퍼플렉시티, 에이전트가 밤마다 자기 업무를 복습하는 ‘브레인’ 공개

메모리의 초점이 ‘사용자’에서 ‘업무’로 이동

• 퍼플렉시티가 AI 에이전트용 메모리 시스템 ‘브레인(Brain)’을 공개함.

  • 자체 에이전트 서비스 ‘컴퓨터(Computer)’를 위한 연구 프리뷰 형태로 나왔음.
  • 맥스와 엔터프라이즈 맥스 구독자에게 순차 제공될 예정임.

• 기존 AI 메모리는 대체로 사용자를 기억하는 쪽이었음.

  • 사용자의 취향, 선호도, 업무 스타일, 연락처, 직무를 기억해서 개인화 답변을 주는 방식임.
  • 오픈AI가 확대한 챗GPT 메모리 기능 ‘드리밍(Dreaming)’도 이런 사용자 중심 메모리의 예로 언급됨.

• 퍼플렉시티의 주장은 다름. 메모리의 목적은 참여도가 아니라 성능이어야 한다는 것임.

  • 브레인은 사용자가 누구인지보다 에이전트가 어떤 일을 어떻게 했는지를 기억함.
  • 어떤 방법이 성공했는지, 어떤 접근이 실패했는지, 사용자가 어떤 수정 지시를 했는지를 축적함.

밤마다 작업 로그를 복습하는 에이전트

• 브레인의 핵심 구조는 컨텍스트 그래프(Context Graph)임.

  • 컴퓨터 에이전트가 수행하는 모든 작업이 그래프 형태로 기록됨.
  • 브레인은 일정 시간마다 이 데이터를 검토하고, 특히 야간에 세션 기록, 커넥터 결과, 문서 변경 사항, 수정 이력을 종합 분석함.

• 퍼플렉시티는 이 과정을 인간의 수면에 비유함.

  • 사람이 잠자는 동안 하루 동안 배운 내용을 정리하고 기억을 강화하듯, 브레인도 사용하지 않는 시간에 자기 경험을 분석한다는 설명임.
  • 좀 과장 섞인 표현 같지만, 에이전트가 매번 백지에서 시작하지 않게 만든다는 방향은 꽤 중요함.

sequenceDiagram
    participant 사용자
    participant 컴퓨터에이전트
    participant 컨텍스트그래프
    participant 브레인
    participant 엘엘엠위키
    사용자->>컴퓨터에이전트: 업무 요청과 수정 지시
    컴퓨터에이전트->>컨텍스트그래프: 세션, 파일, 결과 기록
    브레인->>컨텍스트그래프: 야간에 작업 이력 검토
    브레인->>엘엘엠위키: 프로젝트와 문맥 갱신
    컴퓨터에이전트->>엘엘엠위키: 다음 유사 작업에서 맥락 조회
    컴퓨터에이전트->>사용자: 더 적은 단계로 결과 생성

살아있는 업무 지식 베이스

• 브레인은 사용자의 업무 환경을 하나의 살아있는 지식 베이스로 만든다고 설명됨.

  • 자동 생성되는 ‘LLM 위키’ 형태의 컨텍스트 레이어를 활용함.
  • 프로젝트, 관련 인물, 아이디어, 문서, 작업 결과물이 구조적으로 저장됨.

• 중요한 건 추적 가능성임.

  • 모든 메모리 항목이 원본 세션, 파일, 문서와 연결돼 있음.
  • 퍼플렉시티는 이 구조가 신뢰성과 디버깅 측면에서 중요하다고 강조함.

• 실패도 기억한다는 점이 실전적으로 큼.

  • 어떤 데이터 소스가 유용했는지, 어떤 경로가 막다른 길이었는지, 사용자가 무엇을 수정했는지를 학습함.
  • 결과적으로 시간이 지날수록 더 적은 단계와 더 적은 모델 호출로 더 나은 결과를 만들 수 있다는 주장임.

왜 개발자에게 중요하냐

• 지금 대부분의 AI 에이전트는 장기 학습 능력이 약함.

  • 복잡한 업무를 대신한다고 해도, 작업마다 새로 문제를 푸는 느낌이 강함.
  • 이전에 실패했던 접근을 또 시도하거나, 사용자가 이미 고쳐준 맥락을 놓치는 경우가 생김.

• 브레인이 노리는 건 이 지점임.

  • 에이전트가 과거 작업의 시행착오를 축적하고, 다음 유사 작업에서 더 적은 토큰과 호출로 움직이게 만드는 것임.
  • 퍼플렉시티는 “현재의 토큰 사용량은 미래의 더 효율적인 토큰 사용을 위한 투자”라고 설명함.

• 개발팀 입장에선 에이전트 메모리가 단순 편의 기능이 아니라 운영 비용과 품질 문제로 연결됨.

  • 에이전트가 같은 실수를 반복하지 않으면 검수 비용이 줄어듦.
  • 과거 문맥을 잘 끌어오면 긴 프로젝트에서 더 쓸 만한 도구가 될 가능성이 커짐.

기술 맥락

• 브레인의 핵심 선택은 메모리를 사용자 프로필 저장소가 아니라 에이전트의 작업 학습 시스템으로 본다는 점이에요. 왜냐하면 업무용 에이전트에서 중요한 건 “사용자가 커피를 좋아함” 같은 취향보다 “지난번 이 데이터 소스는 틀렸고, 이 문서 수정 방식은 통했음” 같은 실행 기억이거든요.

• 컨텍스트 그래프를 쓰는 이유도 여기에 있어요. 세션, 문서, 커넥터 결과, 수정 이력을 그냥 텍스트 더미로 저장하면 나중에 왜 그런 판단을 했는지 추적하기 어렵거든요. 그래프로 묶어두면 에이전트가 어떤 자료에서 어떤 결론으로 갔는지 디버깅하기 쉬워져요.

• LLM 위키는 장기 프로젝트에서 특히 의미가 있어요. 프로젝트, 사람, 아이디어, 결과물이 계속 바뀌는데 매번 프롬프트에 다 넣을 수는 없잖아요. 그래서 에이전트가 필요할 때 찾아볼 수 있는 업무용 지식 레이어를 자동으로 갱신하려는 거예요.

• 비용 관점에서도 꽤 현실적인 접근이에요. 처음에는 메모리를 만들고 정리하느라 토큰을 더 쓰지만, 이후 유사 작업에서 단계와 모델 호출을 줄이면 전체 비용이 내려갈 수 있거든요. 퍼플렉시티가 비용 13% 감소를 강조한 것도 이 지점 때문이에요.