
AI 에이전트는 TODO에 흔들린다, 기억보다 정리가 먼저다
구글의 코딩 세션 분석과 새 기억 연구는 지속형 AI의 병목이 저장량이 아니라 낡은 문맥을 고치고 버리는 능력에 있음을 보여준다.
요약
더 오래 일하는 AI 에이전트의 약점은 기억 부족만이 아니다. 구글이 대규모 코딩 에이전트 세션을 분석한 결과, 파일을 읽은 세션의 13%가 버그 번호가 붙은 TODO나 FIXME를 마주쳤다. 에이전트가 실제로 그 단서를 따라간 경우는 6%였지만, 그 행동의 83%는 개발자가 요청하지 않은 일이었다.
문제는 오래된 한 줄이 단순한 노이즈로 끝나지 않는다는 점이다. 요청하지 않은 샛길로 빠진 세션은 비교군보다 단계가 70%, 토큰이 77%, 대기 시간이 105% 늘었다. 더 강한 모델일수록 이런 단서에 반응하는 비율이 높았다는 관찰도 나왔다. 능력이 커질수록 주변 문맥을 더 적극적으로 해석하기 때문이다.
같은 시기 Anthropic은 에이전트 기억을 원문 기록과 다시 대조해 고치고 재구성하는 ‘드리밍’ 설계를 공개했고, Kiro는 독립 기억과 작업공간을 가진 지속형 봇을 제품으로 내놨다. 세 흐름을 함께 보면 다음 경쟁력은 더 많이 저장하는 능력이 아니라, 무엇을 믿고 무엇을 버릴지 계속 관리하는 능력에 가깝다.
오래된 TODO는 에이전트에게 숨은 지시가 된다
사람은 오래된 TODO를 보더라도 지금 맡은 일과 무관하면 지나칠 수 있다. 에이전트는 다르게 행동한다. 계획을 세우려고 파일과 문서를 넓게 읽는 순간, 주석·이슈 번호·예전 설계 문서까지 모두 다음 행동의 근거가 된다. 구글 분석에서 요청하지 않은 우회 중 41%는 이미 닫힌 버그를 추적했고, 57%는 아직 열린 버그를 조사하거나 수정 범위에 끌어들였다.
이 현상은 프롬프트를 잘 쓰는 문제보다 넓다. 사용자가 준 지시는 정확해도 저장소 안의 낡은 문구가 두 번째 지시처럼 작동한다. 특히 도구 호출 권한이 있고 여러 파일을 자유롭게 탐색하는 에이전트라면, 잘못된 문맥은 답변 품질이 아니라 실제 변경 범위와 비용을 바꾼다.
구글은 닫힌 이슈를 가리키는 TODO를 코드 이력과 버그 상태까지 확인한 뒤 삭제하는 정리 에이전트를 운영했고, 사람이 제안의 95% 이상을 수용했다고 밝혔다. 여기서 중요한 것은 무조건 지우는 것이 아니다. 아직 설계상 의미가 있는 주석과 이미 끝난 지시를 구분할 수 있도록 근거를 연결한 뒤 사람에게 넘겼다는 점이다.
성공한 패치도 문맥 부채를 숨긴다
새 독립 연구는 이 문제를 통제된 조건에서 다시 확인했다. 연구진은 실제 오픈소스 저장소의 낡은 테스트 명령, 코드 위치, 구성요소 추가 절차를 가져와 22개 유지보수 과제를 만들고, 지침을 그대로 둔 경우·현재 위치로 고친 경우·삭제한 경우를 두 모델로 732회 비교했다. 에이전트는 낡은 경로가 과제와 관련될 때 올바른 정보가 다른 곳에 있어도 이를 따랐다.
더 위험한 장면은 결과만 보면 거의 드러나지 않았다. 낡은 테스트 명령은 실제 테스트를 하나도 실행하지 않았는데도 성공처럼 표시됐고, 에이전트는 대부분 몇 번의 검색으로 우회해 최종 버그를 고쳤다. 낡은 경로를 밟은 133회 가운데 130회는 현재 위치를 찾아 업무를 마쳤지만, 최종 보고에서 불일치를 알린 경우는 21회뿐이었다. 732회 중 지침 파일을 고친 실행은 하나도 없었다.
즉, 패치 통과율만 보는 평가는 문맥 부채의 이자를 놓친다. 한 세션은 복구하지만 다음 세션도 같은 잘못을 다시 겪는다. 연구에서는 낡은 줄을 삭제하는 것보다 현재 경로로 고쳤을 때 우회 행동이 더 확실히 사라졌다. 에이전트용 지침은 많을수록 좋은 문서가 아니라, 코드와 함께 갱신돼야 하는 실행 의존성이다.
기억은 저장소가 아니라 유지보수 루프다
Anthropic의 새 설명도 같은 방향을 가리킨다. 회사는 세션 기록, 에이전트가 쓴 메모, 위키 같은 기억 표현, 다음 세션에 미리 주입되는 문맥을 서로 다른 층으로 나눈다. 드리밍은 작업하지 않는 시간에 원본 기록을 다시 읽어 잘못된 메모를 고치고, 중복을 합치고, 검색하기 쉬운 표현으로 재구성하는 과정이다. 기억을 추가하는 기능이 아니라 기억의 품질을 유지하는 작업에 가깝다.
내부 게임 실험에서는 오래된 Sonnet 3.7이 약 1만 단계 동안 413개 기억 파일을 만들고 배지 하나를 얻은 반면, Fable 5는 핵심 규칙과 계획을 10개 파일로 정리해 배지 네 개를 얻었다. 이는 회사 내부 사례라 일반적인 우열로 확대할 수는 없다. 다만 현재 상태를 화면에서 다시 읽을 수 있는데도 모두 저장하면, 에이전트가 일보다 기억 정리에 더 많은 행동을 쓰게 된다는 실패 모드는 분명하다.
별도의 자기 가지치기 연구도 기억을 주기적으로 압축하고 원본 실패 기록을 지우는 방식이 세 평가에서 각각 9.1점, 11.9점, 7.6점의 향상을 보였다고 보고했다. 그러나 과거 상태 자체가 정답인 과제에서는 너무 적극적인 삭제가 성능을 떨어뜨린 사례도 있었다. ‘망각이 좋다’가 아니라, 현재 상태·감사 기록·장기 규칙을 구분하고 삭제 정책을 과제에 맞춰야 한다는 뜻이다.
지속형 봇은 망각을 제품 책임으로 만든다
Kiro Bots는 이 문제가 연구실을 떠나 제품 운영으로 들어왔음을 보여준다. 각 봇은 하나의 지속적인 목표를 맡고, 독립된 기억과 작업공간을 유지하며, 하위 에이전트를 병렬로 실행하고 예약된 업무를 반복한다. 사용자는 봇이 기억한 내용을 보고 수정하거나 삭제할 수 있고, 역할마다 도구와 권한을 다르게 줄 수 있다.
이 설계는 여러 세션의 문맥을 사람이 옮기는 비용을 줄이지만, 동시에 잘못된 판단이 반복 실행될 통로도 길게 만든다. 독립 기억은 서로 다른 역할의 문맥이 섞이는 것을 막아도, 한 역할 안에서 낡은 규칙이 계속 강화되는 문제까지 자동으로 해결하지는 않는다. 지속형 에이전트에는 시작 권한만큼 기억의 출처, 만료 조건, 정정 이력, 사람이 다시 확인할 지점이 필요하다.
제품 경쟁도 ‘얼마나 오래 일하는가’에서 ‘오래 일해도 얼마나 쉽게 방향을 회수할 수 있는가’로 이동할 가능성이 크다. 기억을 열람·수정·삭제할 수 있는 기능, 역할별 권한 격리, 원문 로그와 요약 기억의 연결, 주기적인 문맥 정리 결과가 새로운 운영 인터페이스가 된다.
개발팀이 지금 바꿔야 할 것
첫째, AGENTS.md·CLAUDE.md·README의 테스트 명령과 경로를 코드와 같은 변경 단위로 다뤄야 한다. 특히 모든 작업이 거치는 빌드·테스트·배포 명령부터 실제 실행 여부를 확인해야 한다. 명령이 종료 코드 0을 반환했다는 사실과 테스트가 실제로 실행됐다는 사실도 분리해 기록하는 편이 안전하다.
둘째, 에이전트 메모에는 출처와 마지막 확인 시각을 붙이고, 현재 상태를 다시 조회할 수 있는 값은 장기 기억에서 줄이는 것이 좋다. 셋째, 업무 범위를 벗어난 이슈 번호·주석·외부 문서를 따라갈 때는 읽기와 변경 사이에 별도 승인 지점을 둬야 한다. 넷째, 성공률뿐 아니라 불필요한 도구 호출, 범위 밖 파일 변경, 빈 테스트 실행, 복구 후 문서 미수정 같은 궤적 지표를 함께 봐야 한다.
AI 에이전트가 강해질수록 저장소의 오래된 문맥은 더 비싼 기술 부채가 된다. 다음 세대의 에이전트 친화적 환경은 더 많은 정보를 밀어 넣는 곳이 아니라, 정보가 틀렸을 때 발견하고 고치며 필요 없을 때 안전하게 버릴 수 있는 곳이다. 기억은 자산이지만, 정리되지 않은 기억은 실행 권한을 가진 부채다.
출처
- Agent Distraction - Google Developers Blog (https://developers.googleblog.com/agent-distraction/)
- The components of agent memory - Anthropic (https://www.anthropic.com/research/components-of-agent-memory)
- When Instruction Files Go Stale: Documentation Debt and Hidden Cost in Coding Agents - arXiv (https://arxiv.org/abs/2611.09802)
- Let Them Sleep: Recursive Self-Pruning Memory for Long-Horizon LLM Agents - arXiv (https://arxiv.org/abs/2610.25561)
- Introducing bots in Kiro Crew - Kiro (https://kiro.dev/blog/crew-bots/)
- Kiro bots documentation - Kiro (https://kiro.dev/docs/crew/bots/)


