- 에이전트 AI
Neo4j Agent Memory Service(NAMS)의 컨텍스트 그래프를 기반으로 한 기반 기술 추출
에이전트는 P1 인시던트 분류 방법, 먼저 호출할 도구 또는 "완료" 상태 등 힘들게 얻은 절차적 지식을 단일 작업 공간 및 단일 컨텍스트 창 내에 축적합니다. 이 학습된 경험은 조직이 실제로 작업을 수행하는 방법을 포착하지만 새 세션을 열면 상담사는 냉정하게 시작합니다.
NAMS(Neo4j 에이전트 메모리 서비스)에이전트에 지속적인 그래프 기반 메모리를 제공하므로 새 세션에서 무슨 일이 일어났는지 조회할 수 있습니다. 그러나 리콜은 기능이 아닙니다. 지난 달 P1 분류가 어떻게 진행되었는지 아는 것은 다음 에이전트에게 다음 사건을 분류하는 절차를 전달하지 않습니다. 이 게시물은 이러한 격차를 줄이는 변환, 즉 스킬 증류, 작업 공간 메모리 그래프의 범위가 지정된 조각을 에이전트가 로드하고 실행할 수 있는 이식 가능한 출처 기반 에이전트 스킬(SKILL.md 패키지)로 바꾸는 것에 관한 것입니다.
Skill distillation produces knowledge your agents can act on, an artifact they load at runtime, and a governance loop that keeps both honest.
정보에서 지식, 행동으로
NAMS 작업 공간이 보유하고 있습니다.조직의 컨텍스트 그래프를 함께 구성하는 세 가지 메모리 유형, 에이전트 상호작용을 통해 노출됩니다.
- 도메인별 온톨로지를 사용하여 추출되고 조직의 데이터 모델에 매핑되는 항목 및 해당 관계에 대한 메모리 지식 그래프
- 에이전트 추론 및 결정 추적, 에이전트 실행 경로(도구 호출, 도구 결과, 추론 추적 및 피드백)를 캡처합니다.
단기 기억은 정보입니다. 즉, 배우기 위해 다시 읽어야 하는 말과 행동에 대한 기록입니다. 장기 기억은 지식입니다. 동일한 대화가 도메인별 온톨로지를 통해 추출되기 때문입니다. 온톨로지는 부하를 담당하는 부분입니다. 온톨로지는 대화에 사건과 서비스가 모두 포함되어 있다고 결정하는 것이지 두 가지를 모두 언급하는 단락이 아니라고 결정합니다. 이것이 바로 검색할 수 있는 텍스트와 쿼리할 수 있는 지식의 차이입니다.
행동은 렁 메모리만으로는 결코 도달할 수 없습니다. 쿼리할 수 있는 지식은 매 세션마다 여전히 찾아서 계획으로 재조립해야 합니다. 추론 메모리는 에이전트가 취한 모든 단계의 추론, 행동 및 결과를 기록하여 이를 실현할 수 있습니다. 증류는 해당 작업의 반복적인 형태를 다시 도출하는 것이 아니라 새로운 에이전트가 실행하는 절차로 바꿉니다.
기억은 무슨 일이 일어났는지 기록합니다. 온톨로지는 일어난 일을 지식으로 바꿉니다. 증류를 통해 해당 지식을 에이전트가 실행할 수 있는 것으로 변환합니다.
기억에서 기술 추출
NAMS의 스킬 추출은 HTTP API, MCP 클라이언트 또는 대시보드 UI를 통해 트리거될 수 있습니다. 범위는 증류기가 볼 수 있는 모든 것을 결정합니다. 모든 주장은 그 안에 있는 내용을 인용해야 하기 때문에 기술 패키지에 포함할 수 있는 모든 것이 허용됩니다.
증류가 생산하는 것
기술 증류 과정에서 나오는 것은 사양을 준수하는 SKILL.md 패키지입니다. Frontmatter에는 출처 메타데이터가 포함되어 있으며 본문은 절차를 안내하고 참고 자료가 포함되어 있습니다.
이를 수동으로 작성한 기술과 구분하는 것은 절차 옆에 제공되는 증거입니다. 즉, 추론 메모리, 접지 및 적용 범위 점수, 이를 정당화하는 소스에 연결된 주장에서 관찰된 실제 도구 호출에 기초한 단계입니다. 이 기술은 각 주장을 정당화하는 메모리를 다시 가리키는 GROUNDED_IN 에지가 있는 Neo4j의 하위 그래프로 유지됩니다.
검토되지 않은 배송 없음
정제된 기술은 사람의 검토를 기다리는 동안 시작됩니다. 검토자는 단계를 읽고 증거를 따라 작업을 다시 수행한 다음 승인하거나 거부합니다.
정직한 기술 유지: 거버넌스 및 드리프트
기반 기술은 그 아래의 기억력만큼만 우수하며 기억력은 시간이 지남에 따라 변합니다. 엔터티가 병합되고, 정책이 업데이트되고, 도구 동작이 변경됩니다. 스킬과 그 접지가 나란히 그래프 데이터이기 때문에 "이 스킬이 아직도 유효한가?" 그래프 쿼리입니다.
모순 표류 인용이 아니라 세상이 변할 때.NAMS의 스킬 드리프트 검사는 단계에 기록된 ExpectStatus를 해당 단계가 기반으로 하는:ToolCall 노드의 현재 상태와 비교합니다. 이전에 성공했지만 현재 도구가 실패하는 단계는 모든 기반 에지가 여전히 존재하더라도 모순된 것으로 표시됩니다.
제한된 노드 수준 복구
한 걸음 표류하면 스킬을 다시 파생시키지 않습니다. RepairStep은 작업 영역 잠금을 사용하고, 병합된 소스를 생존 소스에 따라(삭제된 소스 삭제) 해당 단계만 다시 접지하고, 그래프를 다시 검증하고, 이전 단계를 대체하는 패치 버전을 잘라냅니다. 다른 모든 단계는 그대로 유지되므로 검토자는 한 단계 차이를 볼 수 있습니다.
살아남은 접지가 존재하지 않는 경우 수리가 거부되고 전체 재증류가 표시됩니다. 즉, 구제 가능한 드리프트를 수정하고 구제 불가능한 부분에 대해 서류를 작성하지 않습니다.
게시된 기술이 상담원에게 도달하는 방법
아티팩트는 표준 SKILL.md 패키지이기 때문에 게시된 스킬은 Claude Code에 스킬로 로드되거나, NAMS MCP 서버를 통해 MCP 클라이언트에서 가져오거나, 다른 에이전트 프레임워크에서 REST를 통해 사용할 수 있습니다. 이를 선택하는 상담원은 스킬을 읽는 방법만 알면 됩니다.
그러면 루프가 닫힙니다. 에이전트가 작동하고, 메모리가 늘어나고, 범위가 정리되고, 다음 에이전트가 결과를 로드합니다.
심층 분석: 산문 기술이 왜 깨지는가
NAMS의 스킬 증류 기능은상담사 기술을 대표하고 관리하기 위한 AIP(Agent Instruction Protocol).
대부분의 에이전트 시스템이 제공하는 "스킬"은 산문 지침이 포함된 Markdown 파일입니다. 산문 형식은 기술 구조에 내재된 결정, 계층 및 종속성을 평면화합니다. 이들 중 어느 것도 명시적이거나 탐색 가능하거나 구성할 수 없습니다.
이 형식에는 AIP 연구에서 명확하게 명명한 몇 가지 복합적인 문제가 있습니다.
- 재도출 비용.에이전트는 매 세션마다 산문을 선형적으로 다시 읽고 재해석합니다. 즉, 실행 간 차이가 있어 느리고 토큰이 많이 사용됩니다.
- 즉각적인 취성.의미를 보존하는 작은 문구 변경으로 작업 정확도가 수십 포인트 바뀔 수 있습니다.
- 개선에 대한 저항.상담원은 자신이 완전히 이해하지 못한 영역의 문장을 수정하려고 애쓰며 부가적 편견을 나타냅니다. 즉, 구조를 수정하기보다는 단어를 쌓는 것입니다.
- 불투명한 실패.처리 가능한 단위가 없으므로 특정 단계의 실패 원인을 지정할 수 없습니다.
AIP: 에이전트 기술 학습 및 관리에 대한 그래프 표현
AIP가 제안하는 것
AIP의 대답은 구조화된 기술을 유형화된 스키마 검증 그래프로 표현하는 것입니다. 즉, 스크립트 지원(결정론적 계산) 또는 설명 기반(판단)인 단계 노드에 대한 기술 노드(목적, 트리거, 범위), 유형화된 I/O 및 종속성 관계로 연결되고 작성 시 검증 게이트와 진단 및 복구를 위한 노드 수준 주소 지정이 가능합니다.
AIP 논문은 이것을 다음과 같이 구성합니다.유효성이 검증된 행동 공간:각 노드는 유형이 지정되고 스키마에 바인딩되어 있으므로 편집이 제한되고 확인 가능합니다. 이는 개방형 산문 재 작성 대신 구조화되고 측정 가능한 기술 향상을 위한 기반입니다.
이 그래프 구조는 상당히 도움이 됩니다. SkillsBench에 대한 AIP 작성자의 자체 평가에서 구조화된 기술이 자유 형식 산문을 능가했습니다.합격률 +14.1% 포인트(53.3% → 67.4%) 그리고 달렸다.~13% 더 빠름(585초 → 510초). (출처: AIP, arXiv 2606.04781)
NAMS의 AIP 절차 그래프
NAMS는 Neo4j Labs의 호스팅 메모리 서비스입니다., AIP가 개척한 그래프로서의 기술 접근 방식을 채택할 수 있는 좋은 위치에 있습니다. 메모리 모델은 이미 AIP 단계에 필요한 추론, 조치 및 결과 기반을 기록하고 있으며 기술은 이를 기반으로 하는 메모리와 동일한 그래프 데이터베이스에 있습니다.
따라서 증류된 기술은 형식화된 스키마 검증 실행 그래프이며, 범위 메모리가 너무 얇아서 지원할 수 없는 경우에만 산문으로 돌아갑니다. 토폴로지는 모델에 의해 작성되지 않고 추적에서 결정론적으로 파생됩니다. 기록된 도구 호출이 단계를 기반으로 할 때 단계는 정확히 스크립트로 지원됩니다. 도구 이름, 입력된 입력 및 출력, 예상 상태는 모두 기록된 호출에서 나옵니다. 반면 판단 단계는 에이전트의 기록된 추론에 기반한 설명 기반으로 유지됩니다. 종속성 및 분기 유형(시퀀스, 단일 중, 병렬, 재시도)은 각 대화에서 실제로 단계가 어떻게 따라왔는지에서 추론되며, 기록된 단계가 3개 미만인 범위는 골격 그래프를 제공하는 대신 산문으로 단계적으로 저하됩니다.
증류 파이프라인 내부
증류는 그래프 기반의 폴링 가능한 작업입니다. 트리거는 Redis 스트림의 실행을 대기열에 추가합니다. 증류기는 7단계 파이프라인을 실행합니다.
- 범위 —요청된 범위를 기술이 끌어낼 대화 집합으로 해결합니다.
- 스냅샷 —작업 공간별 잠금을 설정하고 범위 메모리가 안정될 때까지 기다리면 기술이 절반 추출된 메모리에서 추출되지 않습니다.
- — 반복적인 작업을 빈도 가중 패턴 클러스터로 그룹화하고 도구 호출 결과에 따라 안티 패턴의 효과적인 패턴을 분할합니다.
- — 기록된 추적에서 결정론적으로 절차 단계 토폴로지를 도출합니다.
- — 하나의 LLM 단계: 기술의 주장과 단계 주석을 작성하고 모두 소스 ID를 인용합니다.
- — 접지, 적용 범위, 일관성, 사양 린트 및 PII 확인; 실패한 범위는 보류되고 배송되지 않습니다.
- — 사람의 검토를 기다리는 동안 스킬 하위 그래프와 패키징된 아티팩트를 Neo4j에 작성합니다.
원시 입력은 기록된 결정(추론, 작업 및 결과가 포함된:AgentStep 노드), 도구가 각 결정을 호출(도구 이름, 입력, 출력 및 기록된 상태가 포함된 ToolCall 노드), 해당 대화가 처리된 엔터티, 주변 메시지, 관찰 및 반영의 세 가지 메모리 유형 모두에서 나옵니다.
합성을 위해 증류기는 Python 기반 합성 엔드포인트를 호출하며 그곳에서 LLM의 역할은 의도적으로 좁습니다. 최대 400개의 인터리브되고 PII가 수정된 소스 조각을 확인하고 각각 소스 참조를 포함하는 기술의 주장과 단계 주석(이름, 설명, 완료 기준)을 반환합니다. 소스가 없는 클레임은 합성 서비스를 떠나기 전에 삭제되며 작업자는 실제 하위 그래프와 비교하여 모든 참조를 다시 확인합니다. 모델이 아닌 그래프가 존재하는 것에 대한 권위입니다. LLM은 결코 구조, 소스 또는 코드를 고안하지 않습니다.
게이트는 나쁜 스코프가 나쁜 스킬이 되는 것을 막아주는 역할을 합니다. 접지 점수는 0.9를 클리어해야 하며 반복 패턴의 적용 범위는 0.6을 클리어해야 합니다. 두 개 이상의 분리 가능한 절차를 포함하는 범위는 하나의 혼합 기술로 제공되지 않고 분할 제안으로 보류됩니다. 예시는 PII로 수정되었습니다. 프로시저 그래프는 지속되기 전에 스키마 검증을 거칩니다.
지금 사용해 보세요
스킬 증류 및 거버넌스는지금 NAMS에 살아요. NAMS는 Neo4j Labs 프로젝트입니다. 여러분의 피드백을 환영합니다. 무엇이 효과가 있고 다음에 무엇을 보고 싶은지 알려주세요.
우리가 탐구하고 있는 영역에는 심층적인 절차 그래프 편집, 에이전트 중심 기술 선택 및 추가 프레임워크 통합이 포함됩니다.
자원
- 지금 NAMS에서 사용해 보세요:memory.neo4jlabs.com
- NAMS 둘러보기 블로그 게시물
에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.
'Agent AI' 카테고리의 다른 글
| The payload: the semantic layer, memory, and the loop that fills it (0) | 2026.08.26 |
|---|---|
| What is graph technology? And why it’s the future of enterprise AI (0) | 2026.08.21 |
| What is a context graph? (1) | 2026.08.05 |
| Constant-cost semantic memory for multi-agent systems (0) | 2026.08.05 |
| How AI decision-making works and how to improve it (0) | 2026.07.21 |