AI 에이전트는 왜 요청이 없을 때부터 어려워지는가

사용자가 말을 걸 때만 움직이는 에이전트는 이해하기 쉽다. 하지만 실제 업무를 맡기려면 요청 사이의 시간에 무엇을 관찰하고, 언제 멈추며, 어떤 근거로 다시 말을 거는지가 더 중요해진다.

TL;DR

지속형 에이전트의 차이는 스케줄링이 아니라 주도권이다.
계속 실행하려면 상태·비용·중단·알림 계약이 필요하다.
컨텍스트는 많이 저장하는 것이 아니라 다음 행동에 필요한 것만 보존해야 한다.

왜 지금 중요한가

대부분의 에이전트는 요청을 받고, 도구를 호출하고, 답을 반환한 뒤 멈춘다. 이 구조는 예측하기 쉽지만 프로젝트의 변화나 새 오류를 스스로 관찰하지 못한다.

GeekNews에 소개된 Headlong은 이 경계를 실험적으로 넓힌다. 사용자의 메시지가 새로운 세션을 여는 대신, 이미 이어지는 사고 흐름에 관찰 하나가 들어오는 구조다. 중요한 질문은 ‘더 자율적인가’가 아니다. 자율적으로 계속하는 동안 사용자가 무엇을 볼 수 있는가다.

핵심 흐름

1. 요청형 에이전트는 명확하지만 수동적이다

요청 → 실행 → 응답 → 대기는 챗봇과 자동화 작업에 적합하다. 그러나 외부 상태가 바뀌거나 장시간 작업이 필요한 경우, 다음 요청을 사람이 계속 만들어야 한다.

2. 지속형 에이전트는 상태를 제품으로 만든다

지속형 런타임은 다음 네 가지를 계속 판단해야 한다.

무엇을 알고 있는가
다음에 무엇을 관찰할 것인가
지금 행동할 가치가 있는가
사람에게 알려야 하는가

따라서 화면에는 답변보다 상태가 먼저 보여야 한다. 마지막 행동, 다음 관찰, 예상 비용, 중단 버튼이 최소 단위다.

3. 컨텍스트는 기억이 아니라 작업 예산이다

긴 대화를 전부 보존한다고 좋은 에이전트가 되는 것은 아니다. 현재 목표, 변경된 파일, 발생한 오류, 결정 사항, 미완료 항목을 다음 행동에 맞게 보존하는 편이 실행에 유리하다.

안정적인 시스템 프롬프트와 도구 정의를 유지하고, 필요한 확장만 선택하며, 컨텍스트가 한계에 가까워질 때 작업 상태 중심으로 압축해야 한다.

실제 사례 / 신호

Headlong은 지속형 에이전시를 위한 마이크로 하네스라는 이름으로 소개됐다. 이는 완성된 범용 제품의 증명이라기보다, 에이전트의 기본 단위를 ‘한 번의 요청’에서 ‘계속 흐르는 상태’로 바꿔 보는 오픈소스 실험이다.

또 다른 신호는 모델 옵션을 실행 방식으로 나누려는 논의다. 같은 모델 이름이어도 추론 예산, 실행 모드, 다중 에이전트 호출에 따라 결과가 달라진다. 사용자는 모델 이름보다 실제 작업 계약을 구매한다.

실전 활용 팁: 상태 카드를 먼저 만든다

지속형 에이전트를 바로 배포하지 말고, 먼저 다음 상태 카드를 로그로 남긴다.

last_action: 무엇을 했는가
next_observation: 무엇을 확인할 것인가
token_budget: 이번 루프의 비용 상한
stop_reason: 왜 멈췄는가
human_override: 사람이 수정·중단할 수 있는가

이 카드가 없으면 에이전트는 열심히 일해도 사용자는 일이 진행 중인지 반복 중인지 알 수 없다. 상태 카드는 화면에 표시하거나 JSON으로 내보내 다음 실행과 검증에 연결한다.

바로 해볼 실험

작은 저장소나 문서 폴더를 대상으로 30분짜리 지속형 루프를 만든다.

5분마다 상태를 읽는다.
변경이 있을 때만 다음 행동을 제안한다.
토큰·시간 예산을 넘으면 자동 중단한다.
모든 루프에 stop_reason을 기록한다.
사람이 승인한 행동과 자동 행동을 구분한다.

성공 기준은 에이전트가 계속 움직였는지가 아니다. 불필요한 루프를 멈췄는지, 다음 행동을 재현할 수 있는지, 사용자가 안전하게 개입했는지다.

리스크 / 반론

지속형 에이전시는 새로운 능력만큼 새로운 비용을 만든다. 작은 변화에도 반복 실행하면 API 비용과 알림 피로가 커진다. 오래된 컨텍스트가 잘못된 판단을 계속 강화할 수도 있다.

Headlong의 실험이 모든 업무에 적합하다는 뜻도 아니다. 일정한 입력과 명확한 완료 조건을 가진 작업은 요청형 자동화가 더 안전할 수 있다. 지속형 런타임은 변화 관찰의 가치가 비용보다 큰 경우에만 선택해야 한다.

결론

AI 에이전트의 다음 경쟁은 얼마나 오래 자율적으로 실행하는지가 아니라, 계속 실행하는 동안 상태·비용·중단을 얼마나 읽기 쉽게 만드는가에서 벌어진다.

AI 기능을 만들고 있다면 다음 질문부터 던져야 한다.

에이전트는 다음 행동과 그 근거를 말할 수 있는가?
실행 비용과 중단 조건이 사용자에게 보이는가?
사람이 안전하게 개입하고, 마지막 상태에서 다시 시작할 수 있는가?

Sources

Headlong — 스스로 계속 생각하는 지속형 에이전트를 위한 마이크로 하네스