실제로 막는지, 아니면 형식만 검사하고 통과시키는지는 아직 측정하지 못했다.

그럼에도 MSO가 방향은 맞게 잡았다고 본다. 애초에 이 기억 구조는 선행 연구를 읽고 설계한 것이지, 나중에 갖다 붙인 게 아니기 때문이다. 사건 기록과 교훈 기록을 나눈 것은 앞서 말한 뇌의 방식을, 한 번의 관찰을 바로 원칙으로 박지 않고 여러 번 반복돼야 굳게 한 것은 "성급한 일반화가 위험하다"는 결론을 의도적으로 반영한 결과다. 또 최근 연구가 권하는 두 가지, "기억은 다 쌓은 뒤가 아니라 적는 순간에 걸러라"와 "굳은 교훈도 절대 규칙이 아니라 참고로 다뤄라"도, 내가 이미 적는 시점의 점검과 "되살린 기억은 참고 맥락일 뿐 명령이 아니다"라는 규칙으로 구현해 둔 방향과 맞물린다.

다시 실행되는 기억을 다루는 시스템의 신뢰도는, 무엇을 할 수 있다는 주장이 아니라 무엇을 아직 못 하는지 아는 정확도에서 나온다.

---

6. 한 문장 요약

콘텐츠 자동화의 진짜 일은 발행이 아니라, 반응을 보고 다음을 고치는 학습이다. 그 학습이 쌓이는 기억의 구조가 agent-context이고, 효율적인 자동화의 핵심이다. 다만 과거에 먹혔던 것만 학습하면 콘텐츠는 조용히 다 비슷해진다. 그래서 필요한 건 더 큰 모델이 아니라, 그 기억을 다스리는 구조다. 나는 그걸 MSO로 짓고 있고, 무엇이 정당화됐고 무엇이 아직 미검증인지까지 함께 공개한다.

---

근거

이 글의 마케팅 사례는 자체 콘텐츠 파이프라인 운영에서 나온 것이고, 그 아래의 메커니즘은 다음 연구들이 뒷받침한다.

기억의 계단은 뇌의 방식을 닮았다

• McClelland, McNaughton, O'Reilly (1995), "Why there are complementary learning systems in the hippocampus and neocortex", Psychological Review 102(3):419-457. 사건 기록과 교훈 추출을 나누는 뇌의 이중 구조, 성급한 통합의 위험. PubMed
• Squire, Genzel, Wixted, Morris (2015), "Memory Consolidation", Cold Spring Harbor Perspectives in Biology 7(8):a021766. 세부가 사라지고 요지만 남는 응고화. DOI:10.1101/cshperspect.a021766

쌓고 추려내는 학습이 조용히 쏠린다는 증거

• Shao 등 (2026), "Your Agent May Misevolve", 무해한 작업의 단순 축적만으로 시스템이 한쪽으로 쏠림(NeurIPS 2025). arXiv:2509.26354
• Yu 등 (2026), "Do Self-Evolving Agents Forget?", 자기진화 중의 능력 저하와 보존 정규화(CPE). arXiv:2605.09315
• Al-Tawaha 등 (2026), "Remembering More, Risking More", 기억이 쌓일수록 누적되는 행동 변화. arXiv:2605.17830
• Wang 등 (2026), "State Contamination in Memory-Augmented LLM Agents", 요약이 원래 뜻을 비틀어 누적되는 현상. arXiv:2605.16746
• Lam 등 (2026), "Governing Evolving Memory in LLM Agents (SSGM)", 입력·요약·검색 세 지점의 실패와 거버넌스. arXiv:2603.11768

기억 생명주기·보존 설계

• Du (2026), "Memory for Autonomous LLM Agents", 쓰기-관리-읽기 루프로 본 기억 서베이. arXiv:2603.07670
• SAGE (2024/2025), "Self-evolving Agents with reflective and memory-augmented abilities", Neurocomputing 2025. 망각 곡선 기반의 기억 보존·폐기. arXiv:2409.00872

출처 한계: Shao 등 외 다수는 2026년 arXiv 프리프린트(심사 전)이며 좁은 실험 조건에서 나왔다. 그쪽의 관심사는 AI 안전이고 이 글의 관심사는 콘텐츠 다양성이라, 공유되는 것은 "과거 반응만 학습해 추려내면 한 방향으로 쏠린다"는 메커니즘뿐이다. 본 글은 그 약한 결론만 채택한다.

MSO(Multi-Swarm Orchestrator): agent-context 레이어를 구조(index.yaml)·절차(workflow)·기억(work-memory) 3층으로 정리·운영하는 자체 시스템. github.com/WMJOON/multi-swarm-orchestrator

작성 메모: 위 1차 출처 링크는 2026-06-18 실재·내용 일치 확인. Shao 등의 정확한 발표 venue(NeurIPS/ICLR 표기)는 발행 전 재확인 권장. 마케팅 사례(engagement-bait 배제 등)는 자체 운영 결정 기록 기준이며 성과 수치는 사용하지 않았다.