1. 서론

인지적 도구의 힘은 표상으로서의 기능에서 비롯된다. ... 인지적 도구는 인간의 능력을 변화시키지 않는다. 그것은 과제를 변화시킨다.

— 도널드 A. 노먼 (Donald A. Norman)

인류 문명의 역사는 인지적 외재화의 역사로도 읽을 수 있다. 음성 언어는 사적인 사고를 공유 가능한 상징적 형태로 변환했다. 문자는 지식을 취약한 생물학적 기억에서 영구적인 물질적 기록으로 이전시켰다. 인쇄술은 지식의 재생산을 사회적 규모로 기계화했다. 디지털 컴퓨팅은 산술과 기호 조작을 신경적 노동에서 프로그래밍 가능한 기계로 재배치했다. 이러한 전환들에서 핵심적인 변화는 인간이 도구 없이 덜 유능해졌다는 것이 아니다. 오히려 도구가 선택된 부담을 외부로 이전하고 제한된 내부 자원을 계획, 추상화, 창의성에 자유롭게 할당하도록 인지 시스템을 재구성했다는 것이다[Norman, 1993]. 동일한 외부 위임 패턴이 이제 기계 지능의 최전선인 대규모 언어 모델 에이전트 설계에서 반복되고 있다.

이 관점은 인지적 도구(cognitive artifacts)라는 개념에 자연스러운 이론적 기반을 둔다[Norman, 1991, 1993]. 핵심 통찰은 외부 보조 도구가 단순히 변하지 않는 내부 능력을 증폭시키는 것이 아니라, 종종 과제 자체를 변환한다는 것이다. 장보기 목록은 생물학적 기억 용량을 확장하지 않는다. 어려운 회상 문제를 인식 문제로 바꾼다. 지도는 단순히 내비게이션을 "더 강하게" 만들지 않는다. 숨겨진 공간적 관계를 가시적 구조로 변환한다. 따라서 도구의 힘은 표상적 변환(representational transformation)에 있다: 에이전트가 이미 보유한 역량으로 더 신뢰성 있게 해결할 수 있도록 문제를 재구조화한다[Norman, 1991].

우리는 동일한 논리가 이제 LLM 기반 에이전트의 가장 중요한 설계 결정을 지배한다고 주장한다. 우리의 중심 논제는 외재화—인지적 부담을 모델의 내부 연산에서 영속적이고, 검사 가능하며, 재사용 가능한 외부 구조로 점진적으로 이전하는 것—가 메모리, 스킬, 프로토콜 및 언어 에이전트를 위한 하네스 엔지니어링의 최근 발전을 통합하는 전환 논리(transition logic)라는 것이다. 이는 단순히 공학적 편의에 대한 주장이 아니다. 신뢰할 수 있는 에이전시가 어디서 비롯되는지에 대한 주장이다: 점점 더 큰 모델만으로가 아니라, 내부 능력과 외부 인프라가 공동으로 필요한 전 범위의 역량을 커버하도록 과제 요구사항을 체계적으로 재구조화함으로써[Norman, 1991, Sumers et al., 2024].

그림 1이 이 논증을 요약한다. 상단 패널은 익숙한 인간 인지 외재화의 흐름을 추적하고, 중간 패널은 LLM 에이전트에 대한 대응되는 흐름—가중치에서 세 가지 외재화 차원(메모리, 스킬, 프로토콜)을 거쳐 이를 통합하는 하네스로—을 제시하며, 하단 패널은 결과적 문헌 지형을 세 가지 능력 계층(가중치, 컨텍스트, 하네스)에 매핑한다. 그림 3은 하네스를 중심에 놓고 세 가지 외재화 차원과 그 운영 요소가 주위를 돌도록 하는 외재화된 에이전트의 아키텍처 개요로 이 관점을 보완한다. 메모리는 시간에 걸친 상태를 외재화하고, 스킬은 절차적 전문성을 외재화하며, 프로토콜은 상호작용 구조를 외재화한다. 두 흐름 사이의 유사성은 재귀적 주장을 담고 있다: LLM 에이전트는 그 자체로 인간의 최신 주요 외재화인 디지털 컴퓨팅 내에서 작동하는 도구다. 공통 메커니즘은 노먼의 의미에서의 표상적 변환이다: 회상이 인식으로, 즉흥적 생성이 조합으로, 임시적 조정이 구조화된 계약으로 전환된다.

이 렌즈는 현재의 실천을 이해하는 데 특히 명확하다. 현대의 발전은 종종 더 큰 모델, 더 나은 훈련 절차, 더 정교한 추론 추적을 위한 경쟁으로 서술된다. 이러한 요소들은 중요하지만, 실용적 시스템에서 관찰되는 패턴을 완전히 설명하지는 못한다. 신뢰성에서의 가장 큰 향상의 상당수는 기본 모델을 변경하는 것에서 전혀 비롯되지 않는다. 모델 주변의 환경을 변경하는 것에서 비롯된다: 영속적 메모리 추가, 재사용 가능한 스킬 조직, 도구 인터페이스 표준화, 실행 제약, 행동 계측, 명시적 제어 논리를 통한 작업 라우팅[Sumers et al., 2024, Wang et al., 2024a, Li, 2025, Luo et al., 2025]. 실제로 질문은 점점 더 "모델이 얼마나 유능한가?"뿐만 아니라 "모델이 매번 내부적으로 해결할 필요가 없도록 어떤 부담이 외재화되었는가?"이기도 하다.

도움 없는 LLM은 여전히 세 가지 하네스 차원에 직접 대응되는 세 가지 반복적 불일치에 직면한다. 컨텍스트 윈도우는 유한하고 세션 메모리는 약하거나 부재하여, 메모리 외재화가 해결하는 연속성 문제를 만든다. 긴 다단계 절차는 종종 일관되게 실행되기보다 매번 재도출되어, 스킬 외재화가 해결하는 분산 문제를 만든다. 외부 도구, 서비스, 협력자와의 상호작용은 자유 형식 프롬프팅에만 의존할 때 취약하여, 프로토콜 외재화가 해결하는 조정 문제를 만든다[Sumers et al., 2024, Packer et al., 2023]. 외재화가 중요한 이유는 이러한 각 부담을 모델이 더 신뢰성 있게 처리할 수 있는 형태로 변환하기 때문이다.

구체적인 예가 직관을 잡는 데 도움이 된다. 대규모 저장소에서 기능을 구현하고, 테스트를 실행하고, 풀 리퀘스트를 여는 소프트웨어 엔지니어링 에이전트를 생각해 보자. 외재화 없이는, 모델이 저장소 구조, 프로젝트 관례, 워크플로우 상태, 도구 상호작용을 취약한 프롬프트 내부에 활성 상태로 유지해야 한다. 외재화를 통해, 영속적 프로젝트 메모리가 컨텍스트를 제공하고, 재사용 가능한 스킬 문서가 관례와 워크플로우를 인코딩하고, 프로토콜화된 도구 인터페이스가 올바른 스키마를 강제하며, 하네스가 단계를 순서화하고, 출력을 검증하고, 실패를 관리한다. 기본 모델은 변경되지 않을 수 있다; 변경되는 것은 모델이 해결하도록 요청받는 과제의 표상이다.

이 보다 넓은 관점은 분산 인지와 확장 인지에 대한 직관과도 일치한다: 기억하기, 행동 안내하기, 상호작용 조정하기의 핵심적 부분이 외부 구조에 위임되면, 지능은 더 이상 모델 단독에 국한되지 않는다[Clark and Chalmers, 1998]. 우리는 이 전통에서 핵심적 공학적 통찰—"에이전트"와 "환경" 사이의 경계가 실제 성능 결과를 가져오는 설계 선택이라는 것—을 위해 참조하며, 그보다 강한 존재론적 주장에 전념하지는 않는다. 우리의 초점은 실용적이다: 외재화를 그 가치가 결과 시스템의 신뢰성, 조합 가능성, 통치 가능성으로 측정되는 설계 원리로 취급한다.

이제 하네스를 구성하는 세 가지 외재화 차원으로 전환한다. 각각은 그림 1(중간 패널)에서 강조된 표상적 변환 중 하나에 대응한다:

메모리 시스템은 시간에 걸친 상태를 외재화한다. 컨텍스트 윈도우를 역사의 유일한 운반자로 의존하기보다, 메모리 시스템은 축적된 지식—사용자 선호, 이전 경로, 해결된 모호성, 도메인 사실—을 단일 세션 이후에도 지속하고 관련 시 선택적으로 검색할 수 있게 한다. 핵심 변환은 회상에서 인식으로: 에이전트는 더 이상 잠재적 가중치에서 과거 지식을 재생성할 필요가 없다; 영속적이고 검색 가능한 저장소에서 검색한다[Lewis et al., 2020, Park et al., 2023, Packer et al., 2023, Chhikara et al., 2025, Xu et al., 2025b].

스킬 시스템은 절차적 전문성을 외재화한다. 모델의 가중치에 의존하여 매 호출마다 과제별 노하우를 재생성하기보다, 스킬 시스템은 절차, 모범 사례, 운영 안내를 재사용 가능한 산출물로 패키징한다. 핵심 변환은 생성에서 조합으로: 에이전트는 매 단계를 즉흥적으로 만들기보다 사전 검증된 구성요소로부터 행동을 조립한다[OpenAI, 2023a, Schick et al., 2023, Wang et al., 2023a, Anthropic, 2025, 2026, Jiang et al., 2026b].

프로토콜은 상호작용 구조를 외재화한다. 도구, 서비스, 다른 에이전트와의 임시적 프롬프트 수준 조정에 의존하기보다, 프로토콜은 발견, 호출, 위임, 권한 관리를 위한 명시적이고 기계 판독 가능한 계약을 정의한다. 핵심 변환은 임시적에서 구조적으로: 모호하고 취약한 통신이 상호운용 가능하고 통치 가능한 교환이 된다[Anthropic, 2024, Google Cloud, 2025a, Ehtesham et al., 2025c].

하네스는 세 가지 차원 모두를 호스팅하고 외재화된 인지를 실제로 일관되게 만드는 오케스트레이션 논리, 제약, 관찰 가능성, 피드백 루프를 제공하는 공학 계층이다. 이것은 메모리, 스킬, 프로토콜과 나란한 네 번째 종류의 외재화가 아니다. 이들 형태의 외재화가 작동하고 상호작용하는 런타임 환경이다.

이러한 차원들은 격리되어 진화하지 않는다. 메모리 확장은 부족한 컨텍스트 예산을 놓고 스킬 로딩과 경쟁할 수 있다. 프로토콜 표준화는 상호운용성을 개선하면서도 능력이 패키징되고 호출되는 방식을 제약할 수 있다. 스킬 실행은 나중에 메모리가 되는 추적을 생성하고, 메모리 검색은 어떤 스킬과 프로토콜 경로가 다음에 선택되는지에 영향을 줄 수 있다. 하네스는 이 모든 상호작용을 중재해야 한다. 이러한 시스템 수준의 결합을 여기서 미리 보여주고 7절에서 상세히 분석한다.

우리의 목표는 따라서 또 하나의 구성요소 수준 조사를 격리하여 제공하는 것도, 에이전트 발전을 하나의 특정 프레임워크로 환원하는 것도 아니다. 대신, 네 가지 주장을 중심으로 구성된 시스템 수준 리뷰를 제공한다:

• 메모리 시스템은 에이전트의 상태를 시간에 걸쳐 외재화하고 장기적 연속성을 선택적 검색으로 변환한다.
• 스킬 시스템은 절차적 전문성을 외재화하고 암묵적 노하우를 명시적이고 재사용 가능한 운영 안내로 변환한다.
• 프로토콜은 상호작용 구조를 외재화하고 모호한 통신을 상호운용 가능한 기계 판독 가능 계약으로 변환한다.
• 하네스 엔지니어링은 이러한 외재화된 모듈을 제약, 관찰 가능성, 피드백 루프, 제어점을 갖춘 일관된 런타임 환경으로 통합한다.

본 논문의 나머지는 다음과 같이 진행된다. 2절은 가중치에서 컨텍스트로, 컨텍스트에서 하네스로의 역사적 경로를 추적한다. 3절부터 5절까지는 메모리, 스킬, 프로토콜을 세 가지 별개이면서 상호보완적인 형태의 외재화로 분석한다. 6절은 하네스 엔지니어링을 외재화된 에이전트 설계의 통합적 학문으로 제시하고, 7절은 모듈 간의 주요 교차 상호작용을 검토한다. 8절은 더 적응적이고 자기 진화하는 외재화 형태를 향한 미래 방향을 논의하며, 9절은 에이전트 연구에 대한 더 넓은 함의로 결론을 맺는다.

---

2. 배경: 가중치에서 컨텍스트로, 컨텍스트에서 하네스로

LLM 에이전트의 최근 역사는 모델 자체로부터의 점진적인 외부 이동으로 이해할 수 있다. 능력은 처음에 가중치의 속성으로 취급되었고, 그다음에는 프롬프트와 컨텍스트 윈도우의 속성으로, 그리고 현재는 점점 더 모델이 작동하는 더 넓은 인프라의 속성으로 취급되고 있다. 그림 2는 이 궤적을 세 개의 적층된 계층—가중치, 컨텍스트, 하네스—으로 시각화하여 2022년부터 2026년까지의 타임라인에 걸쳐 펼쳐지며, 커뮤니티의 연구 주제가 시간에 따라 어떻게 변화했는지를 보여준다. 이 단계들은 상호 배타적이기보다 적층적이다—가중치는 가장 인프라 집약적인 시스템에서도 중요하게 남아있다—그러나 각 단계는 개발자가 시스템의 가변적 지능을 어디에 배치하고, 따라서 어디에 공학적 노력을 가장 많이 투자하는지를 변화시킨다.

2.1 가중치 속의 능력

그림 2와 그림 1의 가중치 계층은 능력이 거의 전적으로 모델 파라미터와 동일시되었던 현대 LLM 배포의 최초 물결에 해당한다. 대규모 코퍼스에 대한 사전 훈련은 광범위한 통계적 규칙성, 세계 지식, 잠재적 추론 습관을 가중치에 압축했다[Brown et al., 2020, Chowdhery et al., 2023, Touvron et al., 2023]. 스케일링 법칙은 파라미터 수, 데이터 양, 손실 사이의 예측 가능한 관계를 드러내어, 발전이 모델 크기에 직접 비례한다는 직관을 강화했다[Kaplan et al., 2020, Hoffmann et al., 2022]. GPT-4[OpenAI, 2023b], Gemini[Gemini Team et al., 2023], DeepSeek-V3[DeepSeek-AI, 2025], Qwen2.5[Qwen Team, 2025] 같은 시스템이 광범위한 다중 과제 역량을 입증할 즈음, 분야의 상당 부분에서 지배적 서사는 더 나은 에이전트를 더 크고 더 잘 훈련된 모델과 동일시했다. 지도 미세 조정과 선호 최적화는 이후 이러한 모델을 지시 따르기, 대화 스타일, 거부 행동, 도메인별 관례를 가르침으로써 더 유용한 어시스턴트로 형성했다[Ouyang et al., 2022, Bai et al., 2022a]; 직접 선호 최적화는 별도의 보상 모델의 필요성을 제거하여 이 정렬 단계를 더 단순화했다[Rafailov et al., 2023]. 이 관점에서 개선은 주로 모델 자체를 수정하거나 교체하는 것을 의미했다.

이 패러다임은 기초적으로 남아 있으며, 가중치 공간 능력은 여러 장점을 제공한다: 외부 조회 없는 빠른 추론, 간결한 배포, 과제별 구조 없이 많은 과제에 걸친 강한 일반화. 의학 질문에 답하는 동일한 모델이 시를 쓰고, 프로그램을 디버깅하고, 법률 계약을 요약할 수 있으며, 이 모든 것이 주변 시스템의 어떤 변경도 없이 이루어진다. 일회성의, 컨텍스트 내에서 완결되는 과제의 경우, 가중치 중심 관점은 종종 충분하다.

그러나 가중치 공간 인코딩은 지식, 절차, 정책을 정적 산출물에 너무 긴밀하게 결합한다. 단일 사실—예를 들어 한 국가의 현재 국가 원수—을 업데이트하려면 재훈련, 지식 편집[Meng et al., 2022, Mitchell et al., 2022, Yao et al., 2023b], 또는 추가 정렬 계층을 통한 패치가 필요하며, 이 모든 것은 다른 능력에 대한 의도치 않은 부작용의 위험이 있다. 모델이 특정 방식으로 행동한 이유를 감사하는 것은 관련 지식이 검사 가능한 모듈이 아닌 수십억 개의 파라미터에 걸쳐 분산되어 있기 때문에 어렵다[Zhao et al., 2024]. 개인화도 어색하다: 단일 가중치 세트가 서로 다른 역사, 선호, 제약을 가진 수백만 사용자에게 서비스하도록 요청받지만, 파라미터 수준에서 그들을 구별할 메커니즘은 없다.

파라메트릭 지식의 중심적 한계는 선택적으로 업데이트, 조합, 통치하기 어렵다는 것이다. 에이전트가 단일 턴 질의응답에 국한되어 있는 한 이러한 약점은 종종 관리 가능했다. 시스템이 상태가 축적되고, 절차를 신뢰성 있게 따라야 하며, 여러 도구를 조정해야 하는 장기적 과제 실행으로 이동하면서, 가중치 내부에서 지식, 스킬, 상호작용 규칙을 모듈식으로 관리하는 어려움이 더 운영적으로 두드러지게 되었다. 이러한 변화는 개발자들이 모델 파라미터에만 의존하기보다 이러한 부담의 일부를 다음 계층으로 재배치하도록 장려했다.

2.2 컨텍스트 속의 능력

컨텍스트 계층은 관심이 모델 수정에서 입력 설계로 이동한 단계를 대표한다. 프롬프트 엔지니어링은 가중치를 건드리지 않고도 모델 행동을 실질적으로 변경할 수 있음을 입증했다: 소수 샷 예제, 역할 설명, 사고의 연쇄(chain-of-thought) 분해, 자기 일관성 추적 모두가 동일한 기본 과제에서 동일한 모델의 성능을 변경했다[Wei et al., 2022, Wang et al., 2023b, Kojima et al., 2022]. 더 구조화된 추론을 위한 기법들이 곧 이어졌다. ReAct는 추론 추적과 도구 행동을 단일 생성 루프에서 인터리빙하여, 어떤 아키텍처 변경 없이도 프롬프팅만으로 에이전트 같은 행동을 생산할 수 있음을 보여주었다[Yao et al., 2023a]. 사고의 나무(Tree of Thoughts)는 사고의 연쇄를 중간 추론 상태에 대한 의도적 검색으로 일반화했다[Yao et al., 2024]. Self-Refine은 반복적 자기 비판을 도입하여, 모델이 다중 턴 프롬프팅 루프를 통해 자체 출력을 개선할 수 있음을 입증했다[Madaan et al., 2023]. 자동 프롬프트 최적화는 모델 자체를 사용하여 프롬프트 공간을 검색함으로써 수동 부담을 더 줄였다[Zhou et al., 2023, Pryzant et al., 2023]. 검색 증강 생성(RAG)은 질의 시점에 외부 문서를 컨텍스트에 동적으로 주입함으로써 더 체계적인 형태의 외재화를 도입했다[Lewis et al., 2020, Borgeaud et al., 2022, Ram et al., 2023, Gao et al., 2024]. 따라서 관심은 모델이 내재화한 것에서 각 호출을 둘러싼 정보 파이프라인으로 이동했다.

이 단계는 에이전트 설계를 실질적으로 더 유연하게 만들었다. 개발자들은 어떤 그래디언트 업데이트 없이도 런타임에 로컬 지시, 도메인 지식, 출력 스키마, 검색된 증거를 첨부할 수 있었다. 컨텍스트는 개발자들이 모델을 위한 인지를 준비하는 매체가 되었다—모델이 필요로 하기 직전에 적절한 정보를 조립할 수 있는 작업 표면이다. 많은 실용적 시스템에서, 프롬프트와 검색 파이프라인에 대한 반복은 미세 조정보다 실질적으로 더 저렴하고 빠르다는 것이 입증되었다. 모델은 동결된 상태로 유지되면서도 주변 프롬프트 템플릿, 검색 논리, 도구 명세는 빠르게 진화할 수 있었다.

컨텍스트 중심 단계는 노먼의 표상적 변환 개념을 통해서도 해석할 수 있다. 어려운 회상 문제—"모델이 사실 X를 알고 있는가?"—는 인식 문제로 변환되었다: "사실 X가 컨텍스트에 배치되었을 때, 모델이 그것을 사용할 수 있는가?" 이것은 인간 외재화 흐름(그림 1, 상단 패널)에서 문자와 관련된 회상에서 인식으로의 전환과 유사하다. 모델은 답을 암기할 필요가 없었다; 관련 구절이 제공되면 그것을 인식하고 적용하기만 하면 되었다.

컨텍스트 중심 설계에는 중요한 제약도 있다. 컨텍스트 윈도우는 유한하고, 대규모에서는 비용이 크며, 한계적으로 관련 있는 자료로 과부하될 때 종종 잡음이 많다. 긴 프롬프트는 성능을 향상시키기보다 저하시킬 수 있다: "중간에서 소실(lost in the middle)" 현상은 모델이 긴 입력에 걸쳐 불균등하게 주의를 기울이며, 컨텍스트 중앙에 배치된 정보에 대한 검색 정확도가 급격히 떨어짐을 보여준다[Liu et al., 2024a]. 컨텍스트 길이가 2K 토큰에서 100K 이상으로 극적으로 확장되었더라도[Chen et al., 2023, Peng et al., 2024], 근본적인 긴장은 지속된다: 더 많은 용량이 선택적 큐레이션의 필요를 제거하지는 않는다. 컨텍스트는 또한 일시적이다: 상태가 명시적으로 다른 곳에 외재화되지 않는 한, 모든 새 세션은 부분적 기억 상실로 시작된다. 시스템이 더 복잡해지면서, 프롬프트 조립만으로는 취약하고 임시적인 제어 메커니즘이 될 수 있다. 모델에게 더 많은 지시를 줄 수 있지만, 그것이 시스템이 세션 간 상태를 유지하거나, 다단계 워크플로우를 스케줄링하거나, 하위 에이전트 간 조정하거나, 부분 실패에서 복구하거나, 시간에 걸쳐 행동 제약을 적용하는 방법을 안다는 것을 의미하지는 않는다. 이러한 한계가 다음 외부 단계를 설명하는 데 도움이 된다.

2.3 인프라를 통한 능력

하네스 계층—그림 2의 최상위 밴드이자 그림 1(하단 패널)의 가장 오른쪽 영역—은 능력이 프롬프트 관리를 넘어 영속적 인프라로 확장되는 현재 단계를 대표한다. 컨텍스트 윈도우가 포화되고 프롬프트 템플릿이 더 다루기 어려워지면서, 공학적 관심은 점차 "모델에게 무엇을 알려줘야 하는가?"에서 "모델이 작동할 환경은 어떤 것이어야 하는가?"로 이동했다. 성숙한 에이전트 시스템에서 신뢰성은 점점 더 외부 메모리 저장소, 도구 레지스트리, 프로토콜 정의, 샌드박스, 하위 에이전트 오케스트레이션, 압축 파이프라인, 평가자, 테스트 하네스, 승인 루프에 의존한다[Wang et al., 2024a, Li, 2025, Luo et al., 2025, Xi et al., 2023].

이 변화의 가장 초기 징후는 단순하지만 시사적이었다. Auto-GPT[Richards, 2023]와 BabyAGI[Nakajima, 2023] 같은 프로젝트는 LLM을 과제 큐, 영속적 메모리, 웹 접근이 있는 루프에 감싸, 최소한의 하네스조차도 단일 프롬프트로는 불가능한 행동을 지속할 수 있음을 보여주었다. 더 원리적인 프레임워크가 빠르게 뒤따랐다: AutoGen은 다중 에이전트 메시지 교환을 형식화했고[Wu et al., 2023], MetaGPT는 역할 기반 협업과 명시적 절차를 추가했고[Hong et al., 2023], CAMEL은 과제 분해를 위한 구조화된 대화를 탐구했으며[Li et al., 2023], Reflexion은 에피소드 간 피드백을 유지했다[Shinn et al., 2023]. 이 시스템들에 걸쳐 공통적인 움직임은 부담을 모델 밖으로, 주변 구조로 이전하는 것이었다.

동일한 움직임이 이제 배포 도메인 전반에서 가시적이다. 코딩 에이전트는 모델을 파일, 셸, 버전 관리, 테스트, 재사용 가능한 스킬 산출물이 있는 개발 하네스에 임베딩한다; SWE-agent와 OpenHands가 대표적 예다[Yang et al., 2024a, Wang et al., 2024b]. 연구 및 기업 에이전트는 검색, 승인, 브라우징, 장기적 오케스트레이션 파이프라인을 추가하며, Deep Research 스타일 시스템이 이에 해당한다[OpenAI, 2025b, Google, 2024]. 체화된 시스템과 워크플로우 시스템인 Voyager, LangGraph, CrewAI, OS-Copilot 역시 제어 흐름, 환경 접근, 재사용을 명시적으로 만든다[Wang et al., 2023a, LangChain, 2024, CrewAI, 2024, Wu et al., 2024]. 반복되는 패턴은 신뢰성 문제가 점점 더 프롬프팅만으로가 아니라 환경을 변경함으로써 해결된다는 것이다.

그림 3에서 보듯이, 하네스는 세 가지 주요 외재화 클래스—메모리, 스킬, 프로토콜—를 포함하며, 이는 하네스가 흡수하는 세 가지 주요 부담 클래스에 대응한다. 메모리 시스템은 시간에 걸친 상태를 외재화하여, 연속성이 더 이상 일시적 컨텍스트에 의존하지 않도록 한다. 스킬 시스템은 절차적 전문성을 외재화하여, 복잡한 워크플로우가 재발명되기보다 로딩된다. 프로토콜은 상호작용 구조를 외재화하여, 도구와 에이전트 조정이 임시적 프롬프팅보다 통치된 계약을 따르도록 한다. 함께, 이 요소들이 하네스를 구성한다: 모델을 감싸고 모델이 직면하는 과제를 내부 역량이 더 신뢰성 있게 처리할 수 있는 형태로 변환하는 영속적 인프라이다.

이 프레이밍 하에서, "에이전트 엔지니어링"은 점점 더 "하네스 엔지니어링"의 형태를 취한다. 모델은 핵심 추론 엔진으로 남지만, 더 이상 지능의 유일한 위치가 아니다. 능력은 모델이 무엇을 보고, 기억하고, 호출하고, 할 수 있도록 허용되는지를 형성하는 구조들에 걸쳐 분산된다.

2.4 전환 논리로서의 외재화

종합하면, 가중치에서 컨텍스트로, 컨텍스트에서 하네스로의 경로는 노먼의 의미에서의 외재화에 대한 이야기다[Norman, 1991]: 모델 내부에서 관리하기 어려운 부담이 모델 외부의 명시적 산출물로 점진적으로 이전되고, 모델이 보는 과제는 그에 따라 변환된다. 가변적 지식은 가중치에서 검색 시스템과 런타임 컨텍스트로 이동하여, 회상을 인식으로 변환한다. 재사용 가능한 절차는 암묵적 습관에서 명시적 스킬로 이동하여, 즉흥적 생성을 구조화된 조합으로 변환한다. 상호작용 규칙은 임시적 프롬프팅에서 프로토콜로 이동하여, 모호한 조정을 통치된 계약으로 변환한다. 런타임 신뢰성은 차례로 하네스 논리로 이동하며, 여기서 제약, 관찰 가능성, 피드백 루프가 명시적으로 만들어질 수 있다.

이 재분배는 불일치에 대한 응답으로 가장 잘 이해된다. LLM은 제공된 정보에 대한 유연한 종합과 추론에 강하지만, 안정적인 장기 기억, 절차적 반복가능성, 외부 시스템과의 통치된 상호작용에서는 덜 신뢰할 수 있다. 따라서 외재화는 모델을 교체하기보다 모델 주위에 더 큰 인지 시스템을 구축하며, 이는 CoALA 같은 인지 아키텍처 설명과 일치하는 관점이다[Sumers et al., 2024]. 세 가지 하네스 차원은 이 프레이밍에서 직접적으로 도출된다: 메모리는 시간에 걸친 연속성을, 스킬은 절차의 일관성을, 프로토콜은 상호작용의 구조를 다룬다. 다음 절들에서 각각을 상세히 검토한다.

---

3. 외재화된 상태: 메모리

메모리 외재화는 에이전시의 시간적 부담을 다룬다. 기본 언어 모델은 연속성, 이전 경험, 사용자별 사실, 부분적으로 완료된 작업을 일시적 프롬프트 내에서 유지해야 한다. 과제가 세션, 분기, 중단에 걸쳐 확장되면 그 부담은 불안정하고 비용이 커진다. 메모리는 이를 모델 외부에서 쓰고, 갱신하고, 검색할 수 있는 영속적 상태로 외재화한다.

하네스 에이전트에서 메모리는 단순한 아카이브 이상이다. 재개 가능한 실행을 위한 체크포인트, 스킬이 증류될 수 있는 추적, 프로토콜 라우팅에 영향을 미치는 통계, 거버넌스 메커니즘이 검사하고 제약할 수 있는 영속적 상태를 제공한다. 이 역할을 정밀하게 하기 위해, 이 절은 세 가지 연결된 질문을 던진다: 메모리가 어떤 부담을 외재화하는지, 설계 공간이 어떻게 진화했는지, 메모리가 더 넓은 하네스와 어떻게 결합되는지. 3.1절은 어떤 종류의 상태가 외재화되는지를 명확히 하고, 3.2절은 주요 아키텍처 선택을 조사하며, 3.3절은 하네스 에이전트 시스템이 부과하는 요구사항으로 전환하고, 3.4절은 인지적 도구의 렌즈를 통해 메모리를 해석하며 이 장을 마무리한다.

3.1 무엇이 외재화되는가: 상태의 내용

메모리의 본질은 에이전트의 시간에 걸친 상태를 일시적 컨텍스트로부터 분리하는 데 있다. 관련 내용은 하네스의 모든 외부 산출물이 아니라, 연속성을 보존하는 기록들이다: 현재 과제 상태, 과거 실행 경험, 추상화된 지식, 영속적 사용자 또는 환경 컨텍스트. 장기적 상호작용에 걸쳐 일관된 행동을 유지하기 위해, 메모리 시스템은 이러한 기록을 그 시간적 속성과 검색 요구에 따라 분류하고 관리해야 한다. 인간 기억의 고전적 분류에서 영감을 받아 LLM 에이전트에 적응시키면, 외재화된 상태의 다음 네 가지 차원을 구분한다:

작업 컨텍스트(Working context). 작업 컨텍스트는 현재 과제의 실시간 중간 상태이다: 열린 파일, 임시 변수, 활성 가설, 부분 계획, 실행 체크포인트. 빠르게 변하며 오래되면 가치를 잃지만, 외재화 없이는 컨텍스트 윈도우가 리셋되거나 프로세스가 중단되면 사라진다. 코딩 에이전트가 이 점을 잘 보여준다. 초안, 터미널 상태, 작업 공간 산출물을 프롬프트 외부에 구체화함으로써, OpenHands와 SWE 스타일 에이전트 같은 시스템은 처음부터 재구성하는 대신 현재 운영 상태에서 재개할 수 있다[Wang et al., 2025a, Yang et al., 2024b].

에피소드 경험(Episodic experience). 에피소드 경험은 이전 실행에서 일어난 일을 기록한다: 결정 지점, 도구 호출, 실패, 결과, 반성. 그 가치는 단순히 기록적인 것이 아니다. 검색된 에피소드는 구체적 선례로 기능하고, 에이전트가 알려진 실수를 반복하는 것을 피하도록 돕고, 나중의 추상화를 위한 원자재를 제공할 수 있다. Reflexion은 실패한 시도에서의 반성적 요약을 재사용 가능한 경험으로 저장함으로써 이 패턴을 명시적으로 만들었다[Shinn et al., 2023]. AriGraph는 낯선 환경에서의 로컬 상호작용 궤적을 더 넓은 세계 모델을 구축할 수 있는 에피소드 메모리로 취급하여 이 아이디어를 더 확장한다[Anokhin et al., 2024].

의미적 지식(Semantic knowledge). 의미적 지식은 단일 에피소드를 넘어 지속되는 추상화를 저장한다: 도메인 사실, 일반 휴리스틱, 프로젝트 관례, 안정적 세계 지식. 에피소드 기억과 달리, 특정 시간과 장소를 중심으로 조직되지 않는다[Li and Li, 2024, De Brigard et al., 2022]. 차이는 세밀함만의 문제가 아니라 기능의 문제이다. 에피소드 기억은 한 경우에 무슨 일이 일어났는지를 말하고, 의미적 기억은 경우들에 걸쳐 일반적으로 유지되는 것을 말한다. 현재 시스템에서 지식 베이스와 검색 증강 생성(RAG) 코퍼스가 외재화된 의미적 기억의 가장 흔한 형태이다.

개인화된 메모리(Personalized memory). 개인화된 메모리는 특정 사용자, 팀 또는 환경에 대한 안정적 정보를 추적한다: 선호, 습관, 반복되는 제약, 이전 상호작용. 이 상태는 에이전트의 일반적 자기 개선 저장소에 통합되어서는 안 되는데, 사용자별 추적은 서로 다른 보존, 검색, 프라이버시 규칙을 따르기 때문이다[Xi et al., 2024, Lin et al., 2025a]. 최근 시스템은 이 분리를 명시적으로 만든다. IFRAgent는 모바일 환경에서의 시연으로부터 사용자 습관 저장소를 구축하고[Wu et al., 2025], 웹 에이전트는 외재화된 프로필을 사용하여 암묵적 선호를 추론하며[Cai et al., 2025], VARS 같은 대화 시스템은 격리된 사용자 메모리 공간에 세션 간 선호 카드를 저장한다[Hao et al., 2026].

종합하면, 이러한 계층들은 메모리가 단일 균질적 데이터베이스가 아니라 다중 추상화 수준에서의 연속성의 시간적 부담을 외재화함을 보여준다. 작업 컨텍스트는 즉각적 재개를 지원하고, 에피소드 기록은 반성과 복구를 지원하며, 의미적 기억은 추상화와 전이를 지원하고, 개인화된 메모리는 사용자와 환경에 대한 세션 간 적응을 지원한다.

3.2 어떻게 외재화되는가: 메모리 아키텍처

이러한 계층들이 외재화될 때, 주요 설계 질문은 능동적 추론이 저장된 상태로부터 얼마나 적극적으로 분리되는가이다. Du[2026a]의 분류를 따르면, 현재 시스템은 네 가지 광범위한 아키텍처 패러다임으로 읽을 수 있다: 단일체 컨텍스트, 검색 저장소가 있는 컨텍스트, 계층적 메모리 및 오케스트레이션, 적응형 메모리 시스템. 이 진행은 단순히 더 큰 저장소를 향한 것이 아니다. 무엇이 쓰여지고, 승격되고, 검색되고, 압축되고, 잊혀지는지에 대한 더 명시적인 정책을 향한 것이다.

3.2.1 단일체 컨텍스트

초기 시스템은 단일체 컨텍스트에 의존했다: 모든 관련 이력이나 그 요약이 프롬프트에 직접 남아 있었다. 이 설계는 별도의 메모리 서비스가 필요하지 않아 투명하고 프로토타이핑이 쉬우며, 짧은 과제에서는 놀랍도록 잘 작동할 수 있다. 그 한계는 구조적이다. 용량 확장이 어렵고, 요약이 변동하며, 모델은 부족한 토큰으로 이력 운반과 현재 단계 해결을 동시에 해야 한다. 가장 중요하게, 상태가 세션과 함께 사라져서 에이전트가 지속적 경험을 축적하지 못한다.

3.2.2 검색 저장소가 있는 컨텍스트

지배적인 다음 단계는 단기 작업 상태만 컨텍스트에 유지하면서 장기적 추적을 외부에 저장하고 필요 시 검색하는 것이다. 이 "컨텍스트 + 검색 저장소" 패턴은 프로덕션 코파일럿, 어시스턴트, 코딩 에이전트의 대부분의 실용적 메모리 시스템을 뒷받침한다. 원시 용량 문제를 해결하지만, 메모리 품질을 검색 문제로 변환한다. 잘못된 기록이 표면화되면 모델이 산만해지고, 올바른 기록이 누락되면 시스템은 그것을 기억하지 못하는 것처럼 행동한다.

최근 연구는 여러 방향에서 이 병목을 공략한다. GraphRAG[Edge et al., 2024]는 그래프 구조와 커뮤니티 수준 검색을 추가하고, ENGRAM[Cheng et al., 2026]은 메모리를 잠재 상태 표현으로 압축하며, SYNAPSE[Zheng et al., 2023]는 통합된 에피소드-의미적 그래프에 대한 확산 활성화를 사용하여 덜 로컬한 형태의 관련성을 복구한다.

3.2.3 계층적 메모리 및 오케스트레이션

플랫 검색이 불충분함이 드러나면, 시스템은 계층적 메모리와 오케스트레이션으로 이동한다. 핵심 아이디어는 모든 추적이 동일한 보존 정책이나 검색 경로를 받을 자격이 없다는 것이다. Mem0[Chhikara et al., 2025], Memory-R1[Yan et al., 2025b], Mem-α[Wang et al., 2025b] 같은 프레임워크는 추출, 통합, 망각을 위한 명시적 연산을 도입하여, 메모리를 수동적 저장소가 아닌 관리되는 생명주기로 변환한다. 두 가지 설계 경향이 이 공간을 지배한다:

• 시공간 차원에서의 자원 분리. 한 분파는 운영 체제의 논리를 빌려 메모리를 능동적으로 관리해야 하는 제한된 자원으로 취급한다. MemGPT[Packer et al., 2023]와 MemoryOS[Kang et al., 2025]는 핫 작업 상태를 콜더 장기 저장소와 분리하고 과제 요구에 따라 계층 간 정보를 스왑한다.
• 인지 기능 차원에서의 의미적 분리. 두 번째 분파는 이질적 기록이 모두 동일한 채널을 통해 라우팅되지 않도록 기능이나 내용 유형별로 메모리를 조직한다. MemoryBank[Zhong et al., 2024]와 MIRIX[Wang and Chen, 2025]는 이벤트, 사용자 프로필, 세계 지식을 분리하고, MemOS[Li et al., 2025]는 명시적 메모리와 암묵적 메모리를 구분하며, xMemory[Hu et al., 2026]는 주제-이벤트 계층을 구축한다.

3.2.4 적응형 메모리 시스템

위의 아키텍처들은 여전히 인간이 설계한 휴리스틱에 크게 의존한다. 적응형 메모리 시스템은 모듈, 라우팅 결정 또는 검색 전략을 경험에 반응하게 함으로써 더 나아간다. 두 가지 방향이 특히 가시적이다:

• 동적 모듈. 일부 시스템은 런타임에 아키텍처 자체를 적응시킨다. MemEvolve[Zhang et al., 2025a]는 메모리 생명주기를 실행 중 독립적으로 진화할 수 있는 별도의 인코드, 저장, 검색, 관리 모듈로 분해한다.
• 피드백 기반 전략 최적화. 다른 시스템은 아키텍처를 비교적 고정으로 유지하되 더 나은 제어 정책을 학습한다. MemRL[Zhang et al., 2026c]은 비파라메트릭 강화 학습을 통해 검색 행동을 갱신한다. Zhang et al.[2025c]이 제안한 적응형 프레임워크는 혼합 전문가(mixture-of-experts) 게이팅을 사용하여 쿼리를 동적으로 라우팅한다.

이러한 단계들을 관통하는 주요 전환은 저장에서 제어로의 이동이다. 단일체 컨텍스트는 존재를, 검색 저장소는 용량을, 계층적 시스템은 조직을, 적응형 시스템은 정책을 해결하기 시작한다. 따라서 메모리는 프롬프팅에 대한 수동적 부속물이 되는 것을 그치고, 성숙한 에이전트에서는 모델이 효과적으로 작용할 수 있는 과거를 결정하는 하네스 제어 표면의 일부가 된다.

3.3 하네스 시대의 메모리 요구사항

에이전트가 하네스 시대로 진화하면서, 메모리 시스템은 더 이상 단순한 격리된 저장 모듈이 아니다; 대신, 런타임이 연속성, 절차적 재사용, 통치된 상호작용을 조율하는 기반이 된다. 질문은 더 이상 더 많은 정보를 어떻게 저장할 것인가만이 아니라, 시간적 상태를 계획, 실행, 복구 루프에 선택적으로 가독 가능하게 만드는 방법이다.

하네스 환경은 따라서 메모리 시스템이 상태와 컨텍스트를 명시적으로 분리할 것을 요구한다. 매우 긴 시간 범위를 가진 과제에서, 세션 이력의 무제한 축적은 모델의 주의 메커니즘을 잃게 할 수 있다. InfiAgent[Yu et al., 2026] 같은 프레임워크는 파일 중심 상태 추상화를 제안하여, 파일 시스템을 과제 상태의 유일한 권위 있는 기록으로 옹호하며, 고수준 계획에서 중간 변수와 도구 출력까지 모든 것이 실시간으로 기록되어야 한다. 각 결정 단계에서 에이전트는 더 이상 긴 이력을 읽지 않고 대신 작업 공간의 큐레이팅된 스냅샷과 소수의 최근 행동을 읽는다.

메모리는 또한 스킬 시스템과 통합되어야 하지만, 두 계층은 서로 다른 역할을 한다. 메모리는 이전 실행의 증거—추적, 결과, 실패, 사용자 또는 과제별 컨텍스트—를 저장한다. 스킬은 그 증거의 일부가 명시적이고 재사용 가능한 절차로 승격될 때에만 시작된다. 반대 방향으로, 모든 스킬 실행은 메모리에 다시 써야 할 새로운 추적을 생산한다. 따라서 메모리 자체는 절차적 안내가 아니다; 그것은 그러한 안내가 나중에 도출될 수 있는 증거 기반이다.

프로토콜 결합은 추가 요구사항을 부과한다. 도구 결과, 승인, 위임 이벤트, 외부 상태 전환은 프로토콜화된 인터페이스를 통해 도착할 수 있지만, 정규화되어 영속적 상태에 쓰여진 후에야 메모리가 된다. 역으로, 메모리 검색은 다음에 어떤 프로토콜 경로를 선택해야 하는지에 영향을 줄 수 있다.

마지막으로, 여러 에이전트가 공통의 외재화된 상태에 의존하게 되면 공유 및 거버넌스 메커니즘이 필수가 된다. 메모리에 대한 읽기/쓰기 권한 설정, 저장된 사실 간의 충돌 해결, 공유 지식에 대한 각 에이전트의 접근 할당량 제어 모두 운영 체제에 필적하는 저수준 제어 능력을 요구한다.

3.4 인지적 도구로서의 메모리

앞선 절들은 메모리 시스템의 내용, 아키텍처, 하네스 통합을 조사했다. 이 마지막 절은 메모리 외재화가 표상적 변환으로서 달성하는 바를 해석하기 위해 한 걸음 물러나, 노먼의 인지적 도구 이론[Norman, 1993]과 커쉬(Kirsh)의 보완적 전략에 대한 설명[Kirsh, 1995]에 기반한다.

현대 LLM은 무상태 생성기다: 각 호출은 새로운 컨텍스트로 시작하므로, 연속성은 전달되기보다 재구성되어야 한다. 짧은 상호작용에서 이 한계는 프롬프트 내에 숨겨질 수 있다. 장기적 작업에서는 구조적이 된다. 과거 시도, 부분적으로 완료된 작업, 사용자별 사실, 환경 상태 모두가 비용, 드리프트, 궁극적 절단 없이 컨텍스트에 살아 있을 수 없다. 따라서 제한된 모델이 직면하는 원래 과제는 원칙적으로 난해하다: 효과적으로 무한한 이력을 사용 가능한 상태로 유지하면서 현재에 대해 명확하게 추론하는 것.

메모리 외재화는 그 과제의 구조를 변경한다. 노먼의 용어로, 표상적 변환은 내부 회상 문제를 외부 인식 및 검색 문제로 변환한다. 모델은 더 이상 파라미터에서 관련 이력을 복구할 필요가 없다; 메모리 시스템이 이미 표면화한 큐레이팅된 이력의 조각을 인식하고 사용하면 된다. 이는 외부 목록이 기억하기의 성격을 어떻게 변경하는지에 대한 노먼의 분석과 밀접하게 유사하다: 핵심은 추가 정보가 더해졌다는 것이 아니라, 인지적 과제의 형태 자체가 재구성되었다는 것이다[Norman, 1991].

이 해석은 왜 검색 품질이 원시 저장 용량보다 중요한지를 명확히 한다. 방대한 저장소이지만 약한 검색을 가진 시스템은 여전히 모델에게 잘못된 문제 표상을 제시한다: 이력은 존재하지만 과제가 변환되지 않은 것이다. 반대로, 강한 인덱싱, 요약화, 맥락적 선택을 갖춘 소규모 저장소는 하류 추론을 훨씬 더 쉽게 만들 수 있다. 따라서 메모리의 성공 기준은 "얼마나 많이 저장했는가?"가 아니라 "현재 결정을 가독 가능하게 만들었는가?"이다.

이 인지적 도구 관점은 흔한 실패 모드를 단순한 구현 버그가 아닌 표상적 설계의 실패로도 설명한다. 오래된 기억은 구식 문제 표상을 제공하여 현재를 잘못 표현한다. 과도하게 추상화된 기억은 현재 결정에 필요한 운영적 세부사항을 잃는다. 과소 추상화된 기억은 프롬프트에 잡음을 범람시켜, 외재화가 단순화하려 했던 바로 그 인식 과제를 저하시킨다. 각 경우에, 메모리 시스템은 너무 적게나 너무 많이 저장했기 때문이 아니라, 이력을 사용 가능한 현재로 변환하지 못했기 때문에 실패한 것이다.

이 관점에서 보면, 메모리는 단순히 유효 컨텍스트를 확장하기 위한 공학적 편의가 아니다. 에이전시의 시간적 부담을 재형성하는 인지적 도구다. 무한한 회상을 제한적이고 큐레이팅된 검색으로 변환함으로써, 모든 결정 지점에서 모델이 직면하는 과제를 변경한다. 그 변환이 이 절에서 조사된 아키텍처적 진행—단일체 컨텍스트에서 적응형 시스템까지—을 단일한 기저 설계 목표에 연결하는 것이다: 모델의 고정된 추론 능력이 기억하는 데가 아니라 추론하는 데 사용되도록, 적절한 이력을 적절한 순간에 가독 가능하게 만드는 것.

---

4. 외재화된 전문성: 스킬

스킬 외재화는 에이전시의 절차적 부담을 다룬다. 언어 모델은 원칙적으로 과제를 해결하는 방법을 알 수 있지만, 신뢰할 수 있는 실행은 여전히 매번 워크플로우, 기본값, 제약을 재구성해야 한다. 그 부담은 과제 길이, 환경 특수성, 분기 결정의 수에 따라 증가하며, 분산으로 나타난다: 누락된 단계, 불안정한 도구 사용, 일관성 없는 종료 조건.

스킬이 도입하는 표상적 변환은 따라서 반복적 합성에서 재사용 가능한 절차로의 전환이다. 매 실행마다 가중치나 임시 프롬프트에서 과제별 노하우를 재생성하도록 모델에 요청하는 대신, 스킬 시스템은 그 노하우를 발견, 로딩, 수정, 조합될 수 있는 명시적 산출물로 패키징한다. 이것은 에이전트에게 사용 가능한 행동 집합을 주로 확장하는 것이 아니다; 런타임에 모델이 직면하는 과제를 워크플로우 발명에서 선택과 따르기로 변경한다[Xu and Yan, 2026b, Wang et al., 2026a].

4.1 무엇이 외재화되는가: 절차적 전문성

스킬 외재화는 격리된 행동 인터페이스가 아닌 절차적 전문성에 관한 것이다. 여기서 전문성은 반복되는 가정과 제약 하에서 과제를 수행하는 반복 가능한 방법을 의미하며, 모델이 무언가를 "할 수 있다"는 모호한 주장이 아니다. 유용한 경계가 그 정의에서 도출된다: 도구는 연산을 노출하고, 프로토콜은 그 연산이 기술되고 호출되는 방법을 통치하며, 스킬은 특정 클래스의 과제가 그것들과 함께 어떻게 실행되어야 하는지를 인코딩한다. 실제로, 그 전문성에는 세 가지 결합된 구성요소가 있다: 운영 절차, 결정 휴리스틱, 규범적 제약.

4.1.1 운영 절차

운영 절차는 과제의 골격이다: 복잡한 작업을 단계, 단계, 의존성, 종료 조건으로 분해한 것. LLM 에이전트의 흔한 실패 모드를 다룬다. 많은 오류가 행동 수준의 무능력에서 비롯되는 것이 아니라 프로세스 수준의 불안정성에서 비롯된다—건너뛴 단계, 잘못된 순서의 연산, 조기 종료[Hsiao et al., 2025, Nandi et al., 2026]. 절차를 외재화하면 그 취약한 프로세스 지식이 명시적 운영 경로로 변환된다.

절차가 외재화되면, 실행은 덜 즉흥적이 된다. 에이전트는 중단 후 재개하고, 컨텍스트나 협력자에 걸쳐 작업을 전달하고, 메모리에서 전체 워크플로우를 재구성하지 않고도 상태를 복구할 수 있다.

4.1.2 결정 휴리스틱

절차가 실행의 골격을 정의한다면, 결정 휴리스틱은 분기에서 무슨 일이 일어나는지를 통치한다. 실제 과제는 고정된 파이프라인으로 펼쳐지는 경우가 드물다. 도구가 실패하고, 관찰이 잡음이 많으며, 여러 국소적으로 그럴듯한 행동이 경쟁할 수 있다. 이러한 조건에서 좋은 성능은 포괄적 검색만이 아닌 경험에서 파생된 실용적 규칙(rules of thumb)에 의존한다[Gigerenzer and Gaissmaier, 2011].

이러한 휴리스틱을 외재화하면 추론 노력의 분배가 변한다. 매 분기에서 모델이 로컬 정책을 재발견하도록 강제하는 대신, 시스템은 이미 유용함이 입증된 기본 선택, 에스컬레이션 규칙, 선호 순서를 인코딩할 수 있다. 휴리스틱은 따라서 부차적 편의가 아니다. 스킬이 전문가 스타일—먼저 무엇을 시도할 것인지, 언제 물러날 것인지, 어떤 증거가 충분한지, 여러 경로가 남아 있을 때 어떤 트레이드오프가 선호되는지—을 포착하는 주요 방법 중 하나이다.

4.1.3 규범적 제약

세 번째 구성요소는 규범적 제약이다: 절차가 수용 가능한 것으로 간주되는 조건. 워크플로우가 기술적으로 효과적이면서도 비준수적이거나, 안전하지 않거나, 운영적으로 잘못될 수 있다. 실제 배포에서 실행은 테스트 요구사항, 범위 제한, 접근 제한, 추적가능성 기대, 도메인별 운영 규칙에 의해 제한된다[Chen et al., 2021, Bai et al., 2022b, Wei et al., 2023, Schick et al., 2023, Madaan et al., 2023].

외재화되면, 이러한 제약은 단순히 사후 평가 기준이 되는 것을 그치고 스킬 자체의 일부가 된다. 전제조건을 형성하고, 안전하지 않은 분기를 차단하고, 중간 검증을 요구하거나, 완료 전에 제출되어야 하는 증거를 정의할 수 있다. 이것이 스킬이 과제 수행 방법뿐만 아니라 조직적 및 안전 경계 내에서 수행하는 방법도 인코딩하게 하는 것이다. 성숙한 시스템에서, 이는 스킬을 능력의 운반자인 동시에 거버넌스의 운반자로 만든다.

4.2 실행 원시 요소에서 능력 패키지로

스킬 시스템은 격리되어 나타나지 않지만, 도구 사용과 혼동되어서도 안 된다. 역사적으로 스킬은 두 가지 이전 발전의 하류에 있다: 신뢰할 수 있는 행동 호출과 대규모 행동 선택. 이 단계들은 에이전트가 할 수 있는 것을 확장했지만, 아직 과제 클래스가 반복적으로 수행되어야 하는 방법을 확장하지는 않았다. 스킬은 절차적 조직 자체가 명시적이고 재사용 가능한 산출물이 될 때에만 나타난다.

4.2.1 단계 1: 원자적 실행 원시 요소

첫 번째 단계는 언어 모델에 구조화된 도구 호출과 함수 호출 인터페이스를 통한 신뢰할 수 있는 행동 실행을 장착한다. Toolformer는 모델이 언제 도구를 호출하고, 인자를 구성하고, 결과를 통합하는지를 학습할 수 있음을 보여주는 대표적 사례다[Schick et al., 2023]. 이 단계의 핵심 성과는 원자적 행동 단위에 대한 안정적 접근이다. 제공하지 않는 것은 더 넓은 과제 클래스를 완료하기 위한 명시적이고 재사용 가능한 절차이다.

4.2.2 단계 2: 대규모 원시 요소 선택

호출 가능한 도구의 수가 증가하면서, 문제는 호출에서 선택으로 이동한다. Gorilla, ToolLLM, ToolNet, ToolScope, AutoTool 같은 연구는 모델이 대규모 도구 컬렉션 중에서 검색, 순위 매기기, 동적 선택할 수 있음을 보여준다[Patil et al., 2023, Qin et al., 2023, Liu et al., 2024b, 2025b, Zou et al., 2025]. 이는 확장 가능한 행동 선택을 향한 주요 단계이지만, 단위는 절차가 아닌 도구로 남아 있다.

4.2.3 단계 3: 패키징된 전문성으로서의 스킬

세 번째 단계는 추상화에서의 추가적 변화를 표시한다. 중심 질문은 더 이상 모델이 함수를 호출하거나 적절한 API를 검색할 수 있는지가 아니라, 과제 클래스를 완료하는 데 필요한 노하우가 재사용 가능한 능력 단위로 패키징될 수 있는지이다. 이 단계에서 능력의 기본 단위는 더 이상 격리된 도구 호출이 아니라, 재사용 가능한 절차적 안내와 실행 구조를 중심으로 한 더 높은 수준의 산출물이다[Wang et al., 2025c, Chen et al., 2026b].

최근 연구는 이 전환을 점점 더 명시적으로 만든다. 프로그램 기반 스킬 유도는 원시 행동을 더 높은 수준의 재사용 가능한 스킬로 컴파일하여, 에이전트 능력이 일회성 호출이 아닌 실행 가능한 절차적 추상화로 표현될 수 있음을 보여준다[Wang et al., 2025c]. 이전 단계들과 비교할 때, 여기서의 핵심 변환은 단순히 운영적인 것이 아니라 표상적이다. 능력은 더 이상 도구나 API에 대한 접근으로 주로 취급되지 않고, 과제에 걸쳐 로딩, 재사용, 조합될 수 있는 패키징된 절차적 지식으로 점점 더 취급된다.

4.3 스킬이 외재화되는 방법

스킬 외재화는 지시를 적어두는 것으로 끝나지 않는다. 성숙한 에이전트 시스템에서 결정적 문제는 절차적 전문성이 런타임에 발견 가능하고, 로딩 가능하고, 해석 가능하고, 바인딩 가능하고, 실행 가능한 형태로 표현될 수 있는지이다.

4.3.1 명세

스킬의 외재화는 명세 계층에서 시작한다. 전형적 형태에는 SKILL.md, 지시 파일, 매니페스트, 또는 기타 선언적 명세 산출물이 포함된다. 이러한 산출물은 스킬이 무엇을 하는지, 어떤 시나리오에 적용되는지, 어떤 의존성을 가정하는지, 어떤 제약을 만족해야 하는지, 어떤 입출력 조건 하에서 작동해야 하는지를 기술한다. 잘 형성된 스킬 명세는 이상적으로 최소 다섯 종류의 정보—능력 경계, 적용 범위, 전제조건, 실행 제약, 예시와 반례—를 다루어야 한다.

4.3.2 발견

스킬이 명시적 산출물이 되면, 자연스럽게 등록과 발견의 문제가 도입된다. 현실적 설정에서 에이전트는 모든 과제에 대해 사용 가능한 모든 스킬을 무차별적으로 로딩할 수 없다. 따라서 선택적 검색을 지원하는 어떤 형태의 레지스트리와 발견 메커니즘이 필요하다. 핵심은 시스템이 단순히 어떤 도구가 호출될 수 있는지를 묻는 것이 아니라, 어떤 절차적 전문성 단위가 현재 문제에 적합한지를 묻는다는 것이다. 이는 스킬 발견을 더 높은 수준의 매칭 문제로 만든다.

4.3.3 점진적 공개

스킬의 발견이 그 전체 내용이 즉시 활성 컨텍스트에 주입되어야 함을 의미하지는 않는다. 긴 컨텍스트가 반드시 더 나은 성능으로 변환되지 않기 때문에, 상세한 지시는 안내의 원천이 아닌 추론 잡음의 원천이 될 수 있다. 이러한 이유로, 현재 스킬 시스템은 종종 스킬의 존재가 먼저 노출되고, 더 깊은 세부사항은 필요할 때에만 로딩되는 점진적 공개(progressive disclosure) 전략에서 이점을 얻는다[Xu and Yan, 2026b].

현재 산업적 구현에서 이것은 종종 계층화된 형태를 취한다. 최소 수준에서 모델은 스킬의 이름과 간략한 설명만을 보며, 이는 능력이 존재한다는 신호를 보내기에 충분하다. 더 깊은 수준에서는 적용 조건, 필수 전제조건, 주요 제약 같은 매니페스트형 정보를 노출할 수 있다. 가장 깊은 수준에서만 시스템이 상세 절차, 예외 처리, 예시, 지원 파일을 포함한 전체 가이드를 로딩한다. 이 설계는 Claude Code의 스킬 시스템 같은 현재 산업적 구현에서 특히 가시적이다[Anthropic, 2025].

4.3.4 실행 바인딩

스킬은 실행 가능한 행동에 연결되지 않으면 인지 수준의 기술로 남는다. 실제 과제 완료는 따라서 스킬의 자연어 또는 구조화된 명세를 현재 환경에서의 구체적 연산으로 변환하는 바인딩 프로세스에 의존한다. 바로 이 지점에서 스킬, 도구, 프로토콜의 구분이 명확해진다.

스킬은 보통 그 자체로 행동 실행자가 아니다. 대신, 도구, 파일, API, 하위 에이전트, 프로토콜 엔드포인트, 또는 기타 실행 인터페이스 같은 하위 수준 런타임 기판에 바인딩되어야 한다. 스킬은 에이전트가 관련 코드를 검색하고, 테스트를 실행하고, 결과적 diff를 요약해야 한다고 명시할 수 있지만, 행동 자체는 검색 도구, 파일 연산, 셸 명령, 테스트 러너에 의해 수행된다. 따라서 도구는 실행 가능한 연산을 제공하고, 프로토콜은 그 연산이 기술되고 호출되는 방법을 통치하며, 스킬은 이들을 반복 가능한 과제 완료로 결합하기 위한 더 높은 수준의 전략을 제공한다.

4.3.5 조합

스킬 시스템의 가치는 스킬이 조합될 수 있을 때 가장 완전히 실현된다. 원자적 도구와 달리, 스킬은 더 높은 수준의 구조화된 조정에 참여할 수 있어, 복잡한 과제가 여러 능력 패키지의 협력으로 분해될 수 있다. 일반적인 조합 패턴에는 직렬 실행, 병렬 분업, 조건부 라우팅, 상위 수준 스킬 내에서의 하위 스킬 재귀적 호출이 포함된다[Wang et al., 2023a].

조합이 중요한 것은 단순히 실행 전략으로서뿐만 아니라, 절차적 전문성 자체의 상위 수준 재사용이기 때문이다. 예를 들어, 데이터 분석 보고서를 생성하는 스킬은 모놀리식 종단 간 절차로 구현될 필요가 없다. 대신 데이터 정제, 통계 분석, 시각화, 서사 합성을 위한 더 작은 스킬의 조율된 조합으로 조직될 수 있다. 조합은 따라서 스킬이 격리된 레시피의 모음이 아닌 진정한 능력 계층이 되는 지점을 표시한다[Yu et al., 2025].

4.4 스킬 획득과 진화

스킬 시스템이 중요한 것은 단순히 작성된 지시를 저장하기 때문이 아니라, 성공적 행동을 재사용 가능한 전문성으로 전환하는 경로를 제공하기 때문이다. 스킬 획득은 따라서 절차적 지식이 시간에 걸쳐 작성, 추출, 발견, 재조합되는 진화적 프로세스로 더 잘 이해된다[Xu and Yan, 2026b].

작성(Authored). 수동 작성은 스킬이 현재 시스템에 진입하는 가장 흔하고 안정적인 경로로 남아 있다. SKILL.md, AGENTS.md, 프로젝트 수준 지시 파일, 조직적 SOP 템플릿 형태이든, 이러한 산출물은 모두 인간이 설계한 절차적 능력 패키지의 인스턴스이다.

증류(Distilled). 스킬은 또한 역사적 궤적, 실행 추적, 또는 기타 저장된 경험으로부터 유도될 수 있다. 에피소드 기록은 에이전트가 이전에 무엇을 했고 왜 궤적이 성공했거나 실패했는지를 보존한다. 특정 성공적 구조가 과제에 걸쳐 반복될 때, 시스템은 이러한 패턴을 더 안정적인 절차적 단위로 추상화할 수 있다.

발견(Discovered). 수동 작성과 사후 증류를 넘어, 에이전트는 환경 상호작용을 통해 자율적으로 새 스킬을 발견할 수도 있다. Voyager는 마인크래프트 설정에서 탐색, 실행 피드백, 자기 검증, 커리큘럼 기반 과제 선택이 공동으로 실행 가능한 코드 수준 스킬의 끊임없이 성장하는 라이브러리를 생산하는 영향력 있는 예를 제공한다[Wang et al., 2023a].

조합(Composed). 마지막으로, 스킬은 조합을 통해 진화할 수 있다. 많은 상위 수준 능력은 처음부터 발명되는 것이 아니라 기존의 하위 또는 중간 수준 스킬에서 조립된다. 기존 스킬의 특정 조합이 반복적으로 효과적으로 검증되면, 그 조합 자체가 새로운 상위 수준 스킬로 패키징될 수 있다.

4.5 경계 조건

스킬 외재화는 재사용과 거버넌스를 개선하지만, 신뢰성을 보장하지는 않는다. 절차적 전문성이 명시적 산출물로 외재화되면, 그 효과성은 산출물이 과제, 환경, 사용되는 런타임과 얼마나 잘 일치하는지에 조건적이 된다. 실제로 주요 경계 조건은 의미적 정렬, 이식성과 진부화, 안전하지 않은 조합, 컨텍스트 의존적 저하에 관한 것이다.

의미적 정렬. 스킬 명세는 의도와 안내를 자연어 또는 경량 구조화 형태로 표현하지만, 실제 실행은 구체적 도구, API, 환경 제약에 의존한다. 결과적으로, 모델이 스킬의 문자적 표현을 따르면서도 과제의 실제 목표를 놓칠 수 있다.

이식성과 진부화. 스킬이 내부적으로 일관적이더라도, 환경에 걸친 유효성은 가정할 수 없다. 웹사이트, API, 의존성, 워크플로우, 런타임 관례의 변경은 한때 효과적이었던 스킬을 부분적으로 오도적이거나 완전히 쓸모없게 만들 수 있다.

안전하지 않은 조합. 조합은 스킬을 더 강력하게 만들지만, 새로운 위험도 만든다. 격리되어서는 무해해 보이는 스킬들이 조합되었을 때 안전하지 않게 상호작용할 수 있다. 공공 스킬 생태계에 대한 대규모 실증 연구는 프롬프트 주입, 데이터 유출, 권한 상승, 공급망 위험을 포함한 상당한 비율의 취약성을 보고한다[Liu et al., 2026].

컨텍스트 의존적 저하. 추가적 어려움은 스킬 실행이 연장된 상호작용에 걸쳐 저하될 수 있다는 것이다. 스킬 파일이 갱신되었더라도, 에이전트가 잔류 세션 컨텍스트, 캐시된 요약, 또는 이전에 강화된 행동 패턴 때문에 구식 운영 논리를 계속 따를 수 있다. 동시에, 상세한 스킬 가이드는 너무 많은 로컬 절차적 세부사항이 컨텍스트에 주입될 때 전역적 과제 추적을 방해할 수 있다.

4.6 하네스 속의 스킬

위의 경계 조건은 스킬이 독립적 산출물로 평가될 수 없음을 보여준다. 그 신뢰성은 실행 중인 시스템 내에서 어떻게 위치하는지에 달려 있다.

메모리에 대한 조건부 선택. 스킬은 검색된 상태에 비추어 선택되고 파라미터화된다. 하네스는 과제 이력, 이전 결과, 사용자별 컨텍스트, 환경 제약에 대해 메모리를 쿼리한 다음, 그 증거를 사용하여 어떤 스킬을 로딩하고, 어떤 파라미터를 인스턴스화하고, 어떤 분기를 선호할지 결정한다. 이 조건부 루프 없이는 스킬 선택이 과제 설명에 대한 키워드 매칭으로 퇴화한다.

프로토콜을 통한 바인딩. 선택된 후, 스킬은 실행 가능한 행동에 기반되어야 한다. 그 기반은 프로토콜화된 인터페이스를 통과한다: 도구 스키마, 하위 에이전트 위임 계약, 파일 연산, 승인 워크플로우. 스킬과 프로토콜은 따라서 상호보완적이다: 스킬은 무엇이 행해져야 하는지를 명시하고, 프로토콜은 결과적 행동이 기술되고, 호출되고, 통치되는 방법을 명시한다.

런타임 거버넌스. 프로덕션 설정에서 하네스는 또한 스킬 실행에 대한 거버넌스를 부과한다. 여기에는 민감한 연산 전 권한 확인, 고위험 단계에 대한 승인 게이트, 어떤 스킬이 로딩되었고 어떤 행동을 생산했는지의 감사 로깅, 다단계 절차 도중 실행이 실패했을 때의 롤백 메커니즘이 포함된다.

생명주기 피드백. 마지막으로, 하네스는 스킬 실행과 스킬 진화 사이의 루프를 닫는다. 실행 추적, 성공률, 실패 패턴, 사용자 수정이 메모리에 다시 쓰여진다. 시간이 지나면서 그 증거는 스킬 수정, 폐기, 또는 새 후보 스킬의 승격을 촉발할 수 있다.

4.7 인지적 도구로서의 스킬

노먼의 인지적 도구 이론의 관점에서, 스킬 시스템은 능력 조직 차원을 따른 표상적 변환으로 이해될 수 있다[Norman, 1993]. 외재화된 스킬 없이, 모델은 과제 실행 중 내부 파라미터에서 절차적 지식을 반복적으로 재구성해야 한다. 스킬과 함께, 그 절차적 부담의 일부가 로딩, 검사, 따를 수 있는 명시적 외부 표상으로 이동된다. 이것은 과제를 불안정한 잠재적 절차적 회상에서 적용 가능한 안내를 인식하고 그 하에서 행동하는 더 안정적인 프로세스로 전환한다. 그 점에서, 스킬 파일의 역할은 외부 목록이 기억하기의 성격을 어떻게 변경하는지에 대한 노먼의 분석과 밀접하게 유사하다. 핵심은 단순히 추가 정보가 더해졌다는 것이 아니다. 인지적 과제의 형태 자체가 재구성되었다는 것이다.

이 해석은 커쉬의 보완적 전략 개념과도 일치한다. LLM은 종종 긴 다단계 절차를 안정적이고 반복 가능한 방식으로 재현하는 데 특별히 신뢰할 만하지 않다. 동일한 프롬프트가 실행에 걸쳐 서로 다른 분해, 분기 결정 또는 종료 조건을 산출할 수 있다. 반대로, 명시적 안내를 읽고, 현재 컨텍스트에 매칭하고, 명시된 제약 하에서 실행을 로컬하게 적응시키는 데는 비교적 더 나아다. 따라서 스킬은 공학된 보완적 전략으로 이해될 수 있다. 절차 정의, 제약, 모범 사례의 일부를 산출물로 외재화하면서, 해석, 맥락적 매칭, 예외 처리는 모델 자체에 맡긴다.

스킬은 단순히 시스템에 더 많은 정보를 추가하지 않는다. 능력이 조직되는 방식을 변경한다. 절차적 전문성은 불투명하고 감사하기 어려운 파라미터 공간에서 검사 가능하고, 수정 가능하며, 조합 가능한 외부 구조로 이동된다. 이것이 스킬의 중요성이 단순한 공학적 편의에 있는 것이 아니라, 노하우가 어디에 거주하고 어떻게 재사용에 사용 가능해지는지에 대한 더 깊은 재배분에 있는 이유이다.

---

5. 외재화된 상호작용: 프로토콜

프로토콜은 에이전시의 상호작용 부담을 외재화한다. 기본 모델은 도구가 호출되어야 하고, 하위 에이전트에 위임되어야 하고, 사용자에게 응답이 보여져야 한다고 추론할 수 있지만, 명시적 계약 없이는 메시지 형식, 인자 구조, 생명주기 의미론, 권한, 복구 행동도 즉흥적으로 해결해야 한다. 그 부담은 모든 외부 행동을 취약한 프롬프트 따르기 연습으로 만든다.

하네스 내에서, 이 프로토콜 계층은 상호작용이 통치 가능해지는 곳이다. 도구가 어떻게 발견되고, 하위 에이전트가 어떻게 접촉되고, 사용자 대면 상태가 어떻게 노출되고, 세션 진행이 어떻게 표현되고, 권한과 실패가 어떻게 적용되는지를 중재한다.

메모리가 시간적 상태를 외재화하고 스킬이 절차적 전문성을 외재화한다면, 프로토콜은 에이전트가 자신 외부의 엔터티와 정보와 행동을 교환하는 방식을 통치하는 계약을 외재화한다. 표상적 변환은 자유 형식 의사소통적 추론에서 구조화된 교환으로의 전환이다. 런타임에 상호작용의 구문과 의미론을 모델이 발명하도록 요청하는 대신, 프로토콜은 모델이 채우고 따를 수 있는 타입화된 표면, 상태 전환, 기계 판독 가능한 제약을 제공한다.

더 구체적으로, 프로토콜이 외재화하는 것은 네 가지 차원을 따라 조직될 수 있다:

호출 문법(Invocation grammar). 모든 도구 호출, API 요청, 또는 위임 메시지는 형식이 필요하다: 인자 이름, 타입, 순서, 반환 구조. 프로토콜 없이, 모델은 매 호출마다 이 문법을 추론하거나 재발명해야 한다. 프로토콜은 이를 스키마와 타입화된 인터페이스로 외재화하여, 모델이 구문을 추측하는 대신 필드를 채우게 한다.

생명주기 의미론(Lifecycle semantics). 다단계 상호작용은 조정이 필요하다: 누가 다음에 행동하고, 어떤 상태 전환이 허용되며, 과제가 언제 완료되었거나 실패했는지. 프로토콜은 이러한 순서 규칙을 명시적 상태 머신이나 이벤트 스트림으로 외재화하여, 모델의 추론적 부담에서 제거한다.

권한 및 신뢰 경계(Permission and trust boundaries). 실세계 에이전트 행동은 누가 권한이 있는지, 어떤 데이터가 어디로 흐를 수 있는지, 어떤 증거가 제출되어야 하는지에 의해 제한된다. 프로토콜은 이러한 제약을 모델이 자체 단속하는 것에 의존하기보다 런타임이 적용할 수 있는 검사 가능한 규칙으로 외재화한다.

발견 메타데이터(Discovery metadata). 에이전트가 도구나 다른 에이전트와 상호작용하기 전에, 어떤 능력이 사용 가능한지와 어떻게 접근하는지를 알아야 한다. 프로토콜은 이 발견 문제를 암묵적 프롬프트 임베딩 지식을 쿼리 가능한 메타데이터로 대체하는 레지스트리, 능력 카드, 스키마 엔드포인트로 외재화한다.

5.1 프로토콜이 중요한 이유

에이전트 프로토콜의 중요성은 그것이 외재화하는 부담에서 직접적으로 도출된다: 프로토콜 없이는 모든 상호작용이 부분적으로 형식, 정당성, 조정에 대한 추론 문제이다. 그 이점은 세 가지 차원을 따라 가장 쉽게 볼 수 있다.

통합된 상호작용 표준. 프로토콜은 도구, 에이전트, 프론트엔드에 발견, 호출, 핸드오프, 상태 교환을 위한 공유 문법을 제공한다. 이 계층 없이는 생태계가 런타임에 걸쳐 잘 이동하지 않는 로컬 프롬프트+파서 통합으로 분열된다. 표준화된 상호작용은 상호운용성을 우연한 행운이 아닌 설계된 속성으로 만든다[Ehtesham et al., 2025a].

개선된 보안, 거버넌스, 감사가능성. 에이전트가 실제 환경에서 작동하면, 질문은 행동할 수 있는지뿐만 아니라 그 행동이 제한적이고, 검사 가능하고, 복구 가능한지이다[Phiri, 2025]. 프로토콜은 권한, 정체성, 실행 추적, 실패 상태, 책임 경계를 명시적으로 만듦으로써 도움을 준다.

벤더 의존성 감소. 개방형 상호작용 계약은 또한 아키텍처적 유연성을 보존한다. 시스템이 프로바이더 특정 인터페이스 내부가 아닌 프로토콜 계층에서 능력을 축적하면, 모델, 벤더, 런타임 구성요소를 더 적은 재구성으로 교체할 수 있다.

5.2 에이전트 프로토콜 조사

이 절에서는 커뮤니티의 대중적 에이전트 프로토콜을 상호작용하도록 설계된 서로 다른 엔터티에 따라 에이전트-도구, 에이전트-에이전트, 에이전트-사용자, 기타 프로토콜 계열로 분류하고, 각 범주의 대표적이고 일반적으로 사용되는 프로토콜을 간략히 소개한다.

5.2.1 에이전트-도구 프로토콜

에이전트-도구 프로토콜은 도구 접근이 인터페이스 분열이 처음 나타나는 곳이기 때문에 가장 먼저 성숙한 프로토콜 계열 중 하나였다. MCP[Anthropic, 2024]가 가장 명확한 대표이다. 에이전트가 이기종 서비스에 걸쳐 도구를 발견하고, 스키마를 검사하고, 호출하는 표준화된 방법을 제공한다. 그것이 다루는 문제는 직접적이다: 공유 계약 없이는 모든 새 도구가 맞춤형 통합 논리, 중복된 스키마 정의, 프로바이더 특정 적응을 요구한다.

인접 계층과의 경계가 중요하다. MCP와 관련 프로토콜은 도구가 기술되고 호출되는 방법을 명시한다; 그 도구들과 함께 어떤 다단계 절차를 따라야 하는지를 명시하지는 않으며, 결과가 생산된 후 세션 간 인지를 자체적으로 보존하지도 않는다. 이러한 역할은 각각 스킬과 메모리에 속한다.

아키텍처적으로, MCP는 도구 접근을 인터페이스별 엔지니어링이 아닌 프로토콜 기반 통합으로 변환한다. 서버는 공통 구조를 통해, 전형적으로 JSON-RPC 2.0를 통해 도구와 컨텍스트 자원을 노출하고, 클라이언트는 그 공유 명세에 대해 발견과 호출을 수행한다.

5.2.2 에이전트-에이전트 프로토콜

여러 에이전트가 협업하는 즉시, 상호작용 자체가 시스템 문제가 된다. 에이전트-에이전트 프로토콜은 능력이 어떻게 발견되고, 과제가 어떻게 위임되고, 진행과 부분 상태가 어떻게 교환되고, 결과가 어떻게 호출자에게 반환되는지를 정의한다. 이들은 그렇지 않으면 프롬프트 관례나 프레임워크별 접착 코드에 묻혀 있을 조정을 외재화한다.

A2A[Google, 2025a]가 현재 가장 가시적인 예이다. Agent Cards 같은 산출물을 통한 능력 발견을 표준화하고, 이기종 에이전트 간의 과제 지향 통신, 상태 업데이트, 협상, 스트리밍 진행을 지원한다. ACP[IBM Research, 2025]는 친숙한 REST/HTTP 패턴을 통한 경량 도입을 강조하고, ANP[Chang et al., 2025]는 분산된 정체성, 교차 도메인 발견, 보안 종단 간 통신을 가진 개방적 인터넷 규모 상호운용성을 목표로 한다.

5.2.3 에이전트-사용자 프로토콜

에이전트-사용자 프로토콜은 에이전트 런타임과 사용자 대면 시스템 사이의 경계를 형식화한다. 도구나 에이전트-에이전트 프로토콜과는 다른 문제를 다룬다: 행동이 다른 곳에서 어떻게 실행되는지가 아니라, 실행 상태, 출력, 인터페이스 구조가 프론트엔드가 렌더링하고 사용자가 이해할 수 있는 형태로 인간에게 어떻게 노출되는지이다.

A2UI[Google, 2025b]는 인터페이스 생성 분파를 대표한다. 에이전트가 호스트 애플리케이션이 플랫폼에 걸쳐 안전하게 렌더링할 수 있는 제한된 선언적 형식으로 UI 구조를 기술하게 한다. AG-UI[CopilotKit, 2025]는 스트리밍 상태 분파를 대표한다. 실행 시작, 텍스트 방출, 도구 호출 인자, 도구 호출 결과, 완료, 오류 같은 타입화된 실행 이벤트를 표준화한다. 이 두 방향은 상호보완적이다. A2UI는 인터페이스 구성을 외재화하고, AG-UI는 그 인터페이스 뒤의 실시간 상태 전환을 외재화한다.

5.2.4 기타 프로토콜

일반적 상호작용 계열을 넘어, 일부 프로토콜은 일반적 인터페이스로는 충분하지 않은 고위험 수직 워크플로우를 대상으로 한다. UCP[Google, 2026]는 에이전틱 커머스를 위해 카탈로그, 요청, 체크아웃 흐름을 표준화하여 에이전트, 가맹점, 결제 제공자가 매 상점에 대한 맞춤형 통합 없이 상호운용할 수 있도록 한다. AP2[Google Cloud, 2025b]는 결제에 대해 동일하게 하며, 권한 부여, 서명, 감사가능성, IntentMandate, PaymentMandate, PaymentReceipt 같은 증거 지참 거래 객체를 강조한다.

이러한 도메인 프로토콜이 중요한 것은 일반적 통신이 아닌 워크플로우별 거버넌스를 외재화하기 때문이다. 모든 계열에 걸쳐, 공통 패턴은 프로토콜이 조정 문제를 명시적으로 만든다는 것이다. 도구 프로토콜은 호출 문법을, 에이전트-에이전트 프로토콜은 위임을, 에이전트-사용자 프로토콜은 표현과 상태 스트리밍을, 도메인 프로토콜은 특화된 거버넌스를 외재화한다.

5.3 하네스 엔지니어링에서의 에이전트 프로토콜

위의 조사가 생태계에서 어떤 상호작용 부담이 외재화되고 있는지를 보여준다면, 하네스 엔지니어링은 그 프로토콜 표면들이 실행 중인 에이전트의 일부가 되는 방법을 보여준다. 질문은 더 이상 에이전트가 다른 엔터티와 어떻게 통신해야 하는가만이 아니라, 에이전트가 런타임에 임베딩되면 그러한 통신 계약이 실행, 영속성, 위임, 복구를 어떻게 통치하는지이다.

5.3.1 의도 포착 및 정규화

의도 포착 및 정규화는 이러한 표면 중 첫 번째이다. 이 계층의 역할은 모델이 생산한 언어를 런타임이 검증하고 행동할 수 있는 명시적 명령이나 이벤트로 변환하는 것이다. 이것 없이는 실행 의미론이 암묵적으로 남는다: 시스템이 모델이 무엇을 의미했는지 추측하고, 작은 언어적 변동이 큰 운영적 차이를 만들 수 있다.

성숙한 하네스는 따라서 실행 전에 의도를 정규화한다. 자유 텍스트 제안이 프로토콜 객체로 매핑되고, 현재 컨텍스트와 권한 경계에 대해 확인되며, 계약을 만족하지 못하면 거부되거나 수정된다.

5.3.2 능력 발견 및 도구 설명

능력 발견과 도구 설명은 두 번째 표면을 형성한다. 오래된 시스템에서 사용 가능한 도구에 대한 지식은 종종 부분적으로 프롬프트에, 부분적으로 개발자 가정에 살아있다. 프로토콜화된 발견은 이를 명시적 메타데이터로 대체한다. 세션 시작이나 단계 전환 시, 런타임은 현재 사용 가능한 도구, 그 스키마, 입출력 구조를 표준화된 메시지를 통해 노출한다.

이 변화는 두 가지 효과를 가진다. 모델이 모든 도구 계약을 프롬프트에 운반할 필요가 없으므로 컨텍스트 인플레이션을 줄이고, 구조화된 메타데이터에 대해 권한, 버전 관리, 감사가 적용될 수 있으므로 능력 경계를 통치 가능하게 만든다.

5.3.3 세션 및 생명주기 관리

하네스 프로토콜은 또한 장기적 에이전트가 격리된 단일 호출로 작동하지 않기 때문에 명시적 세션 및 생명주기 관리가 필요하다. 런타임은 여러 턴, 컨텍스트 윈도우, 실행 단계에 걸쳐 상호작용 상태를 보존해야 한다. 여기서 보존되는 것은 완전한 의미의 지속적 메모리가 아니라 프로토콜 상태이다: 식별자, 역할, 보류 중인 행동, 단계 전환, 허용된 다음 움직임.

대부분의 장기 실행 시스템은 따라서 실행을 명명된 상태와 전환 규칙을 가진 생명주기 객체로 취급한다. 프로토콜 계층은 그 객체를 전진시키고, 상태 변경을 방출하고, 체크포인트 또는 복구 이벤트를 조정한다. 구분이 중요하다: 프로토콜은 상호작용의 연속성을 유지하고, 메모리는 시간에 걸친 연속성을 유지한다.

5.4 인지적 도구로서의 프로토콜

노먼의 용어로, 인지적 도구는 그 표상적 구조를 변경함으로써 과제를 변환한다[Norman, 1993]. 프로토콜은 상호작용에 대해 이것을 한다. 프로토콜 없이, 모든 외부 행동은 부분적으로 자연어 추론 문제이다: 모델이 의도된 연산을 추론하고, 올바른 형식을 추측하고, 수용 가능한 제약을 재구성하고, 수신 시스템이 결과를 올바르게 해석하기를 희망해야 한다. 프로토콜은 그 개방형 추론을 제한적이고 구조화된 과제로 대체한다: 타입화된 필드를 채우고, 선언된 상태 전환을 따르고, 구조화된 피드백을 받는다. 모델은 여전히 행동할지 여부와 시기에 대한 판단이 필요하지만, 더 이상 매 단계에서 상호작용의 구문과 의미론을 재발명할 필요가 없다.

이것은 에이전트 시스템에서 가장 강력한 형태의 외재화 중 하나인데, 전체 클래스의 추론을 핵심 경로에서 제거하기 때문이다. 이 변환은 메모리가 시간적 상태에 대해(3.4절), 스킬이 절차적 전문성에 대해(4.7절) 도입하는 변환과 유사하지만, 다른 차원에서 작동한다: 무엇을 기억할 것인가나 어떻게 진행할 것인가가 아니라, 어떻게 통신하고 조정할 것인가.

이 해석은 또한 프로토콜이 메모리나 스킬로 환원될 수 없는 독특한 역할을 수행하는 이유를 설명한다. 메모리는 시간에 걸쳐 학습된 것을 외재화하고, 스킬은 과제가 수행되어야 하는 방법을 외재화하고, 프로토콜은 메모리와 스킬 모두가 통치된 행동으로서 세계에 진입하는 규율을 외재화한다. 따라서 프로토콜은 "실제" 지능적 핵심 주위의 부차적 배관이 아니다. 상호작용을 위한 인지적 도구—외재화된 지능의 다른 형태를 운영 가능하게 만드는 표상적 인프라—이다.

---

6. 통합 외재화: 하네스 엔지니어링

그림 7은 개요를 제공한다: 기초 모델이 중심에 위치하고, 여섯 가지 하네스 차원이 외재화된 인지를 일관된 에이전시로 조율하며 주위를 둘러싼다. 이 차원 중 세 가지—메모리, 스킬, 프로토콜—는 이전 장들(3-5절)에서 분석된 외재화 모듈이다. 나머지 세 가지—권한, 제어, 관찰가능성—은 런타임에 그 모듈들이 접근, 제약, 모니터링되는 방식을 통치하는 운영 표면이다.

6.1 하네스란 무엇인가?

모듈별로 추구된 외재화는 로컬 능력을 개선하지만, 에이전트성은 전역적 조정을 요구한다. 메모리는 어떤 추적이 현재 과제에 중요한지를 명시하지 않고 경험을 축적한다. 스킬은 과거 상호작용으로부터의 교훈을 자동으로 통합하지 않고 효과적 루틴을 캡슐화한다. 프로토콜은 언제, 어떤 정책 하에서 도구가 호출되어야 하는지를 결정하지 않고 호출 형식을 정규화한다. 모듈은 존재하지만, 이들을 공동으로 효과적으로 만들 인지 루프는 아직 불충분하게 명세되어 있다.

빠져 있는 것은 시간에 걸쳐 그들의 상호작용을 조정하는 원리적 구조이다—인지, 메모리 접근, 행동 선택, 실행, 모니터링, 수정을 단일 운영적 외피 내에서 정렬하는 것. "하네스"라는 용어가 그 구조를 명명한다.

실용적 에이전트는 이 설명에서, 주변 능력이 부착된 모델이 아니라, 하네스 내에서 작동하는 모델로 더 잘 이해된다. 기초 모델 단독은 범용 추론 능력을 유지하지만, 무엇에 접근할 수 있고, 어떻게 행동할 수 있고, 행동이 어떻게 제약되고, 행동이 시간에 걸쳐 어떻게 관찰되고 수정되는지를 결정하는 운영적 구조가 없다. 하네스가 그 구조를 공급한다. 에이전시는 따라서 모델 단독에 위치하지 않는다; 모델의 인지를 행동으로 조직하는 환경과 모델의 결합에서 출현한다.

6.2 하네스 설계의 분석적 차원

이전 장들에서 논의된 모듈—메모리 저장소, 스킬 산출물, 프로토콜 인터페이스—은 외재화된 인지의 원자재를 공급하지만, 런타임이 시간에 걸쳐 인지, 행동, 제약, 피드백을 어떻게 조율하는지를 그 자체로 명시하지는 않는다. 그 조율이 하네스의 영역이다. 그림 7에서 강조된 세 가지 운영 표면—권한, 제어, 관찰가능성—은 여섯 가지 반복되는 설계 변이 차원으로 분해될 수 있다.

6.2.1 에이전트 루프와 제어 흐름

에이전트 루프는 하네스의 시간적 백본이다. 가장 단순하게는 인지-검색-계획-행동-관찰 사이클을 구현하며, 모델이 현재 상태의 구조화된 뷰를 받고, 행동을 결정하고, 도구나 프로토콜 인터페이스를 통해 실행하고, 결과를 관찰하고, 내부 계획을 갱신한다[Yao et al., 2023a, Shinn et al., 2023]. 하네스가 기본 루프를 넘어 추가하는 것은 종료, 재귀, 자원 소비에 대한 거버넌스이다. 명시적 제어 없이, 에이전트 루프는 무한히 순환하거나, 무한한 도구 호출로 비용을 확대하거나, 컨텍스트나 컴퓨팅 예산을 소진하는 하위 에이전트 생성으로 재귀할 수 있다.

6.2.2 샌드박싱과 실행 격리

에이전트가 세계에 행동할 때—파일 쓰기, 셸 명령 실행, 외부 API 호출—하네스는 환경을 얼마나 노출하고 의도치 않은 부작용을 어떻게 봉쇄할지를 결정해야 한다. 샌드박싱은 그 요구에 대한 공학적 응답이다. 에이전트가 읽고, 쓰고, 수정할 수 있는 것을 제한하는 통제된 실행 경계를 만들고, 실패를 진단 가능하고 롤백을 실행 가능하게 하는 재현성 보장을 제공한다.

Codex 스타일 에이전트는 각 과제를 자체 파일시스템 스냅샷, 네트워크 제한, 자원 할당을 가진 전용 클라우드 샌드박스 내에서 실행한다. Claude Code는 완전 자율 실행에서 모든 도구 호출에 대한 필수 사용자 승인까지 단계적 권한 모드를 노출하여 보완적 접근을 취한다[Anthropic, 2026]. 두 경우 모두 샌드박스는 단순한 보안 울타리가 아니다. 무관한 상태를 제거하고, 위험한 행동을 제한하고, 작업 공간을 검사 가능하게 함으로써 에이전트의 운영 환경을 단순화하는 인지적 경계이다.

6.2.3 인간 감독 및 승인 게이트

완전한 자율성은 배포된 에이전트에 대해 거의 적절하지 않다. 대부분의 프로덕션 시스템은 따라서 에이전트 루프에 인간 운영자가 제안된 행동을 검사하고, 승인하거나 거부하고, 수정을 제공하거나, 실행을 재지향할 수 있는 개입 지점을 삽입한다. 세 가지 패턴이 일반적이다. 사전 실행 승인은 잠재적으로 결과적인 모든 행동 전에 에이전트를 일시 중지한다. 사후 실행 검토는 에이전트가 행동하게 하되 커밋하거나 계속하기 전에 검사를 위해 결과를 표면화한다. 에스컬레이션 트리거는 정상 조건에서 에이전트가 자율적으로 실행하되 특정 위험 신호가 감지되면—민감한 데이터 관련 행동, 비가역적 연산, 임계값 이하의 확신도—중단하고 인간 입력을 요청한다.

6.2.4 관찰가능성 및 구조화된 피드백

검사 가능한 추적을 남기지 않고 행동하는 에이전트는 디버깅, 감사, 개선이 불가능한 에이전트이다. 관찰가능성은 에이전트의 내부 궤적을 개발자, 운영자, 에이전트 자체에 가시적으로 만드는 하네스 표면이다.

구현 수준에서 관찰가능성은 전형적으로 모든 모델 호출, 도구 호출, 메모리 읽기/쓰기, 결정 분기의 구조화된 로깅, 각 행동을 인과적 선행 조건에 연결하는 실행 추적, 단계 수, 토큰 소비, 오류율, 지연 분포 같은 집계 메트릭을 포함한다. 이러한 기록은 두 가지 별개의 목적을 수행한다. 외부적으로, 디버깅, 컴플라이언스 감사, 사후 분석을 지원한다. 내부적으로, 실행 결과를 생산한 모듈에 다시 연결하는 피드백 루프를 닫는다. 구조화된 관찰가능성 없이는 이러한 피드백 루프가 작동할 수 없고, 하네스는 적응형 시스템이 아닌 정적 스캐폴드로 남는다.

6.2.5 구성, 권한, 정책 인코딩

하네스는 에이전트가 무엇을 할 수 있는지뿐만 아니라 어떤 조건에서 무엇을 하도록 허용되는지도 인코딩해야 한다. 이것은 정책을 실행 논리에서 분리하고 거버넌스 규칙을 명시적이고, 버전 관리 가능하고, 감사 가능하게 만드는 구성 계층을 요구한다.

실제로 구성은 전형적으로 여러 범위에 걸쳐 계층화된다. 사용자 수준 설정은 개인 선호와 신뢰 경계를 인코딩한다. 프로젝트 수준 설정은 어떤 도구가 사용 가능하고, 어떤 파일 경로에 접근 가능하고, 어떤 명령이 승인을 요구하는지를 명시한다. 조직 수준 설정은 개별 프로젝트가 무시할 수 없는 컴플라이언스 제약, 비용 상한, 데이터 처리 규칙을 부과한다. 이 계층화된 모델은 동일한 기본 에이전트가 모델이나 로딩하는 스킬 산출물의 어떤 변경 없이도 배포 컨텍스트에 따라 서로 다른 정책 체제 하에서 작동할 수 있음을 의미한다[Anthropic, 2026, Lee et al., 2026].

6.2.6 컨텍스트 예산 관리

컨텍스트 윈도우는 모든 에이전트 시스템에서 가장 희소한 공유 자원으로 남는다. 메모리 검색, 스킬 로딩, 프로토콜 스키마, 도구 설명, 모델 자체의 추론 추적 모두 동일한 유한한 토큰 예산을 놓고 경쟁한다. 그 예산이 어떻게 할당되는지는 단일 모듈이 혼자 해결할 수 없는 하네스 수준 조정 문제이다.

효과적 컨텍스트 관리는 전형적으로 여러 전략을 결합한다. 요약화는 오래된 대화 턴과 실행 이력을 결정 관련 정보를 보존하면서 토큰을 확보하는 더 짧은 표현으로 압축한다. 우선순위 기반 퇴출은 활성 하위 과제에 대한 관련성이 감소한 컨텍스트 항목을 제거하거나 강등한다. 단계적 로딩—스킬에 대해 4절에서 이미 논의된—은 매칭되는 과제 패턴이 감지될 때에만 상세한 절차적 안내가 컨텍스트에 진입하도록 보장한다.

6.3 실전에서의 하네스: 현대 에이전트 시스템

위에서 식별된 분석적 차원들은 추상적 바람이 아니다; 배포된 에이전트 시스템에 걸쳐 관찰 가능한 구체적 설계 선택에 대응한다. OpenAI Codex[OpenAI, 2025a]와 Anthropic Claude Code[Anthropic, 2026] 같은 현대 프로덕션 에이전트들은 제품 표면, 구현 계보, 대상 워크플로우에서 실질적으로 다르지만, 놀랍도록 유사한 하네스 구조 세트로 수렴한다. 그 수렴은 분석적으로 의미가 있다: 여섯 가지 차원이 우발적 구현 선택이 아니라 외재화된 에이전시의 구조적 요구사항임을 시사한다.

루프와 제어 흐름. 성숙한 에이전트 시스템은 모델 추론과 도구 호출 및 환경 관찰을 인터리빙하는 명시적 루프 주위로 일관되게 실행을 조직한다.

샌드박싱. 현재 시스템은 서로 다른 세분성에서 실행 격리를 구현한다. 일부는 각 과제를 전용 클라우드 샌드박스에서 실행하고, 다른 일부는 단계적 권한 모드를 노출한다.

인간 감독. 자율성을 이진적 속성으로 취급하기보다, 배포된 하네스는 구성 가능한 승인 게이트를 구현한다.

관찰가능성. 프로덕션 시스템은 디버깅, 컴플라이언스 감사, 사후 분석을 지원하는 구조화된 실행 추적을 생산한다.

구성과 거버넌스. 배포된 하네스는 전형적으로 여러 범위—사용자, 프로젝트, 조직—에 걸쳐 구성을 계층화한다.

컨텍스트 예산. 현재 하네스는 오래된 이력의 요약화, 단계적 로딩, 관련성이 감소한 항목의 우선순위 기반 퇴출을 통해 능동적으로 관리한다.

독립적으로 개발된 시스템들이 동일한 하네스 차원 세트로 수렴한다는 사실 자체가 교훈적이다. 외재화된 에이전시의 주요 설계 과제가 모델에서 더 나은 완성을 이끌어내는 것이 아니라, 완성이 효과적인 개입이 되는 운영적 조건을 정비하는 것임을 나타낸다.

6.4 인지 환경으로서의 하네스

하네스의 중요성은 통상적 소프트웨어 공학 의미의 인프라를 넘어 확장된다. 하네스는 단순히 이미 형성된 지능을 지원하지 않는다; 추론이 전개되는 환경을 결정함으로써 에이전트의 효과적 인지를 형성한다. 에이전트의 인지적 장에 무엇이 진입하는지, 턴과 세션에 걸쳐 무엇이 유지되는지, 어떤 연산이 호출 가능한지, 어떤 행동이 승인을 요구하는지, 어떤 중간 상태가 수정을 위해 노출되는지, 어떤 형태의 실패가 탐지 가능하고 복구 가능한지를 규제한다.

이 주장은 노먼의 인지적 도구 설명 내에 위치할 수 있다[Norman, 1993]. 노먼은 인지적 도구를 정보를 유지, 표시, 연산하는 방식으로 인지적 성능을 변환하도록 설계된 인공적 장치로 특성화한다—단순히 내부 연산을 가속화하는 것이 아니라 과제의 구조 자체를 변경함으로써. 하네스는 시스템 규모에서 이 설명에 부합한다. 모델에 더 많은 컨텍스트나 더 많은 도구를 단순히 증강하지 않는다; 모델이 직면하는 표상적 문제를 재구성한다. 메모리를 외재화하고, 절차를 형식화하고, 명시적 제어점을 도입하고, 실행을 제약함으로써, 하네스는 무한한 과제를 안내된 행동의 구조화된 환경으로 변환한다.

커쉬의 공간의 지능적 사용에 대한 설명이 이 해석을 선명하게 한다[Kirsh, 1995]. 그의 핵심 관찰은 인지가 환경이 배열되는 방식에 의해 형성된다는 것이다: 공간적이고 표상적인 조직이 검색을 줄이고, 선택을 단순화하고, 내부 연산적 부담을 줄일 수 있다. 하네스는 에이전트에 대해 유사한 역할을 한다. 정보, 도구, 권한, 절차가 바람직한 행동이 실행하기 더 쉽고 바람직하지 않은 행동이 생산하기 더 어렵도록 배열되는 인지적 니치이다.

분산 인지의 프레임워크가 이 점을 일반화한다. 허친스(Hutchins)의 공식화는 인지가 독점적으로 개인의 마음 내에 거주한다는 관점을 거부하고, 인지적 프로세스를 사람, 도구, 표상, 조율된 실천에 걸쳐 위치시킨다[Hutchins, 1995]. 하네스를 갖춘 에이전트 시스템은 정확히 이 용어로 이해 가능하다. 작동하는 지능은 모델 파라미터, 외부 메모리 저장소, 실행 가능한 스킬, 프로토콜 정의, 도구 표면, 모니터링 시스템, 그리고 그들의 상호작용을 통치하는 런타임 제약에 걸쳐 분산된다. 따라서 하네스를 단순한 인프라 계층이 아닌 인지 환경으로 기술하는 것이 더 정확하다.

---

7. 교차 분석

세 가지 외재화 모듈은 분석적으로 구별되지만, 실제 시스템은 그들 간의 상호작용에서 힘을 도출한다. 3-5절은 메모리, 스킬, 프로토콜을 주로 격리하여 다루었고, 6절은 하네스가 이들을 통합한다고 주장했다. 이 절은 모듈이 하네스 내에 배치되면 발생하는 시스템 수준 결합을 검토하고, 이들이 모델 경계에서 어떻게 나타나는지를 묻고, 파라메트릭과 외재화된 능력 사이의 경계가 어디에 그어져야 하는지를 고려한다.

7.1 모듈 상호작용 맵

메모리에서 스킬로: 경험 증류. 반복된 궤적이 재사용 가능한 절차로 증류될 수 있으며, 이것이 축적된 경험이 체계화된 전문성이 되는 주요 경로이다. TED와 UMEM 같은 시스템은 기본 모델 가중치를 수정하지 않고도 에피소드 추적이 어떻게 클러스터링, 추상화, 스킬 산출물로 승격될 수 있는지를 보여준다[Yuan et al., 2026, Ye et al., 2026]. 이 흐름의 교차적 중요성은 메모리가 단순히 과거를 보존하는 것이 아니라, 하네스가 무엇이 재사용 가능한 운영 패턴이 될 자격이 있는지 결정할 수 있는 증거를 제공한다는 것이다.

스킬에서 메모리로: 실행 기록. 흐름은 반대 방향으로도 진행된다. 모든 스킬 실행은 활성 컨텍스트 윈도우와 함께 사라질 수 있는 추적, 중간 실패, 런타임 개선을 생성한다. 관찰가능성과 로깅 인프라가 이러한 궤적을 지속적 증거로 포착하여, 시스템이 어떤 스킬이 신뢰할 수 있게 남아 있고 어떤 것이 수정, 분할, 제약되어야 하는지를 검증할 수 있게 한다.

스킬에서 프로토콜로: 능력 호출. 스킬은 추상적 절차에서 통치된 행동으로 경계를 넘을 때에만 운영 가능해진다. 그 전환은 고수준 의도를 타입화된 호출, 생명주기 이벤트, 권한 확인된 상호작용 표면으로 변환하는 프로토콜을 통해 발생한다.

프로토콜에서 스킬로: 능력 생성. 인터페이스가 표준화되면, 그것을 사용하기 위한 모범 사례를 체계화하는 것이 실질적으로 더 쉬워진다. OpenAPI와 MCP는 단순히 도구를 호출 가능하게 만드는 것이 아니라, 시스템이 인터페이스별 노하우를 재사용 가능한 스킬 산출물로 패키징하기에 충분한 구조적 규칙성을 제공한다. 이 흐름은 외재화 프로세스에서 중요한 비대칭성을 강조한다. 프로토콜 표준화는 단순히 스킬을 소비하지 않는다; 새 스킬이 작성되거나 유도될 수 있는 표면을 능동적으로 확장한다.

메모리에서 프로토콜로: 전략 선택. 저장된 컨텍스트는 또한 하네스가 다음에 어떤 프로토콜 경로를 선택하는지에 영향을 줄 수 있다. 역사적 성공률, 사용자 선호, 이전 실패는 요청이 로컬에 머물지, 외부 도구를 호출할지, 다른 에이전트에 위임할지를 결정할 수 있다. 이 결합은 하네스가 MCP를 통한 도구 호출, A2A를 통한 원격 에이전트 위임 사이에서 선택해야 하는 다중 에이전트 설정에서 특히 가시적이다.

프로토콜에서 메모리로: 결과 동화. 마지막으로, 모든 프로토콜 상호작용은 에이전트의 지속적 인지의 일부가 되려면 보존되어야 하는 상태를 생산한다. 도구 출력, 승인 이벤트, 오류 페이로드, 위임 결과는 종종 일반 텍스트보다 풍부한 형식의 구조화된 응답으로 도착한다. 하네스는 이러한 결과를 메모리로 정규화하여, 이후 추론이 재구성되거나 환각된 가정이 아닌 검증된 외부 상태에 의존할 수 있도록 해야 한다.

시스템 수준 역학. 위의 여섯 가지 흐름은 쌍별이지만, 여러 중요한 역학이 시스템 수준에서만 발생한다. 첫째, 사이클은 자기 강화적이다: 더 나은 메모리는 더 나은 스킬 증류를 가능케 하고, 더 나은 스킬은 더 풍부한 실행 추적을 생산하고, 더 풍부한 추적은 메모리를 개선하는 식이다. 이 긍정적 피드백은 능력 성장을 가속화할 수 있지만, 오류도 증폭할 수 있다. 둘째, 모듈은 동일한 부족한 자원인 모델의 컨텍스트 윈도우를 놓고 경쟁한다. 셋째, 흐름은 서로 다른 시간 척도에서 작동한다. 프로토콜 상호작용은 전형적으로 동기적이고 빠르며, 스킬 로딩은 과제나 하위 과제 경계에서 발생하고, 메모리 증류와 스킬 진화는 세션 이상에 걸쳐 전개된다.

7.2 LLM 입출력 관점

또 다른 유용한 관점은 각 모듈이 모델 경계에서 어떻게 나타나는지를 묻는 것이다. 컨텍스트 윈도우와 출력 표면의 관점에서 보면, 하네스는 단순히 더 많은 구성요소를 추가하는 것이 아니라, 모델에 진입하고 나가는 것을 기능적으로 구별되는 계층으로 재구성한다.

컨텍스트적 입력으로서의 메모리. 메모리는 결정 시점에 사용 가능한 역사적이고 상황적인 입력을 형성한다. 모델에 전체 실행 로그를 범람시키는 대신, 검색 메커니즘이 현재 단계에 중요한 상태, 이전 궤적 또는 엔터티 관계의 작은 조각을 선택한다.

지시적 입력으로서의 스킬. 스킬은 모델에 주어지는 절차적 안내를 형성한다. 모든 워크플로우를 모놀리식 시스템 프롬프트에 인코딩하기보다, 하네스는 관련 과제 패턴이 나타날 때에만 특화된 지시, 예제, 제약을 로딩할 수 있다.

행동 스키마로서의 프로토콜. 프로토콜은 출력 경계를 형성한다. JSON 스키마, MCP 메시지, OpenAPI 정렬 호출 같은 구조화된 계약을 적용함으로써, 모델의 생성적 공간을 제약하고 하류 실행을 통치하기에 충분히 결정적으로 만든다.

이 입출력 분해는 노동 분담과 실패 분류를 명확히 하기 때문에 분석적으로 유용하다. 검색 오류는 입력 선택 오류로 나타난다: 모델이 올바르게 추론하지만 잘못된 컨텍스트에 대해서. 스킬 실패는 절차적 안내 오류로 나타난다: 모델이 지시를 충실히 따르지만 지시 자체가 결함이 있거나 불일치. 프로토콜 실패는 행동 스키마 오류로 나타난다: 모델의 의도는 건전하지만 출력이 인터페이스 계약을 위반한다. 하네스는 이러한 실패 클래스를 독립적으로 디버깅, 귀속, 최적화할 수 있을 만큼 분리 가능하게 만든다.

7.3 파라메트릭 vs. 외재화: 트레이드오프 공간

관련 설계 문제는 지능이 모델에 있어야 하는지 인프라에 있어야 하는지가 아니다. 특정 부담이 갱신 빈도, 재사용 패턴, 거버넌스 요구사항, 실행 비용을 고려하여 어디에 있어야 하는지이다. 다음 차원들이 그 분할 결정을 구조화한다.

갱신 빈도와 시간적 감소. 빠르게 변하는 지식과 절차는 외재화의 강한 후보이다. API, 조직 구조, 실시간 환경 상태는 모델 가중치에서 신뢰성 있게 유지하기에 너무 빨리 감소한다. 안정적 배경 능력—언어 이해, 광범위한 추론, 상식적 추론—은 훨씬 더 느린 속도로 감소하며 여전히 더 자연스럽게 파라메트릭으로 운반되는데, 빠른 검색과 모델의 표상적 구조와의 깊은 통합에서 이점을 얻기 때문이다.

재사용가능성과 다중 에이전트 이식성. 능력이 과제, 사용자 또는 에이전트에 걸쳐 반복적으로 필요하면, 외재화는 이식성과 조합을 개선한다. 명시적 스킬, 스크립트, 인터페이스 산출물은 각 에이전트가 동일한 절차를 재발견하거나 재훈련할 필요 없이 이기종 런타임에 걸쳐 공유, 버전 관리, 재사용될 수 있다.

감사가능성, 거버넌스, 정렬. 검사, 승인, 롤백, 정책 적용이 중요할 때마다, 외재화된 산출물은 불투명한 파라메트릭 행동에 비해 명확한 장점을 가진다. 기호적 인터페이스는 회로 차단기, 스키마 검증, 추적 가능한 실행 기록을 가중치만으로는 지원하지 않는 방식으로 지원한다. 고위험 배포는 따라서 아키텍처적 경계를 외부로 밀어낸다: 에이전트의 행동이 더 중요할수록, 통치하는 논리를 명시적이고 검사 가능하게 만드는 주장이 더 강해진다.

지연, 단순성, 컨텍스트 부담. 외재화는 연산적이고 조직적인 비용을 모델의 순방향 패스에서 주변 시스템으로 이전한다. 검색, 라우팅, 파싱, 도구 호출 모두 지연을 도입한다. 모든 검색된 산출물은 제한된 컨텍스트 예산을 놓고 경쟁하며, 과도한 컨텍스트 로딩은 정보 과부하나 "중간에서 소실" 현상을 통해 성능을 저하시킬 수 있다. 초고속, 저분산, 순수 의미적 과제의 경우, 모델이 내부 파라메트릭 지식에 의존하도록 하는 것이 실질적으로 더 단순하고 종종 더 신뢰할 수 있다.

결과는 모델 지능과 인프라 지능 사이의 제로섬 경쟁이 아니다. 시스템 분할 문제이다. 강한 하네스는 영속성, 재사용, 제어로부터 이점을 얻는 부담을 외재화하면서, 안정적이고 빠르며 범용적인 역량을 모델 내부에 남긴다. 최적 분할은 정적이 아니다: 모델이 더 유능해지고 외재화된 인프라가 성숙해지면서, 경계는 계속 이동할 것이다.

---

8. 미래 논의

앞선 절들은 메모리, 스킬, 프로토콜이 어떻게 별개의 인지적 부담을 외재화하는지, 그리고 하네스가 이들을 작동하는 에이전트로 어떻게 통합하는지를 검토했다. 이 분석들은 이미 외재화된 것을 기술한다. 이 절은 다음에 무엇이 올 것인지를 묻는다. 외재화의 논리 자체를 여섯 가지 연결된 질문을 통해 추적한다:

• 파라메트릭과 외재화된 능력 사이의 경계는 어디로 향하고 있으며, 멀티모달 인지는 그 경계를 어떻게 넓히는가?
• 동일한 논리가 디지털 에이전트에서 체화된 시스템으로 확장되는가?
• 외재화 프로세스는 어떻게 더 자율적이 될 수 있는가?
• 더 많이 외부로 이전될수록 어떤 비용과 위험이 축적되는가?
• 외재화된 산출물은 생태계 규모에서 상호작용을 어떻게 재형성하는가?
• 외재화의 품질은 어떻게 측정되어야 하는가?

8.1 확장되는 경계

앞선 절들의 반복되는 교훈은 모델 내부에 머무는 것과 외재화되는 것 사이의 경계가 고정되어 있지 않다는 것이다. 모델, 과제, 인프라가 공진화하면서 변화한다. 그 경계를 이해하고 다음에 어디로 이동할지를 예측하는 것은 따라서 에이전트 시스템의 중심적 설계 질문이다.

한 방향에서, 모델 개선은 능력을 내부로 다시 끌어당길 수 있다. 구조화된 출력을 신뢰성 있게 생산하는 모델은 하네스에서 더 적은 형식 검증을 필요로 한다; 더 큰 효과적 컨텍스트 윈도우를 가진 모델은 더 단순한 메모리 아키텍처를 허용할 수 있다; 더 강한 내장 도구 사용 능력을 가진 모델은 덜 정교한 의도 포착 논리를 요구할 수 있다. 반대 방향에서, 더 풍부한 하네스는 모델에 새로운 요구를 만든다: 구조화된 런타임 내에서 작동하려면 스키마를 존중하고, 권한 확인에 협력하고, 단계적 컨텍스트 주입과 조율해야 한다. 따라서 경계는 양 방향으로 동시에 이동하며, 핵심 공학적 과제는 언제 더 외재화하고 언제 후퇴할지를 아는 것이다.

이 변화하는 풍경 내에서, 오늘날 대부분 암묵적으로 남아 있는 여러 클래스의 인지적 작업이 추가 외재화의 그럴듯한 후보이다.

계획 및 목표 관리. 현재 에이전트는 전형적으로 컨텍스트 내 추론을 통해 계획을 생성하며, 일시적인 분해를 생산한다—활성 생성에만 존재하고 컨텍스트가 리셋되면 소실된다. 방향은 계획을 하네스의 일급 객체로 향한다: 영속적이고, 검사 가능하고, 수정 가능하고, 에이전트 간 또는 에이전트와 인간 사이에서 공유 가능한. 그것은 계획을 일시적 추론 행위에서 관리되는 상태 산출물로 변환할 것이다—메모리가 역사적 컨텍스트에 대해 이미 수행하는 것과 동일한 표상적 변환이다.

평가 및 검증. 대부분의 평가 논리는 오늘날 모델의 사고의 연쇄 내부이거나 사후적으로 실행되는 외부 벤치마크 하네스에 살아있다. 평가 기준, 루브릭, 검증 절차를 런타임 하네스 구성요소로 외재화하면—모델 판단에 암묵적으로 남겨두기보다—에이전트가 실행 중 명시적 기준에 대해 자체 출력을 확인할 수 있게 된다.

오케스트레이션 논리 자체. 외재화의 가장 재귀적 형태는 하네스 자체의 구성, 정책, 실행 논리를 에이전트가 검사, 비판, 수정할 수 있는 객체로 만드는 것이다. 오케스트레이션 논리가 외재화되면, 에이전트 시스템은 무엇을 알고 행하는지뿐만 아니라 앎과 행함을 어떻게 조직하는지를 적응시킬 수 있다.

멀티모달 외재화. 지금까지 발전된 외재화 프레임워크는 텍스트를 지배적 표상 매체로 가정한다. 기초 모델이 본질적으로 멀티모달이 됨에 따라—텍스트와 함께 이미지, 비디오, 오디오, 화면 내용을 처리하면서—각 외재화 차원은 새로운 설계 요구에 직면한다. 멀티모달 스킬은 텍스트 절차뿐만 아니라 시각적 인지 워크플로우와 교차 모달 결정 논리도 인코딩해야 한다. 멀티모달 메모리는 텍스트 기반 에피소드 추적뿐만 아니라 시각적이고 청각적인 경험도 인덱싱하고 검색해야 한다. 더 넓은 함의는 멀티모달 외재화가 단순히 기존 저장소에 새 데이터 타입을 추가하는 문제가 아니라는 것이다. 스킬 명세, 메모리 인덱싱, 프로토콜 스키마의 설계 가정을 변경하며, 인지적 부담의 외재화를 위한 실질적으로 더 넓은 경계를 연다.

8.2 디지털 에이전트에서 체화된 외재화로

본 논문에서 발전된 외재화 프레임워크는 읽고, 쓰고, API를 호출하는 디지털 에이전트에 적용된다. 자연스러운 질문은 동일한 아키텍처적 논리가 인지하고, 이동하고, 세계와 물리적으로 상호작용해야 하는 체화된 시스템—로봇—으로 확장되는지이다. 로봇 학습의 최근 발전은 그렇다는 것을 시사하며, 체화된 영역이 여기서 분석된 것과 놀랍도록 유사한 분해를 겪고 있음을 보여준다.

모놀리식 출발점. 체화된 지능에 대한 초기 접근은 외재화 전 LLM 에이전트와 유사한 종단 간 전략을 추구했다. 비전-언어-행동(VLA) 모델은 모놀리식 "뇌"로 위치했다: 자연어 지시와 시각적 관찰이 주어지면, 모델이 인지, 추론, 계획, 모터 제어를 단일 순방향 패스에서 처리하며 연속적 행동 시퀀스를 직접 출력한다.

분해: 대뇌-소뇌 분리. 떠오르는 아키텍처적 응답은 전신 수준에서 외재화 논리를 재현한다. 고수준 로봇 에이전트—전형적으로 LLM이나 멀티모달 모델—이 대뇌의 역할을 맡는다: 목표를 해석하고, 과제를 하위 과제 시퀀스로 분해하고, 단계에 걸쳐 상태를 유지하고, 예외를 처리하고, 실행 피드백이 실패를 나타내면 계획을 수정한다. VLA 모델은 한편 소뇌로 재배치된다: 각각이 단일 원자적 조작 원시 요소—잡기, 놓기, 붓기, 삽입—를 담당하는 호출 가능한 스킬 모듈이 되며, 실시간 감각운동 피드백과 저지연 제어로 실행된다.

이 분해는 본 논문의 외재화 차원에 직접 매핑된다. 과제 계획과 목표 관리는 VLA의 암묵적 파라메트릭 추론에서 명시적이고 검사 가능한 에이전트 루프로 이전된다. 각 VLA 스킬 모듈은 외재화된 스킬 산출물로 기능한다. 에이전트와 스킬 사이의 통신은 프로토콜 계층을 구성한다.

이 유사성이 중요한 이유. 수렴은 우연이 아니다. 디지털과 체화된 에이전트 모두 동일한 근본적 긴장에 직면한다: 단일 모델이 느리고 숙의적인 인지와 빠르고 반응적인 실행을 동시에 최적화할 수 없다. 외재화는 각 클래스의 인지적 작업을 가장 적합한 기판으로 라우팅함으로써 이 긴장을 해결한다.

열린 과제. 체화된 외재화는 디지털 경우가 직면하지 않는 제약을 도입한다. 물리적 행동은 API 호출과는 달리 비가역적이다. 실시간 제어는 텍스트 생성보다 자릿수가 다르게 긴밀한 지연 예산을 요구한다. 이러한 제약은 체화된 하네스를 위해 메모리, 스킬, 프로토콜이 어떻게 설계되는지를 형성할 것이지만, 근본적 논증을 변경하지는 않는다.

8.3 자기 진화하는 하네스를 향하여

대부분의 현재 에이전트 시스템은 여전히 실패 후 메모리 정책 수정, 스킬 산출물 재작성, 실행 논리 강화를 인간에게 의존한다. 오케스트레이션 논리가 그 자체로 외재화되면, 하네스는 수동적으로만이 아니라 프로그래밍적으로 적응될 수 있는 객체가 된다.

시스템적 관점에서, 자기 진화는 세 가지 수준에서 발생할 수 있다. 모듈 수준에서, 아키텍처는 고정으로 유지되지만 내부 정책이 관찰된 실패에 응답하여 조정된다. 시스템 수준에서, 실행 파이프라인 자체가 재구조화된다. 경계 수준에서, 하네스의 범위가 모델과 과제가 변함에 따라 확장되거나 수축된다.

여러 기술적 경로가 부상하고 있다. 강화 학습은 이산적 런타임 정책을 최적화할 수 있다. 프로그램 합성은 하네스 적응을 코드 수리로 취급한다. 진화적 방법은 하네스의 위상에 대해 검색한다. 모방 학습은 탐색이 너무 비쌀 때 더 강한 사전지식을 제공한다. 자기 진화는 매력적이지만 적절한 거버넌스 없이 드리프트하는 적응형 하네스는 오래된 것을 해결하는 것보다 빠르게 새 실패 모드를 도입할 수 있다.

8.4 비용, 위험, 그리고 거버넌스

더 많은 인지적 부담이 외부로 이전될수록, 두 클래스의 비용이 축적된다: 외재화된 인프라 자체로부터의 인지적 오버헤드, 그리고 확장된 공격 표면으로부터의 보안 위험.

인지적 오버헤드. 외재화는 무료가 아니다. 모든 추가 메모리 계층, API 스키마, 안전 규칙은 지연과 추론 오버헤드를 부과하며, 특정 지점을 넘으면 모델이 과제 자체를 해결하는 것보다 모듈을 발견하고, 파싱하고, 조율하는 데 더 많은 노력을 쏟게 된다. 메모리에서, 과도한 검색은 한계적으로 관련 있는 추적으로 컨텍스트를 범람시킨다. 스킬에서, 장황하거나 중복되는 파일은 컨텍스트 예산을 놓고 경쟁한다. 프로토콜에서, 도구 난립은 행동 선택을 불필요한 명확화 문제로 만든다.

이러한 실패 모드는 설계 대상이 최대한의 외재화가 아니라 효율적이고 유틸리티 긍정적인 외재화여야 함을 시사한다. 좋은 하네스는 모델의 결정 문제를 단순화한다; 두 번째 문제를 만들지 않는다.

보안 및 무결성 위험. 인지적이고 절차적인 부담이 외부 산출물로 재배치되면, 그 산출물은 표적이 된다. 메모리 오염은 손상된 에피소드 추적이나 사실 저장소를 통해 미래 추론을 조용히 왜곡할 수 있다. 악성 스킬 주입은 에이전트의 재사용 가능한 레퍼토리에 적대적 절차를 임베딩할 수 있다. 프로토콜 스푸핑—위조된 도구 매니페스트나 조작된 엔드포인트—은 정당한 상호작용의 외양 하에 무단 행동을 야기할 수 있다.

인프라로서의 거버넌스. 함의는 외재화가 거버넌스와 쌍으로 이루어져야 한다는 것이다—사후 조치가 아니라 하네스의 공동 설계된 계층으로서. 중요한 업데이트에 대한 필수 검토 게이트, 메모리와 스킬 변경에 대한 출처 추적, 결정적 롤백 메커니즘, 회귀 테스트 모두가 인프라의 일부가 된다.

8.5 사적 스캐폴딩에서 공유 인프라로

지금까지 기술된 외재화는 주로 에이전트 중심적이다: 메모리는 하나의 에이전트의 연속성을 위해, 스킬은 로컬 패키지로 로딩되며, 프로토콜은 종종 프레임워크에 종속된다. 협업 체인이 길어지면서, 외재화는 사적 스캐폴딩에서 공유 인프라로 이동하기 시작한다. 이것은 분석 단위를 개별 에이전트에서 생태계로 변경한다.

공유 산출물. 가장 명확한 징후는 세 가지 차원 모두에 걸쳐 공유 가능한 산출물의 출현이다. 공유 메모리는 질문을 "내가 기억하는 것"에서 "우리가 아는 것"으로 이전한다. 공유 스킬은 절차적 전문성을 에이전트에 걸쳐 재사용, 포크, 유지될 수 있는 공공 능력 단위로 변환한다. 공유 프로토콜은 그러한 조정을 플랫폼과 조직에 걸쳐 상호운용 가능하게 만드는 공통 문법을 제공한다.

분업과 집단 학습. 이러한 구조가 공유되면, 에이전트 시스템은 어디에서나 동일한 전체 스택을 복제하기보다 역할을 차별화할 수 있다. 낙인(stigmergy)에서 차용하면, 실패 궤적은 공유 메모리에 축적되고 성공적 경로는 공유 스킬로 결정화될 수 있다.

제도화와 그 긴장. 메모리 스키마, 스킬 명세, 프로토콜 바인딩이 반복적으로 검증되면서, 임시 스캐폴딩보다 제도처럼 기능하기 시작한다. 그러나 공유 인프라는 또한 새로운 거버넌스 문제를 도입한다. 인프라 드리프트, 악성 또는 저품질 산출물, 성급하거나 지연된 표준화 모두 생태계를 불안정하게 만들 수 있다.

8.6 외재화의 측정

대부분의 현재 벤치마크는 고정된 프롬프트와 고정된 모델 설정 하에서 과제 완료를 통해 에이전트를 주로 평가한다. 이것은 기본 모델 능력을 비교하는 데 유용하지만, 외재화된 인프라의 기여를 체계적으로 과소 측정한다.

더 풍부한 평가 의제는 현재 벤치마크가 대부분 무시하는 차원들을 따라 외재화의 품질을 평가할 것이다. 전이가능성은 기저 모델이 교체될 때 동일한 하네스 구성이 효과성을 유지하는지를 묻는다. 유지보수성은 스킬, 메모리 정책 또는 프로토콜 스키마가 업데이트될 때 시스템이 얼마나 우아하게 저하되는지를 측정한다. 복구 강건성은 에이전트가 실패를 감지하고, 부분 행동을 롤백하고, 체크포인트에서 재개할 수 있는지를 테스트한다. 컨텍스트 효율성은 컨텍스트 예산의 얼마가 하네스 오버헤드 대 과제 관련 추론에 의해 소비되는지를 정량화한다. 거버넌스 품질은 외재화된 시스템이 투명성과 가역성 요구사항을 충족하는지를 평가한다.

이러한 방법들이 성숙할 때까지, 분야는 부분적으로 외재화 설계의 성과인 것을 모델 지능에 귀속시키는 것을 계속할 것이다.

종합하면, 이 여섯 가지 방향은 현재 상태를 넘어 외재화의 계속되는 논리를 추적한다. 공통 실은 외재화가 일회성 아키텍처적 결정이 아니라, 경계, 메커니즘, 비용, 품질 기준이 모델 및 생태계와 공진화하는 지속적 설계 프로세스라는 것이다.

---

9. 결론

본 논문은 외재화가 LLM 에이전트에서 가장 중요한 발전들을 연결하는 전환 논리라고 주장했다. 신뢰할 수 있는 에이전시는 점점 더 선택된 인지적 부담을 모델 밖으로, 명시적 인프라로 재배치하는 것에 의존한다: 메모리는 시간에 걸친 상태를 외재화하고, 스킬은 절차적 전문성을 외재화하고, 프로토콜은 상호작용 구조를 외재화하며, 하네스는 이 계층들을 작동하는 런타임으로 조율한다.

이 관점에서, 가중치에서 컨텍스트로, 컨텍스트에서 하네스로의 이동은 단순히 공학적 기법의 연속이 아니다. 에이전트 능력이 어디에서 조직되는지에 대한 변화를 표시한다. 일부 부담은 파라메트릭으로 잘 처리되지만, 다른 것들은 모델 외부에서 영속적이고, 검사 가능하고, 재사용 가능하고, 통치 가능하게 만들어질 때 더 신뢰할 수 있게 된다.

이러한 형태의 외재화를 통합하는 것은 표상적 변환이다. 메모리는 회상을 검색으로 변환하고, 스킬은 즉흥적 생성을 안내된 조합으로 변환하며, 프로토콜은 임시적 조정을 구조화된 교환으로 변환한다. 효과는 단순히 모델 주위에 더 많은 구성요소를 추가하는 것이 아니라, 모델이 해결하도록 요청받는 과제를 변경하는 것이다.

이 재프레이밍은 또한 앞으로의 의제를 명확히 한다. 핵심 질문은 더 이상 더 강한 모델을 어떻게 구축할 것인가만이 아니라, 모델과 인프라 사이에 능력을 어떻게 분할할 것인가, 외재화된 시스템의 기여를 어떻게 평가할 것인가, 에이전트가 점점 더 의존하는 공유 산출물을 어떻게 통치할 것인가이다.

더 넓은 함의는 에이전트의 발전이 모델과 외부 인프라의 공진화에서 올 것이며, 어느 하나의 격리에서 오지 않을 것이라는 점이다. 이 관점에서, 더 나은 에이전트는 단순히 더 나은 추론자가 아니다. 더 잘 조직된 인지 시스템이다.

---