01핵심 개요
| 항목 | 내용 |
|---|---|
| 주제 | 우로보로스 Agent OS의 오토·인터뷰·메모리 설계 철학과 로드맵 |
| 핵심축 | '더 많이 시키기'가 아니라 '내 의도·기억을 AI가 정확히 이해하게 만들기' |
| 결론 | 개인 메모리·온톨로지·외장 메모리가 다음 세대 Agent OS의 핵심 |
| 화자 | 평범한 사업가 (우로보로스 개발자 정아·재규 및 사용자 좌담) |
02핵심 내용 구조
- 인터뷰로 AI 슬롭 축소: AI는 보편적 답변을 내지만, 우로보로스 인터뷰는 심층 질문으로 사용자가 무엇을 원하는지·어떤 목표를 달성할지 구체화 — 모르는 상태로 위임하면 슬롭(저품질 산출물)만 생성됨
- 오토의 역설계 철학: 결과물을 먼저 만들고 다시 인터뷰로 돌아가는 구조, 이전까지 어려웠던 우로보로스 진입장벽을 오토가 크게 낮춤
- KTX 좌석 예약 실사례: 케이스킬 기본 예약은 원하는 좌석 지정이 안 되고 아무 자리나 잡음 — 좌석 검색 API를 직접 만들어 콘센트 좌석까지 자동 나열·예약하도록 개선(PR 제출)
- Codex Goal·Run 결합 워크플로우: 우로보로스와 Codex 앱을 결합해 병렬 실행·검증, 오픈 크롬으로 외부 리서치를 연결
- Claude Dynamic Workflows: 성능은 높지만 토큰 사용량이 많고 서브 에이전트 내부 구조가 불투명 — SDK 없이도 동작하는 점이 중요
- 탑다운 학습 전환: 어려운 용어를 인터뷰 중 메인 세션에 물어 즉석 학습, 책 읽고 적용하는 바텀업이 아닌 '해보며 배우는' 방식 확산
03기술 맥락
우로보로스는 프롬프트를 길게 쓰는 도구가 아니라 '모호한 생각 → 인터뷰 → 명세 → 실행 → 검증'을 잇는 에이전트 시스템으로 포지셔닝된다. 화자들은 Codex·Claude Code·Hermes 등 에이전트를 쓰되 결과의 일관성·검증에 한계를 느낀 사용자를 겨냥하며, AI 코딩이 다시 데스크톱 앱으로 향하는 흐름과 Codex 앱과의 궁합을 강조한다. 후반부에서는 개인 메모리·온톨로지·그래프 RAG가 왜 차세대 핵심인지, 로컬 모델·강화학습·메모리 결합, 메모리 벤치마크와 환각 문제까지 다룬다.
04전략적 의미
- 의도 정렬이 관건: 자동화 규모보다 AI가 사용자의 의도·기억을 정확히 이해하게 만드는 것이 성패를 가름
- 검증 루프 필수: 장시간 자율 작업에서 토큰 비용·검증 문제가 커지므로 작업 후 인터뷰·피드백 루프로 개인화·품질 확보
- 외장 메모리·온톨로지: 개인 메모리와 온톨로지가 인터뷰 질문의 질을 바꾸고 자동화의 핵심 인프라가 됨
05핵심 워크플로우 / 평가 포인트
06활용 시나리오
- 개인화 자동화: 인터뷰로 목표를 명세화한 뒤 오토로 결과 생성, 작업 후 인터뷰로 피드백을 남겨 개인 메모리에 축적
- 실무 스킬 개선: KTX 좌석 예약처럼 부족한 스킬의 코드를 열어 검색 API를 보강, 자신의 반복 업무를 자동화
- 에이전트 병렬화: Codex 앱·오픈 크롬과 결합해 리서치·실행·검증을 병렬로 돌리는 다중 에이전트 파이프라인 구성
07현황 및 전망
우로보로스는 오토를 통해 진입장벽을 낮췄고, Agent OS 1.0과 사용자 밋업으로 생태계를 넓히는 단계다. 화자들은 로컬 모델·강화학습·개인 메모리 결합, 메모리 시스템 벤치마크와 환각 저감을 향후 과제로 본다. Repo Prompt·InfraNodus·Hermes·Thinker Atropos 등 도구와 결합하며, 온톨로지·그래프 RAG를 통해 인터뷰의 깊이와 자동화 정확도를 함께 끌어올리는 방향을 제시한다.
08용어 사전
| 용어 | 한줄 설명 | 비유/예시 |
|---|---|---|
| Agent OS | 에이전트의 명세·실행·검증·메모리를 잇는 운영체계 | AI 작업의 운영체제 |
| 오토(Auto) | 결과를 먼저 만들고 인터뷰로 되돌리는 자동 실행 | 초안 먼저 뽑고 다듬기 |
| AI 슬롭 | 의도 불명확 위임으로 생기는 저품질 산출물 | 대충 시켜 나온 불량품 |
| 온톨로지 | 개념·관계를 구조화한 지식 체계 | 지식의 지도·족보 |
| 그래프 RAG | 지식 그래프 기반으로 검색·생성을 강화한 방식 | 연결망으로 찾아 답하기 |