Acontext: AI 에이전트를 위한 자기학습 컨텍스트 데이터 플랫폼

🎯 한 줄 요약

Acontext는 AI 에이전트가 경험을 저장하고, 작업을 관찰하며, 스스로 학습할 수 있게 해주는 오픈소스 컨텍스트 데이터 플랫폼입니다.

---

📌 프로젝트 개요

항목 내용

GitHub	memodb-io/Acontext
라이선스	Apache License 2.0
지원 언어	Python, TypeScript
주요 기술	OpenAI API, Docker, Notion-like Storage

---

🤔 Acontext가 해결하는 문제

현재 AI 에이전트 개발에서 가장 큰 고민 중 하나는 **"에이전트가 같은 실수를 반복한다"**는 것입니다.

기존 문제점:

• 에이전트는 매번 새로운 세션에서 처음부터 시작
• 이전 작업에서 배운 노하우가 축적되지 않음
• 사용자의 선호도나 피드백이 반영되지 않음
• 복잡한 작업에서 성공률이 낮음

Acontext는 이 문제를 "Store, Observe, Learn" 세 가지 축으로 해결합니다.

---

🏗️ 핵심 아키텍처

┌──────┐     ┌────────────┐     ┌──────────────┐     ┌───────────────┐
│ User │◄───►│ Your Agent │◄───►│   Session    │     │ Artifact Disk │
└──────┘     └─────▲──────┘     └──────┬───────┘     └───────────────┘
                   │                   │
                   │           ┌───────▼────────┐
                   │           │ Observed Tasks │  ← 작업 추적
                   │           └───────┬────────┘
                   │                   │
                   │           ┌───────▼────────┐
                   │           │  Space (learn) │  ← 스킬 학습
                   │           └───────┬────────┘
                   │                   │
                   └───────────────────┘
                     학습된 스킬이 에이전트 가이드

---

🔑 핵심 컴포넌트 분석

1. Session (저장)

멀티모달 메시지를 저장하는 대화 스레드입니다.

session = client.sessions.create()
client.sessions.send_message(
    session_id=session.id, 
    blob={"role": "user", "content": "..."}, 
    format="openai"
)

특징:

• OpenAI, Anthropic SDK 형식 모두 지원
• 이미지, 텍스트 등 멀티모달 지원
• 로컬 대시보드에서 시각화 가능

2. Disk (아티팩트 저장소)

에이전트가 생성한 파일들을 저장하는 공간입니다.

disk = client.disks.create()
artifact = client.disks.artifacts.upsert(
    disk.id,
    file=FileUpload(filename="todo.md", content=b"..."),
    file_path="/todo/"
)

3. Task Agent (관찰)

백그라운드에서 작업 진행 상황과 사용자 피드백을 자동 추적합니다.

자동 추출 정보:

• 작업 상태 (pending, success, failed)
• 진행 업데이트
• 사용자 선호도

# 작업 상태 조회 예시
tasks = client.sessions.get_tasks(session.id)
# Task #1: "Search for latest news" - status: success
# Task #2: "Initialize Next.js project" - status: pending

4. Space (학습 - 핵심!)

Notion과 유사한 구조로 학습된 스킬(SOP)을 저장합니다.

/
└── github/                    (폴더)
    └── GTM                    (페이지)
        ├── find_trending_repos    (SOP 블록)
        └── find_contributor_emails (SOP 블록)
    └── basic_ops              (페이지)
        ├── create_repo        (SOP 블록)
        └── delete_repo        (SOP 블록)

저장되는 스킬 형식:

{
  "use_when": "star a repo on github.com",
  "preferences": "use personal account. star but not fork",
  "tool_sops": [
    {"tool_name": "goto", "action": "goto github.com"},
    {"tool_name": "click", "action": "find login button if any..."}
  ]
}

---

💡 동작 흐름: 자기학습 프로세스

graph LR
    A[Task Completed] --> B[Task Extraction]
    B --> C{Space Connected?}
    C -->|Yes| D[Queue for Learning]
    C -->|No| E[Skip Learning]
    D --> F[Extract SOP]
    F --> G{Hard Enough?}
    G -->|No - Too Simple| H[Skip Learning]
    G -->|Yes - Complex| I[Store as Skill Block]
    I --> J[Available for Future Sessions]

핵심 포인트:

• 너무 단순한 작업은 학습하지 않음 (노이즈 방지)
• 충분히 복잡한 작업만 SOP로 추출
• 학습은 백그라운드에서 10-30초 지연 후 발생

---

🚀 빠른 시작 가이드

1. CLI 설치

curl -fsSL https://install.acontext.io | sh

2. 서버 실행 (Docker 필요)

mkdir acontext_server && cd acontext_server
acontext docker up

3. 접속

• API: http://localhost:8029/api/v1
• 대시보드: http://localhost:3000/

4. SDK 설치

# Python
pip install acontext

# TypeScript
npm i @acontext/acontext

---

📊 실제 사용 시나리오

시나리오: 브라우저 자동화 에이전트

첫 번째 실행:

1. 사용자: "GitHub에서 trending 레포지토리 찾아줘"
2. 에이전트: 여러 시행착오 끝에 성공
3. Acontext: 성공 패턴을 SOP로 저장

두 번째 실행:

1. 사용자: "GitHub에서 인기 있는 레포 확인해줘"
2. Acontext: 저장된 SOP 검색 → 유사 스킬 발견
3. 에이전트: SOP 가이드를 따라 바로 성공 (스텝 수 감소)

# 스킬 검색
result = client.spaces.experience_search(
    space_id=space.id,
    query="find trending repositories on github",
    mode="fast"  # 또는 "agentic" (더 철저한 탐색)
)

---

🎯 Acontext를 사용해야 하는 경우

✅ 적합한 케이스:

• 브라우저 자동화 에이전트 (예: Playwright, Puppeteer 기반)
• 반복적인 워크플로우를 수행하는 에이전트
• 사용자 선호도가 중요한 개인화 에이전트
• 성공률 모니터링이 필요한 프로덕션 에이전트

❌ 덜 적합한 케이스:

• 단순 Q&A 챗봇
• 매번 완전히 다른 작업을 수행하는 에이전트
• 학습이 필요 없는 stateless 에이전트

---

🔍 경쟁 솔루션과 비교

특징 Acontext LangGraph Memory Custom DB

자동 SOP 추출	✅	❌	❌
작업 관찰	✅ 자동	수동 구현	수동 구현
대시보드	✅ 기본 제공	❌	별도 구축
설정 난이도	낮음	중간	높음
유연성	중간	높음	매우 높음

---

⚠️ 주의사항 및 한계

1. OpenAI API 필수: 현재 gpt-4.1 이상 모델 필요
2. Docker 의존성: 로컬 실행 시 Docker 필수
3. 학습 지연: 실시간이 아닌 10-30초 백그라운드 처리
4. 초기 단계: 아직 활발한 개발 중인 프로젝트

---

🌟 결론

Acontext는 **"에이전트가 경험에서 배울 수 있다면?"**이라는 질문에 대한 실용적인 답을 제시합니다.

핵심 가치:

• 🧠 에이전트의 장기 기억 제공
• 📈 작업 성공률 향상
• 🔄 실행 스텝 수 감소
• 📊 관찰 가능성(Observability) 확보

특히 브라우저 자동화나 반복적인 워크플로우를 처리하는 에이전트를 개발 중이라면, Acontext는 에이전트의 신뢰성을 높이는 좋은 선택이 될 수 있습니다.

---

📚 참고 자료

• 공식 문서
• GitHub 레포지토리
• 예제 코드
• Discord 커뮤니티