AI 코딩 에이전트가 한번 해결했던 문제나 얻은 중요한 지식을 잊어버리고 다시 학습하는 비효율을 해결하기 위해, 로컬 영구 메모리 시스템 'Graft'가 등장했습니다. Graft는 에이전트가 특정 코딩 문제를 해결하는 과정에서 얻은 유용한 수정 사항, 결정, 주의사항, 프로젝트 관련 지식 등을 기억하고, 나중에 유사한 상황이 발생했을 때 이를 다시 상기시켜 에이전트의 작업 시작점을 앞당기는 역할을 합니다.
Graft는 클로드 코드(Claude Code), 코덱스(Codex), 챗GPT(ChatGPT) 등 다양한 AI 코딩 에이전트와 연동될 수 있도록 설계되었습니다. 특히, SaaS나 외부 임베딩(embedding) API, 계정, API 키 없이 로컬 환경에서 작동하는 것이 특징입니다. 이는 사용자가 데이터 주권을 유지하면서도 에이전트의 학습 능력을 강화할 수 있게 합니다. Graft는 단순히 문서를 저장하는 것을 넘어, 에이전트가 실제 문제를 해결하며 얻은 '비용이 많이 드는 지식'을 기억하는 데 초점을 맞춥니다. 예를 들어, 몇 시간 동안 찾아낸 근본 원인, 아키텍처 결정의 배경, 프레임워크나 인프라 관련 주의사항, 프로젝트별 규칙, 피해야 할 실패한 접근 방식 등이 이에 해당합니다. Graft는 빠른 단일 검색(verified recall), 여러 기억을 조합하는 하이브리드 검색(hybrid retrieval), 그리고 지식 간의 관계를 탐색하는 그래프 탐색(graph exploration) 등 세 가지 방식으로 기억을 활용합니다.
이러한 영구 메모리 기능은 AI 에이전트의 생산성을 혁신적으로 향상시킬 잠재력을 가지고 있습니다. 에이전트가 매번 새로운 문제에 직면할 때마다 처음부터 다시 추론하는 대신, 과거의 경험을 바탕으로 '선제적인 지식'을 얻어 시간을 절약할 수 있기 때문입니다. 이는 특히 복잡하고 반복적인 개발 작업에서 에이전트의 효율성을 극대화하고, 개발자들이 더 창의적이고 전략적인 업무에 집중할 수 있도록 도울 것입니다. Graft는 AI 에이전트가 단순한 도구를 넘어, 학습하고 성장하는 '동료'로서의 역할을 수행하는 데 중요한 발판을 마련하고 있습니다.