메타-메타 프롬프트 설계: AI 에이전트를 작동시키는 비결

Garry Tan은 AI를 채팅창이 아니라 개인용 운영체제로 다뤄야 한다고 본다. 반복 가능한 일을 단발성 프롬프트가 아니라 재사용 가능한 skills로 바꾸고, 그 위에 맥락과 기록을 계속 쌓는 방식이 핵심이다.

대표 사례는 book mirror다. Pema Chödrön의 책 22개 챕터를 모두 처리해 각 챕터마다 요약과 개인 삶의 매핑을 만들고, 이를 40분 만에 3만 단어 분량의 브레인 페이지로 정리했다. 초기 버전은 가족 사실 오류가 3개 있었지만, 이후 사실 검증과 교차 평가, GBrain tool use를 넣고 섹션별 brain 검색과 실제 brain page 인용으로 정밀도를 끌어올렸다. 이게 skillify가 실제로 작동하는 방식이다.

회의 준비도 같은 방식으로 자동화된다. Demis Hassabis와의 fireside chat을 앞두고는 그의 brain page, AGI 타임라인, Sebastian Mallaby 전기 핵심, 연구 우선순위, 공개 발언과의 교차점, 데모 스크립트와 대화 훅을 2분 만에 뽑아냈다. 단순 검색이 아니라 축적된 맥락으로 대화의 각도까지 설계하는 셈이다.

지식 인프라는 약 10만 페이지 규모로 커져 있다. 사람과 회사 페이지는 상단의 compiled truth, 아래의 append-only timeline, 원문 sidecar로 구성되고, 사람 페이지에는 현재 상태, 열린 과제, 점수가 들어간다. 회의가 끝나면 관련 엔티티를 자동으로 갱신하는 entity propagation이 돌아가고, 100개가 넘는 cron 작업이 이메일·Slack·소셜·캘린더를 계속 점검한다.

아키텍처는 thin harness, fat skills다. 런타임인 OpenClaw는 라우팅만 맡고, 실제 일은 다음과 같은 markdown 기반 skills가 처리한다.

• meeting-ingestion: 회의 transcript를 요약하고 사람·회사 페이지를 갱신한다.
• enrich: 여러 소스의 정보를 합쳐 한 사람의 이력과 관계 맥락을 만든다.
• media-ingest: 영상, 오디오, PDF, 스크린샷, GitHub repo를 흡수한다.
• perplexity-research: 브레인이 이미 아는 내용을 먼저 확인한 뒤 웹 리서치를 한다.

skills는 서로 호출되며 조합되고, 하나를 개선하면 그걸 쓰는 모든 워크플로가 같이 좋아진다. 모델은 Opus 4.7 1M, GPT-5.5, DeepSeek V4-Pro, Groq/Llama처럼 작업별로 바뀌지만, 핵심은 모델보다 데이터와 skill 설계다. 결론은 개인이 소유한 compounding AI system이 기업형 중앙 AI 도구보다 더 강력하다는 것이다. 그는 이 스택을 GStack, GBrain, OpenClaw, Hermes Agent로 오픈소스화했다.