Perplexity, 에이전트용 자체 개선 메모리 'Brain' 공개: 야간 복습으로 정확도 25% 개선

신입 사원을 채용하면 처음에는 일을 잘 몰라도 몇 달간 현장에서 피드백을 받으면서 같은 실수를 피하는 법을 배웁니다. 하지만 지금까지의 AI 에이전트는 창을 새로 열 때마다 기억을 완전히 잃어버리고, 어제 지적했던 막다른 골목을 오늘도 똑같이 찾아가는 경우가 태반이었습니다.

Perplexity가 이 문제를 해결하기 위해 자사 에이전트 서비스인 Computer에 탑재되는 자체 개선 메모리 시스템 Brain을 공개했습니다. 현재 Max 및 Enterprise Max 요금제 구독자를 대상으로 리서치 프리뷰 형태로 배포되고 있습니다.

밤마다 낮에 한 일을 '복기'하는 에이전트

기존 AI 모델들의 메모리 기능은 대부분 사용자의 취향이나 말투, 직책 같은 개인적인 배경을 기억하는 데 집중되어 있었습니다. 대화를 더 친근하게 느끼게 만드는 데는 도움이 되지만, 실제 업무 처리 능력을 끌어올리는 데는 한계가 있었습니다.

Brain은 접근 방식이 완전히 다릅니다. 사용자가 아니라 에이전트가 어떤 작업을 수행했는지, 어떤 시도가 통했고 무엇이 실패했는지, 사용자가 어떤 수정을 가했는지를 기록합니다. 이 정보들은 에이전트 샌드박스에 자동으로 로드되는 일종의 LLM용 위키 형태의 컨텍스트 그래프로 구축됩니다.

가장 흥미로운 점은 학습 방식입니다. Brain은 야간 등 정해진 주기에 맞춰 백그라운드에서 컨텍스트 그래프를 자체 검토합니다. 낮 동안 나눈 세션과 연결 도구의 결과물, 원본 문서의 변경 사항과 수정 내역을 종합해 지식베이스를 점진적으로 업데이트합니다.

결과적으로 사용자가 에이전트의 잘못을 지적하고 바로잡는 데 쓴 토큰이 일회성 비용으로 사라지지 않고, 다음 작업의 효율을 높이는 투자로 전환되는 셈입니다. 초기 테스트 결과에 따르면, 이전에 다뤄본 작업에서 답변 정확도가 25% 상승했고 재현율은 16% 향상되었습니다. 이전 작업 맥락이 필요한 작업의 비용도 13% 절감되었습니다. 모든 메모리 항목은 원본 세션이나 파일로 바로 연결되어 추적이 가능합니다.

왜 중요한가

우리는 Perplexity가 개인화라는 허울 대신 실제 업무 효율에 직결되는 메모리 구조를 정확히 짚어냈다고 봅니다.

정기적인 시장 조사나 문서 취합을 에이전트에 맡기는 파워 유저라면 지금 당장 써볼 가치가 충분합니다. 매번 프롬프트에 배제해야 할 출처나 고유한 작업 방식을 길게 적어 넣을 필요 없이, 한두 번의 피드백만으로 에이전트가 알아서 학습 경로를 수정하기 때문입니다.

산업 측면에서도 단순 모델 성능 경쟁에서 벗어나 에이전트의 자체 복기 루프라는 새로운 차원의 경쟁을 열어젖혔습니다. 기업 실무에서는 한 번 똑똑하게 대답하는 모델보다, 우리 회사의 피드백을 알아듣고 점점 손이 덜 가는 에이전트가 훨씬 가치 있기 때문입니다.

다만 잠재적인 문제점도 분명합니다. 사용자가 잘못된 지침을 내리거나 왜곡된 정보를 넘겼을 때, 이것이 야간 자동 학습을 통해 에이전트의 위키 그래프에 정답처럼 굳어져 버리면 나중에 이를 바로잡는 비용이 더 커질 수 있습니다. 자동 복기와 사람의 검증 사이에서 얼마나 매끄러운 통제 수단을 제공하느냐가 시스템의 성패를 가를 것으로 보입니다.