AI 에이전트를 위한 지속적 학습

AI 에이전트의 지속적 학습은 단순히 모델 가중치를 업데이트하는 것에 그치지 않는다. 에이전트 시스템은 모델(Model), 하네스(Harness), **컨텍스트(Context)**라는 세 가지 계층에서 학습이 가능하다.

모델 계층은 모델 가중치 자체를 업데이트하는 단계로, SFT나 RL(GRPO 등) 기술이 사용된다. 다만, 새로운 데이터를 학습할 때 기존 지식을 잃어버리는 **치명적 망각(Catastrophic forgetting)**을 해결하는 것이 주요 연구 과제다.

하네스 계층은 에이전트를 구동하는 코드와 도구, 기본 지침 등을 의미한다. 최근에는 에이전트가 작업을 수행한 로그를 분석하여 하네스 코드를 스스로 최적화하는 Meta-Harness와 같은 방식이 주목받고 있다.

컨텍스트 계층은 하네스 외부에 존재하는 지침, 기술, 메모리 등을 포함한다. 이는 에이전트가 스스로 업데이트하는 에이전트 수준의 학습이나, 사용자 및 조직별로 맞춤화된 정보를 제공하는 테넌트(Tenant) 수준의 학습으로 구분된다.