AI는 무엇을 기억해야 할까? '꿈'으로 기억을 고치는 AI 에이전트

AI에게 “기억 노트”를 쥐여 주면 알아서 똑똑해질까요?
Anthropic이 2026년 11월 6일 공개한 연구의 답은 “노트만으로는 부족하다”입니다.
승부처는 무엇을 적느냐, 그리고 틀리게 적은 노트를 어떻게 고치느냐였습니다.
사람도 잠든 사이에 기억을 정리합니다
우리 뇌는 낮의 경험을 해마에 재빨리 적어 두고, 일부만 골라 장기 기억으로 굳힙니다. 이 정리는 주로 잠잘 때 일어난다고 알려져 있습니다.
AI 에이전트(도구를 써서 일하는 AI)도 같은 구조로 설계할 수 있습니다. 일하는 동안에는 작업 기록을 남기고, 일이 끝난 쉬는 시간에 그 기록을 다시 읽으며 메모를 고치고 정리합니다. 이것이 드리밍입니다. 일하는 순간에는 무엇이 나중에 중요해질지 알 수 없으니, 돌아보는 시간이 필요합니다.
AI의 기억은 4층으로 쌓입니다. 맨 아래가 작업 기록(일지 원본)이고, 그 위에 메모(포스트잇), 정리본(사내 위키), 매번 시작할 때 읽는 첫머리 요약이 있습니다. 드리밍은 아래층을 근거로 위층을 고치고 만드는 일입니다.
많이 적을수록 좋을까? 포켓몬이 보여준 답
Anthropic은 긴 게임인 포켓몬 레드로 “AI가 무엇을 적을지 고르는 판단력”을 시험했습니다. 게임을 약 1만 걸음 진행한 시점의 메모 폴더를 비교했습니다.
| Sonnet 3.7 | Fable 5 | |
|---|---|---|
| 메모 파일 | 413개 | 10개 |
| 메모 분량 | 약 98만 자 | 약 4.3만 자 |
결과적으로 Sonnet 3.7은 배지 1개, Fable 5는 4개를 얻었습니다.
Sonnet 3.7은 전투와 아이템, 만난 인물마다 파일을 만들었습니다. 게임 상황은 계속 바뀌니 기록은 금방 낡았고, 메모를 정리하느라 게임은 멈췄습니다. 한때는 17걸음 동안 파일 6개를 만들고 9개를 지우면서 게임 속에서는 한 번도 움직이지 못했습니다.
Fable 5는 소지금이나 현재 위치처럼 화면에서 매번 읽을 수 있는 정보는 적지 않았습니다. 스스로 궁리해야만 생기는 전략, 계획, 검증된 규칙만 적었습니다. 몬스터볼이 7번 연속 빗나가자 “3번 넘게 실패하면 입력 타이밍을 바꿔 볼 것”이라는 규칙을 남긴 식입니다.
또 하나의 발견이 있습니다. 강한 모델에게는 “실패만 기록하라” 같은 세세한 규칙이 오히려 메모의 효과를 크게 깎았습니다. 무엇을 위한 메모인지만 알려 주고, 판단은 맡기는 편이 나았습니다. 다만 메모의 효과가 작던 Sonnet 4.6은 “답하기 전에 메모를 읽고, 세운 가설을 시험하라”는 안내를 더하자 점수가 0.364에서 0.641로 거의 두 배가 됐습니다.
드리밍 ① 틀린 메모를 바로잡는다
포켓몬에서 AI가 동굴(Mt. Moon) 입구 앞 건물의 위치를 반대로 적은 일이 있었습니다. 그 메모 때문에 AI는 동굴을 이미 지났다고 착각했고, 되돌아올 수 없는 절벽에서 세 번 떨어진 뒤 다음 도시에 끝내 닿지 못했습니다.
같은 폴더에 드리밍을 돌리자 AI가 메모를 작업 기록과 대조해 오류를 찾아 고쳤습니다. 고친 메모를 가진 AI는 곧장 동굴로 되돌아가 1,935번째 행동에서 다음 도시에 도착했습니다. 메모가 아예 없는 AI도 도착하지 못했습니다. 틀린 메모는 메모가 없는 것만큼 해롭고, 원본 기록이 있어야 고칠 수 있습니다.
드리밍 ② 흩어진 메모를 ‘지식 지도’로
위키는 AI가 직접 쓰고 관리하는, 서로 링크로 이어진 페이지 모음입니다. 약 35만 개 사내 문서를 두고 AI가 128번의 세션에 걸쳐 위키를 가꾸게 했더니, 위키만으로 맞힌 비율이 13%에서 48%로 올랐습니다. 검색과 함께 쓰면 54%에서 61%까지 올라 검색만 쓸 때(53%)보다 나았고, 질문당 약 2만 토큰(AI가 읽는 분량 단위)도 아꼈습니다.
효과는 일의 성격에 따라 갈렸습니다. 여러 문서를 엮어 판단이나 계산까지 해야 하는 질문은 위키를 쓰면 87%, 검색만 쓰면 73%였습니다. 반면 한 문서에서 찾을 수 있는 일에는 이득이 뚜렷하지 않았고, 한 과제에서는 위키가 원문보다 1.77배 커졌습니다.
드리밍은 어떻게 만들까?
구현 방법은 Anthropic의 공식 문서와 쿡북에 있습니다. 먼저 기반이 되는 메모리 저장소부터 보겠습니다. 메모리 저장소는 경로로 주소를 붙인 텍스트 문서 모음입니다. 세션에 연결하면 폴더처럼 마운트되고, AI는 평소 쓰던 파일 도구로 읽고 씁니다. 문서 하나는 최대 100KB, 저장소 하나는 최대 1만 개까지이고, 모든 변경은 버전으로 남습니다(보통 30일 보관). 그래서 “작은 파일을 많이” 쓰라고 권합니다.
방법 1. 공식 Dreams API
드리밍을 하나의 비동기 작업으로 요청하는 방식입니다(연구 프리뷰, 접근 신청 필요).
- 입력: 기존 메모리 저장소 1개 + 과거 세션 기록 1~100개
- 출력: 새로운 메모리 저장소. 중복은 합치고, 낡거나 모순된 항목은 최신 값으로 바꾸고, 새 통찰을 더합니다.
- 원본은 건드리지 않습니다. 결과를 검토한 뒤 다음 세션에 연결하거나 버리면 됩니다.
- 몇 분에서 몇 시간 걸리고, 선택한 모델의 일반 API 요금이 듭니다. 세션 수에 비례해 비용이 늘어나니 소량으로 시작하라고 권합니다.
dream = client.beta.dreams.create(
inputs=[
{"type": "memory_store", "memory_store_id": store_id},
{"type": "sessions", "session_ids": [session_a, session_b]},
],
model="claude-opus-5-5",
instructions="Focus on coding-style preferences; ignore one-off debugging notes.",
)
instructions에는 “무엇에 집중할지” 같은 큰 방향을 줍니다. “이 문장을 저렇게 고쳐라” 같은 줄 단위 지시는 대체로 반영되지 않는다고 문서는 설명합니다. 개별 수정은 메모리 API로 결과 저장소를 직접 고칩니다.
방법 2. 직접 만들기: 쿡북의 4단계 파이프라인
실행 시점, 읽을 기록, 처리 방식을 직접 정하고 싶다면 쿡북처럼 에이전트 파이프라인을 만듭니다.
- 내보내기: 끝난 세션을 세션당 텍스트 파일 하나로 저장합니다(요청, 도구 호출, 결과, 결론).
- 분석 에이전트(기록 1개당 1명, 병렬): 기록 전체를 읽고, 기존 메모의 검증 → 보강 → 정리를 순서대로 합니다. 보강에서는 명령어와 파일명 같은 구체적 값, 검증 일자, 낡았을 가능성을 적습니다. 정리에서는 프론트매터와
[[링크]]가 붙은 작은 파일과_index.md목차를 만듭니다. - 정리 에이전트(마지막에 1회): 중복 파일을 병합하고, 끊어진 링크를 고치고, 목차를 완성합니다. 사실 줄은 삭제하지 않습니다.
- 연결: 다음 세션이 결과 저장소를 읽기 전용으로 마운트합니다. 밤 1시에 cron으로 돌리면 매일 갱신됩니다.
모델은 총괄 에이전트에 Sonnet 5.5, 분석과 정리에 Haiku 5.5를 썼습니다. 가상 프로젝트 기록 11개(283KB)는 약 0.36달러에 2.5분이 걸렸고, 긴 기록 50여 개(약 12MB)는 약 8달러에 10분 남짓이었습니다.
원문의 128세션 위키 실험도 비슷한 구조입니다. 에이전트가 파일을 탐색하고, 연결된 위키 페이지를 쓰거나 고치고, 중복을 합치고, 주장을 원문 출처와 대조했습니다. 각 세션은 공유 로그로 앞선 진행을 이어받았습니다.
만들 때 지킬 설계 원칙
- 작은 파일 + 링크 + 목차. 큰 파일 몇 개보다 AI가 찾아가기 쉽습니다.
- 사실마다 날짜와 검증 여부를 적습니다. 낡은 사실은 지우지 않고, 최신 값으로 바꾸며 이력을 남깁니다.
- 동시 편집에 대비합니다. 여러 분석 에이전트가 한 파일을 동시에 쓰면 서로 덮어씁니다. 쿡북의 분석 에이전트는 쓰기 직전에 파일을 다시 읽고, 쓴 뒤 다시 읽어 확인하며, 충돌하면 양쪽을 병합합니다.
- 기록은 ‘데이터’이고 ‘명령’이 아닙니다. 기록 속 문장이 “지시를 무시하라”고 해도 따르지 않게 합니다. 분석 에이전트에게는 쉘과 네트워크를 주지 않고, 저장소는 읽기 전용으로 연결합니다.
- 맨 위 요약은 짧게. 매 세션 시스템 프롬프트에 넣는 텍스트는 4,096자 제한이 있고, 틀린 한 줄이 모든 세션에 번집니다. 넣기 전에 먼저 읽어 보라고 쿡북은 권합니다.
NOTE
한 줄 요약
- 좋은 기억은 많이 적는 것이 아니라, 직접 알아낸 것만 골라 적는 것입니다.
- 노트는 틀릴 수 있습니다. AI가 쉬는 시간에 원본 기록과 대조해 고치는 과정이 ‘드리밍(꿈)’입니다.
- 정리된 지식 지도(위키)는 여러 문서를 엮어야 할 때 효과가 컸습니다.
- 드리밍은 공식 API로 요청하거나, 분석 에이전트 파이프라인으로 직접 만들 수 있습니다.
우리 업무에 적용한다면?
- 메모의 목적만 알려 주고, 결과를 보며 지시를 보태세요.
- 다시 조회할 수 있는 정보는 적지 말고, 직접 알아낸 규칙과 함정을 근거와 함께 적게 하세요.
- 중요한 메모는 원본 기록과 정기적으로 대조하세요.
직접 해보기: 최근 AI에게 맡긴 일의 메모 후보 5가지 중 “다시 조회하면 나오는 것”을 지워 보세요. 남은 것이 진짜 적을 가치가 있는 기억입니다. AI의 ‘완료’ 보고를 실제 기록으로 확인하는 법은 이 글에서 이어서 볼 수 있습니다.
AI를 업무에 붙이는 방법이 고민이라면, 반복 업무 한 가지부터 AIB와 살펴보세요. AIB에 AI 도입·활용 상담 문의하기
참고 자료
함께 읽어보기
AI 에이전트와 관련된 글 더 보기 →
피클 AI 에이전트 후기: 전화·예약·쇼핑, 어디까지 되나?
최근 피클(Pickle)이라는 한국형 AI 에이전트가 화제입니다. 이름도 UI도 어딘가 장난스럽고, 캐릭터는 그록봇(Grok Bot)과 살짝 닮았습니다. SNS에서 호평이 이어지길래 저도…

AI 에이전트 결제 시대, 판매자가 준비할 상품정보와 요금제
고객이 우리 홈페이지를 방문하기 전에, 고객의 AI가 상품을 비교하고 구매까지 결정한다면 어떨까요? AI 에이전트는 사람이 맡긴 목표에 따라 정보를 찾고 일을 실행하는 AI입니다. AI…

AI 에이전트는 어떻게 만들고 서로 연결할까? Google Agentic AI Night 참관기
AI 에이전트는 어떻게 만들고, 서로 연결해 하나의 일을 맡길 수 있을까요? 에이전트마다 역할을 정하고, 참고할 지침과 사용할 도구를 갖춰 주는 것부터 시작합니다. 여러 에이전트가 함께…

대답만 하던 AI, 이제 직접 움직인다 — 2026 에이전틱 AI 입문 가이드
요즘 ChatGPT나 Gemini에게 "이것 좀 요약해 줘", "아이디어 좀 내줘"라고 부탁해 본 적 있으시죠? 2026년, AI는 '대답해 주는 수준'을 넘어 스스로 생각하고 행동하는…