이 문서는 최신 소프트웨어 엔지니어링 생태계에서 AI 에이전트의 메모리 및 컨텍스트 관리를 위한 표준으로 Markdown이 급부상하고 있음을 다루고 있습니다. 특히 Andrej Karpathy, Google, 그리고 Garry Tan이 각기 다른 관점에서 Markdown을 활용하는 방식을 조명하며, AI 에이전트 시대의 핵심 경쟁력이 모델 자체에서 데이터의 형식과 구조로 이동하고 있음을 시사합니다.

핵심 방법론 및 기술적 배경

본 논문은 AI 에이전트가 복잡한 작업을 수행할 때 필요한 '지식 기반(Knowledge Base)' 구축 방식을 다음과 같이 세 가지 주요 접근법으로 분류합니다.

1. Andrej Karpathy의 "LLM Wiki":
   • 개념: 에이전트의 장기 기억을 위한 개인 지식 관리 시스템입니다.
   • 기술적 특징: 에이전트가 독립적으로 참조하고 수정할 수 있는 연결된 Markdown 파일의 집합체를 활용합니다. 모델이 지루함을 느끼지 않고 다수의 파일(예: 15개 이상)을 단일 패스(Single Pass)로 수정할 수 있는 능력을 극대화하는 방식입니다.

2. Google의 "Open Knowledge Format (OKF)":
   • 개념: 기업의 조직 지식, 메트릭(Metrics), 테이블, 런북(Runbooks)을 에이전트가 처리 가능한 표준 형태로 패키징합니다.
   • 기술적 특징: 특정 서비스나 독점적 계정 없이도 에이전트가 즉시 읽을 수 있는 평문 Markdown 형식을 채택했습니다. 이는 데이터의 가독성과 상호운용성을 높여 에이전트가 별도의 전처리 과정 없이도 외부 컨텍스트를 이해할 수 있도록 설계되었습니다.

3. Garry Tan의 "gstack":
   • 개념: 런타임 코드 없이 순수한 텍스트 프롬프트를 통해 에이전트의 역할을 정의하는 프레임워크입니다.
   • 기술적 특징: 각 에이전트의 역할을 정의하는 23개의 전문 Markdown 파일을 기반으로 하며, 특정 언어나 환경에 종속되지 않는 프로스(Prose, 산문) 기반의 제어 구조를 가집니다.

기술적 함의

AI 에이전트가 단순한 프롬프트(Prompt) 실행을 넘어 루프(Loop) 형태의 추론과 작업을 수행함에 따라, Context Debt(컨텍스트 부채) 문제가 심화되고 있습니다. 위 사례들은 시스템의 동작을 결정하는 핵심 정보가 독점적인 바이너리나 복잡한 DB 구조가 아닌, 인간과 AI 모두가 이해 가능한 Markdown이라는 범용 데이터 언어로 이동하고 있음을 보여줍니다.

결과적으로, 이 흐름은 모델 성능 자체의 차이보다 에이전트가 얼마나 효율적으로 외부 파일과 지식을 참조하고 업데이트할 수 있는지, 즉 데이터 모델의 구조화와 표준화가 차세대 AI 인프라의 핵심 '해자(Moat)'가 될 것임을 강조합니다.