컨텍스트 윈도우로는 부족하다: AI Agent 장단기 메모리 & Long-term 상태 관리 구현 가이드

들어가며

2026년 7월 기준, “에이전트가 똑똑해지면 된다”는 기대는 대부분 깨졌습니다. 실제 장애는 모델 성능보다 state(상태) 관리에서 터집니다. 대표 증상은 아래와 같습니다.

• 며칠/몇 주 걸리는 업무에서 중간에 프로세스가 죽으면 처음부터 재시도(비용 폭발 + 사용자 신뢰 하락)
• 대화 로그를 다 넣으면 토큰이 터지고, 안 넣으면 중요한 사용자 선호/결정이 유실
• “기억”을 벡터DB 하나로 해결하려다 오염된 기억, 잘못된 회상, 삭제 요청 대응 불가

언제 쓰면 좋나?

• 장시간/다단계 워크플로우(리서치, 코드 리뷰, 운영 티켓 처리, 세일즈/CS 케이스 핸들링)
• 사람 승인(HITL), 외부 I/O 대기, 재시도/재개(resume)가 필수인 업무
• “기억”이 제품 가치(개인화/일관성/재사용)를 만드는 경우

언제 쓰면 안 되나?

• 1~2턴 내 끝나는 단발성 Q&A(상태 저장이 오히려 복잡도/비용만 증가)
• 규정상 장기 저장이 어려운 데이터(PII/민감정보)를 설계 없이 다루는 경우
• “기억”이 모델 답변을 과도하게 고정시키면 위험한 도메인(의료/법률)에서 검증 체계 없이 적용

핵심 메시지: 2026년형 에이전트에서 memory는 “기능”이 아니라 분산시스템의 state입니다. Vercel도 agent memory를 사실상 state management 문제로 봐야 한다고 강조합니다.¹

---

🔧 핵심 개념

1) 메모리는 1개가 아니라 “계층”이다

최근 글/가이드들이 공통으로 정리하는 구조는 대략 4층입니다:

• Short-term (in-context): 현재 프롬프트에 들어가는 최근 대화/작업 맥락
• Working state (KV/structured state): 실행 중 필요한 구조화 상태(주문ID, 워크플로우 단계, 승인 여부 등)
• Long-term semantic memory (retrieval store): 오래 유지할 지식/경험을 임베딩/문서 형태로 저장 후 검색
• Procedural memory: 규칙/정책/행동 양식(시스템 프롬프트, 도구 사용 규약, 템플릿)²

여기서 실전에서 중요한 구분:

• 대화 히스토리 저장 = Session memory
• “교훈/요약/선호”를 추출해 저장 = Agent memory OpenAI Agents SDK도 Session(대화 기록)과 Memory(교훈을 파일로 증류)를 명확히 분리합니다.³

2) “장기 상태 관리”는 결국 두 문제다: Durability + Recall

(A) Durability(내구성): 중단돼도 정확히 이어서 실행

LangGraph는 durable execution / persistence를 핵심 가치로 내세우며, 체크포인터를 통한 단기 메모리(스레드별 실행 상태)와 store를 통한 장기 메모리(스레드 너머 지속 데이터)를 개념적으로 분리합니다.⁴
OpenAI Agents SDK 역시 snapshotting/rehydration로 컨테이너가 바뀌어도 상태를 복원해 이어가는 방향을 강화했습니다.⁵

내구성 설계의 핵심은 “대화 저장”이 아니라:

• 어떤 단계까지 커밋됐는지
• 툴 호출이 idempotent한지
• 재개 시 중복 실행/중복 결제/중복 티켓 생성이 안 나는지 입니다.

(B) Recall(회상): 필요한 기억만 정확히 꺼내기 + 업데이트/삭제 가능

Redis는 long-term memory를 “저장소 하나”가 아니라 raw 이벤트 → 정제/요약 → 인덱싱 → 검색 파이프라인으로 보며, latency/cost/forgetting 트레이드오프를 강조합니다.⁶
또 2026년 연구들은 “무작정 텍스트를 쌓는 기억”이 provenance-role collapse(출처/역할 붕괴) 같은 실패 모드를 만든다고 지적하며 typed/구조화 표현의 필요성을 제기합니다.⁷

3) 다른 접근과의 차이점(현실적 판단 기준)

• Context stuffing(긴 컨텍스트 창): 구현은 쉬우나 비용/지연이 선형 증가. “삭제/감사/재현”이 어려움.
• Vector DB only: semantic recall은 되지만 “현재 단계/승인/결제 상태” 같은 정확성이 필요한 상태에는 부적합.
• Durable workflow + memory distillation(추천):
  • 실행 상태는 DB/체크포인트로 정확히 관리
  • 장기 기억은 요약/typed fact로 제한 저장
  • 검색은 “필요할 때만” 컨텍스트에 주입

---

💻 실전 코드

아래는 “고객사 장애 티켓을 처리하는 에이전트”를 가정합니다.

요구사항:

• 티켓 처리 중 사람 승인 대기 가능(수 시간~수일)
• 중간에 서버가 재시작돼도 이어서 처리
• 장기 기억: 고객별 선호(연락 방식, 금지된 조치), 과거 해결책 요약
• 단기 상태: 현재 워크플로우 단계, 티켓ID, 이미 수행한 액션들(중복 방지)

구현 전략:

• Durable execution/state: LangGraph persistence(checkpointer + store)
• Long-term memory: 별도 “memory writer”가 이벤트를 요약/정규화해 store에 저장
• Short-term: 실행 시점에만 최근 메시지/필요 기억을 주입

주의: LangGraph 버전/스토리지 어댑터는 환경에 따라 다릅니다. 아래 코드는 “구조/패턴”에 초점을 둔 실행 가능한 골격입니다(로컬 SQLite + 파일 기반 벡터 인덱스 등으로 쉽게 치환 가능). LangGraph는 durable execution/persistence를 공식 컨셉으로 제공합니다.⁸

0) 의존성/환경

python -m venv .venv
source .venv/bin/activate

pip install langgraph==1.2.9 langchain openai pydantic sqlite-utils
export OPENAI_API_KEY="..."

1) 상태 스키마 + 체크포인트 + 장기 store

from __future__ import annotations
from typing import TypedDict, Literal, Optional, List, Dict
from pydantic import BaseModel
import hashlib
import time

# (A) 워크플로우 실행 상태 (정확성이 중요: KV/structured)
class TicketState(TypedDict, total=False):
    thread_id: str
    ticket_id: str
    stage: Literal["triage", "propose_fix", "await_approval", "execute_fix", "done"]
    last_error: Optional[str]
    actions_done: List[str]            # idempotency 키 기록
    customer_id: str

# (B) 장기 기억(typed facts) 모델
class CustomerMemory(BaseModel):
    customer_id: str
    preferences: Dict[str, str] = {}   # e.g. {"contact_channel": "email"}
    banned_actions: List[str] = []     # e.g. ["restart-db"]
    resolutions: List[str] = []        # 짧은 요약들(감사/삭제 가능하게)

def idempotency_key(*parts: str) -> str:
    raw = "|".join(parts).encode("utf-8")
    return hashlib.sha256(raw).hexdigest()[:16]

2) “기억 쓰기”는 별도 단계로(요약/정규화/스코프)

핵심은 무조건 저장하지 말고, 저장 기준을 코드로 박아두는 것입니다.

def distill_memory_from_event(state: TicketState, event: dict) -> Optional[CustomerMemory]:
    """
    event 예: {"type":"user_feedback","text":"전화 말고 이메일로 주세요"}
    """
    cid = state["customer_id"]
    mem = CustomerMemory(customer_id=cid)

    if event["type"] == "user_feedback":
        text = event.get("text", "")
        if "이메일" in text:
            mem.preferences["contact_channel"] = "email"
            mem.resolutions.append("고객 연락은 email 선호(피드백 기반).")
            return mem

    if event["type"] == "postmortem":
        # 과도한 원문 저장 대신, 1~2문장 요약만 남김(추후 삭제/정정 가능)
        summary = event.get("summary")
        if summary:
            mem.resolutions.append(summary[:200])
            return mem

    return None

3) 그래프 노드: (1) 트리아지 → (2) 해결책 제안 → (3) 승인 대기 → (4) 실행

실행 단계에서 중요한 건:

• 실행(state)과 기억(memory)을 섞지 말고
• 실행은 체크포인트로, 기억은 store로
• “실행”은 idempotent하게

from langgraph.graph import StateGraph, END

# (가정) store API는 프로젝트별로 래핑하세요.
# LangGraph는 checkpointer/store를 통한 persistence 개념을 제공합니다.[^4]
MEM_DB: Dict[str, CustomerMemory] = {}  # 데모용(실무는 DB)

def load_customer_memory(customer_id: str) -> CustomerMemory:
    return MEM_DB.get(customer_id, CustomerMemory(customer_id=customer_id))

def merge_customer_memory(new_mem: CustomerMemory):
    cur = load_customer_memory(new_mem.customer_id)
    cur.preferences.update(new_mem.preferences)
    cur.banned_actions = sorted(set(cur.banned_actions + new_mem.banned_actions))
    cur.resolutions = (cur.resolutions + new_mem.resolutions)[-50:]  # 상한선
    MEM_DB[new_mem.customer_id] = cur

def triage(state: TicketState) -> TicketState:
    state["stage"] = "triage"
    return state

def propose_fix(state: TicketState) -> TicketState:
    state["stage"] = "propose_fix"
    mem = load_customer_memory(state["customer_id"])

    # 예: 고객이 이메일 선호면 커뮤니케이션 플랜도 바꿈
    channel = mem.preferences.get("contact_channel", "chat")
    # (여기서 LLM 호출해도 되지만 예시는 상태 흐름에 집중)
    state["last_error"] = None
    state["actions_done"] = state.get("actions_done", [])
    state["proposed_plan"] = f"1) 로그 수집 2) 설정 점검 3) 고객에게 {channel}로 진행상황 공유"
    return state

def await_approval(state: TicketState) -> TicketState:
    state["stage"] = "await_approval"
    # 현실: human approval tool / ticketing webhook 대기
    # durable workflow에서는 이 지점이 '재개 가능'해야 함
    return state

def execute_fix(state: TicketState) -> TicketState:
    state["stage"] = "execute_fix"
    mem = load_customer_memory(state["customer_id"])

    action = "restart-db"
    if action in mem.banned_actions:
        state["last_error"] = f"Action '{action}' is banned for this customer."
        return state

    key = idempotency_key(state["ticket_id"], "execute", action)
    done = set(state.get("actions_done", []))
    if key in done:
        # 재시도/재개 시 중복 실행 방지
        return state

    # (실제 실행) 외부 시스템 호출은 반드시 idempotency 키를 함께 전달하는 구조로
    time.sleep(0.2)  # 데모

    done.add(key)
    state["actions_done"] = list(done)
    return state

def done(state: TicketState) -> TicketState:
    state["stage"] = "done"
    # 사후 요약을 memory로 증류 저장(원문 전체 저장 X)
    mem = distill_memory_from_event(state, {
        "type": "postmortem",
        "summary": f"Ticket {state['ticket_id']} 해결: 설정 누락 수정 후 정상화."
    })
    if mem:
        merge_customer_memory(mem)
    return state

def route(state: TicketState) -> str:
    if state.get("stage") in (None, "triage"):
        return "propose_fix"
    if state["stage"] == "propose_fix":
        return "await_approval"
    if state["stage"] == "await_approval":
        # 데모: 승인 받았다고 가정
        return "execute_fix"
    if state["stage"] == "execute_fix":
        if state.get("last_error"):
            return "done"  # 실패 처리/에스컬레이션으로 분기 가능
        return "done"
    return "done"

graph = StateGraph(TicketState)
graph.add_node("triage", triage)
graph.add_node("propose_fix", propose_fix)
graph.add_node("await_approval", await_approval)
graph.add_node("execute_fix", execute_fix)
graph.add_node("done", done)

graph.set_entry_point("triage")
graph.add_conditional_edges("triage", route, {
    "propose_fix": "propose_fix",
})
graph.add_conditional_edges("propose_fix", route, {
    "await_approval": "await_approval",
})
graph.add_conditional_edges("await_approval", route, {
    "execute_fix": "execute_fix",
})
graph.add_conditional_edges("execute_fix", route, {
    "done": "done",
})
graph.add_edge("done", END)

app = graph.compile()

예상 실행(핵심 출력)

initial: TicketState = {
    "thread_id": "thread-001",
    "ticket_id": "INC-20260726-1234",
    "customer_id": "cust-42",
    "actions_done": [],
}

final = app.invoke(initial)
print(final["stage"])
print(final.get("proposed_plan"))
print(MEM_DB["cust-42"].resolutions[-1])

예상:

• stage == "done"
• proposed_plan에 고객 선호 채널 반영
• resolutions에 티켓 요약 1줄 저장

---

⚡ 실전 팁 & 함정

Best Practice (2~3)

1) 메모리를 “쓰기/읽기” 분리하고, 쓰기는 엄격한 기준으로

• OpenAI도 Session(히스토리)과 Memory(교훈 증류)를 분리합니다.³
• 실무에선 “무엇을 기억할 가치가 있는가”를 룰로 고정(선호/제약/결정/검증된 해결책 등).

2) Durable execution을 먼저, RAG는 나중에

• 장기 작업에서 가장 치명적인 건 “좋은 답”이 아니라 “재개 실패/중복 실행”입니다. LangGraph는 durable execution/persistence를 전면에 둡니다.⁸
• 외부 시스템 호출은 idempotent 키를 전파하세요(결제/티켓/배포).

3) Typed memory(구조화)로 provenance를 보존

• 2026년 연구는 unstructured flat text 메모리가 출처/역할 붕괴 같은 실패 모드를 유발할 수 있다고 경고합니다.⁷
• “누가 말했는지/언제 확정됐는지/근거 링크”를 스키마로 들고 가면 디버깅이 급격히 쉬워집니다.

흔한 함정/안티패턴

• 대화 로그 전체를 long-term에 누적: 검색 품질 악화 + 삭제/정정/감사 불가능 + 토큰/스토리지 증가
• Vector DB를 state DB처럼 사용: “정확히 한 번 실행”이 필요한 상태를 유사검색으로 처리하면 언젠가 터집니다.
• Persistence를 신뢰하면서 보안은 무시: 메모리/직렬화/체크포인트는 공격 표면이 됩니다. 실제로 state persistence 관련 취약점 이슈가 보고되었고, 패치/설계가 보안 컴포넌트 취급을 받아야 합니다.⁹

비용/성능/안정성 트레이드오프

• Recall 품질 vs Latency: 검색을 자주/많이 하면 정확도는 오를 수 있으나 p95가 무너집니다. Redis도 latency/cost/forgetting 균형을 강조합니다.⁶
• 기억의 양 vs 유지보수성: 많이 저장할수록 “정정/삭제/충돌 해결” 비용이 커집니다.
• Durability vs 구현 복잡도: 체크포인트/재개/멱등성은 초기 설계 비용이 크지만, 운영 단계에서 장애 비용을 압도적으로 줄입니다.

---

🚀 마무리

정리하면, 2026년 7월의 “AI Agent memory long-term 상태 관리”는 다음 3가지를 동시에 만족해야 합니다.

1) Durable execution: 중단/재시작/대기(HITL)에도 정확히 이어서 실행
2) Memory distillation: 대화 저장이 아니라 “교훈/선호/제약”을 구조화해 저장
3) Selective recall: 필요한 순간에만, 검증 가능한 형태로 컨텍스트에 주입

도입 판단 기준(체크리스트):

• 내 에이전트가 30분 이상 실행되거나, 승인/대기가 들어가나?
• 외부 시스템 호출이 있고, 중복 실행이 곧 장애인가?
• 사용자/고객별로 “선호/금지/결정”이 반복되어 비용을 만들고 있나?
• 저장/삭제/감사(“왜 이런 결정을 했나?”) 요구가 있는가?

다음 학습 추천:

• OpenAI Agents SDK의 Session vs Memory 분리, snapshot/rehydration 개념 정리³
• LangGraph의 persistence(durable execution, checkpointer/store) 아키텍처 패턴⁴
• “무구조 텍스트 기억의 실패 모드”와 typed memory 접근(연구)⁷

1. https://vercel.com/i/agent-memory ↩︎

2. https://zalt.me/blog/2026/07/ai-agent-memory-and-state ↩︎

3. https://openai.github.io/openai-agents-js/guides/sessions/ ↩︎ ↩︎² ↩︎³

4. https://langchain-ai.github.io/langgraph/concepts/time-travel/?h=time+travel ↩︎ ↩︎²

5. https://openai.com/index/the-next-evolution-of-the-agents-sdk/ ↩︎

6. https://redis.io/blog/long-term-memory-architectures-ai-agents/ ↩︎ ↩︎²

7. https://arxiv.org/abs/2605.25869 ↩︎ ↩︎² ↩︎³

8. https://github.com/langchain-ai/langgraph ↩︎ ↩︎²

9. https://labs.cloudsecurityalliance.org/wp-content/uploads/2026/06/CSA_research_note_langgraph_rce_chain_CVE_20260612-csa-styled.pdf ↩︎