결과물 (Knowledge & Artifacts)

에이전트의 영구 메모리 시스템인 Knowledge Items와 코딩 세션에서 자동 생성되는 Artifacts를 알아봅니다.

Knowledge Items 공식 문서 #

Knowledge Items는 에이전트의 영구 메모리 시스템(persistent memory system)입니다. 코딩 세션에서 얻은 인사이트, 패턴, 솔루션을 자동으로 캡처하고 저장합니다.

쉬운 비유

Knowledge Items는 에이전트의 "경험 수첩"입니다. 여러 번의 코딩 세션에서 배운 것들을 기록해두고, 나중에 비슷한 상황이 오면 참고하여 더 좋은 결과를 만들어냅니다.

Knowledge Items의 핵심 특징

자동 생성 — 대화 분석(conversation analysis)을 통해 자동으로 생성됩니다
인사이트 캡처 — 코딩 세션에서 발견한 인사이트, 패턴, 솔루션을 자동으로 수집합니다
영구 저장 — 세션이 종료되어도 사라지지 않는 영구 메모리입니다
Agent Manager에서 조회 — Agent Manager에서 저장된 Knowledge Items를 확인할 수 있습니다

Knowledge Item 실제 예시

데이터 분석 세션에서 자동 생성된 Knowledge Item의 예시입니다.

      Knowledge Item 예시
      Title: "sales_2024 데이터셋 전처리 패턴"

Summary: "sales_2024.csv는 날짜 컬럼이 'YYYYMMDD' 문자열 형식이며,
  결측치는 주로 weekend 행에서 발생. KNN imputation(k=5)이
  mean imputation보다 RMSE 12% 낮음."

Artifacts:
  // Documentation
  "날짜 컬럼 파싱 시 pd.to_datetime(df['date'], format='%Y%m%d') 사용.
   'amount' 컬럼에 음수값 23건 존재 — 환불 데이터로 확인됨."

  // Code Example
  "df['date'] = pd.to_datetime(df['date'], format='%Y%m%d')
   df['amount'] = df['amount'].clip(lower=0)  # 환불 제외 시"

  // Persistent Memory
  "한글 폰트 문제로 seaborn 스타일 사용하지 말것, 한국어 라벨,
   matplotlib 폰트는 'NanumGothic' 사용."
    

활용 포인트: 위와 같은 Knowledge Item이 축적되면, 다음에 같은 데이터셋을 분석할 때 에이전트가 전처리 방법, 주의사항, 시각화 설정을 자동으로 적용합니다. 별도로 다시 설명할 필요가 없습니다.

Knowledge Item 구조 공식 문서 #

각 Knowledge Item은 다음과 같은 구조를 가집니다.

Title (제목)

Knowledge Item의 이름. 어떤 주제에 대한 지식인지 한눈에 파악할 수 있습니다.

Summary (요약)

핵심 내용의 간결한 요약. 에이전트가 관련성을 판단할 때 이 요약을 먼저 참조합니다.

Artifacts 컬렉션

관련된 산출물들의 모음. 문서(documentation), 코드 예시(code examples), 영구 메모리(persistent memories)가 포함됩니다.

Artifact 유형

Skill Artifact 유형별 설명
유형	설명	예시
Documentation	기술 문서, 설계 결정 기록	API 설계 문서, 아키텍처 결정 사항
Code Examples	재사용 가능한 코드 스니펫	자주 사용하는 유틸리티 함수, 설정 패턴
Persistent Memories	프로젝트별 컨텍스트와 인사이트	"이 프로젝트는 TypeScript strict mode 사용", "DB 마이그레이션 시 항상 백업"

에이전트의 Knowledge 활용 #

에이전트는 Knowledge Items를 다음과 같이 활용합니다.

요약 참조 — 새 대화가 시작되면, 에이전트가 관련 Knowledge Items의 요약(summary)을 참조하여 응답의 방향을 정합니다.
상세 Artifacts 학습 — 관련성이 높은 Knowledge Item을 발견하면, 해당 Item의 상세 Artifacts(문서, 코드 예시, 메모리)를 깊이 학습합니다.
응답에 반영 — 학습한 Knowledge를 기반으로 더 정확하고 프로젝트에 맞는 응답을 생성합니다.

핵심 원리: 에이전트는 먼저 요약(summaries)을 통해 관련성을 판단하고, 관련 있는 Knowledge의 상세 Artifacts를 학습하여 응답에 반영합니다. 사용할수록 Knowledge가 축적되어 점점 더 똑똑해집니다.

Knowledge 관리 모범 사례

정기 검토: Agent Manager에서 축적된 Knowledge Items를 주기적으로 확인하고, 오래되거나 부정확한 항목은 삭제합니다.
프로젝트 초기 세팅: 새 프로젝트 시작 시, 첫 대화에서 프로젝트 컨벤션(언어, 스타일, 라이브러리)을 알려주면 Knowledge로 저장되어 이후 대화에 자동 적용됩니다.
충돌 방지: 비슷한 주제의 Knowledge가 여러 개 쌓이면 충돌할 수 있습니다. 오래된 항목을 정리하여 최신 정보만 유지하세요.
팀 공유 불가: Knowledge Items는 개인 단위로 저장됩니다. 팀 전체에 적용할 지식은 Rules나 Skills로 정의하세요.

데이터 분석 Knowledge 활용 사례 #

데이터 분석 프로젝트에서 Knowledge Items가 축적되는 예시를 살펴봅시다.

EDA 패턴 Knowledge

여러 번의 탐색적 데이터 분석을 수행하면, "이 프로젝트의 데이터는 시간대별 편향이 있다", "결측치는 KNN 대체가 가장 효과적이었다" 같은 인사이트가 자동으로 Knowledge에 저장됩니다.

전처리 코드 패턴

자주 사용하는 데이터 전처리 코드(날짜 파싱, 카테고리 인코딩, 스케일링 등)가 Code Examples로 저장됩니다. 다음에 비슷한 작업을 요청하면 에이전트가 이 패턴을 재사용합니다.

시각화 선호도

"한글 폰트 문제로 seaborn 스타일 사용하지 말것", "차트에 항상 한국어 라벨 적용", "색상 팔레트는 viridis" 같은 시각화 관련 설정이 Persistent Memory로 기억됩니다.

모델링 결정 기록

"XGBoost가 이 데이터셋에서 Random Forest보다 15% 높은 정확도", "하이퍼파라미터 튜닝은 Optuna 사용" 같은 모델링 결정 사항이 Documentation으로 기록됩니다.

팁: 동일 워크스페이스에서 반복 작업할수록 Knowledge가 축적되어 에이전트의 분석 품질이 향상됩니다. Agent Manager에서 저장된 Knowledge를 확인하고 필요 시 관리할 수 있습니다.