프레임워크가 아니라 저장소를 공유하는 구조
2026년 7월 7일 공개된 Oracle AI Agent Memory 업데이트는 메모리를 별도 서비스로 떼어 두지 않고 Oracle AI Database 안에 직접 저장합니다. LangGraph, Claude Agent SDK, OpenAI Agents SDK, WayFlow가 서로 다른 하네스를 쓰더라도 같은 OracleAgentMemory 클라이언트로 동일한 테이블을 읽고 씁니다. 팀마다 벡터DB를 따로 붙이던 이전 구조와 달리, 이제 한 저장소를 여러 에이전트가 동시에 쓰는 구조라 '내 프레임워크만 잘 만들면 된다'는 전제가 깨집니다. 스키마 변경 한 번이 모든 프레임워크에 즉시 영향을 미치므로, 변경 전 영향 범위를 확인하는 절차가 필요해집니다.
하이브리드 검색이 바꾸는 재현율과 정밀도의 균형
이번 업데이트는 벡터·키워드·메타데이터를 함께 쓰는 하이브리드 검색을 강화했고, Oracle은 LongMemEval 500문항 벤치마크에서 94.4% 정확도를 공개했습니다. 검색 축이 늘어나면 재현율은 오르지만, 메타데이터 필터를 잘못 설정하면 스레드나 사용자 경계를 넘어 정보가 섞여 들어올 위험도 함께 커집니다. 정밀도와 재현율을 같이 관리하지 않으면 벤치마크 점수와 실제 운영 품질이 어긋납니다.
커스텀 추출과 컨텍스트 카드가 여는 새 실패 표면
같은 업데이트에 포함된 커스텀 추출 지침과 컨텍스트 카드는 무엇을 기억하고 어떻게 요약할지를 도메인별로 지정할 수 있게 해줍니다. 유연성이 커진 만큼, 추출 규칙을 검증 없이 배포하면 잘못 요약된 메모리가 여러 프레임워크에 동시에 퍼지는 구조적 위험도 함께 생깁니다.
설계에서 운영까지: 공유 에이전트 메모리 거버넌스 체크리스트
공유 메모리를 도입하기 전에 합격선부터 코드로 선언합니다. 스코프 격리 위반(다른 사용자·스레드 데이터 노출) 0건을 배포 게이트로 못박고, 메모리 조회 p95는 300ms 이내로, 하이브리드 검색 도입 후 재현율 저하는 -5%p 이내로 제한합니다. 커스텀 추출 신뢰도 점수가 0.7 미만인 항목은 자동 저장 대신 사람 검토로 넘기는 임계값도 미리 정해 둡니다.
공유 저장소 특유의 실패 패턴은 크게 세 가지입니다. 첫째, 프레임워크마다 메타데이터 스키마를 다르게 써서 필터 조건이 어긋나고 스레드 경계가 새는 경우. 둘째, 커스텀 추출 지침을 한 팀이 바꿨는데 다른 프레임워크는 이를 모른 채 오래된 요약을 계속 주입하는 경우. 셋째, 하이브리드 검색의 재현율을 높이려다 무관한 기록까지 컨텍스트에 끌어와 토큰 비용과 응답 품질을 갉아먹는 경우입니다. 컨텍스트 카드로 요약된 메모리가 원본 대조 없이 재사용되면, 오류가 검증 없이 반복 인용되는 이차 피해로도 번집니다.
스코프 위반이 감지되면 즉시 해당 메모리 레코드를 격리 큐로 옮기고 원인 프레임워크의 쓰기 권한을 일시 중단합니다. 캐스케이딩 삭제는 요청 후 24시간 이내 완료를 SLA로 걸어 두고, 완료 여부를 별도 감사 로그로 남겨야 PII가 남은 채로 다음 검색에 노출되는 사고를 막을 수 있습니다.
배포 전에는 프레임워크별로 같은 스레드 ID에 대한 교차 쓰기·교차 읽기 시나리오를 반드시 테스트합니다. 메타데이터 필터, 만료 정책, 캐스케이딩 삭제 범위를 프레임워크 수만큼 각각 검증해야 한 곳에서만 통과한 설정이 다른 곳에서 구멍이 되는 상황을 피할 수 있습니다.
로그에는 메모리 스코프, 원본 프레임워크, 추출 신뢰도 점수, 하이브리드 검색 가중치를 필수 필드로 남깁니다. 이 네 가지가 없으면 장애가 났을 때 어느 프레임워크의 쓰기가 문제였는지, 검색 가중치 조정이 원인인지 구분할 방법이 없습니다.
매주 스코프 위반과 추출 신뢰도 하락 상위 사례를 모아 커스텀 추출 지침을 개정하고, 개정 이력은 프레임워크 코드와 분리된 별도 저장소에 버전 관리합니다. 지침만 롤백하면 되는 상황에서 프레임워크 전체를 재배포할 필요가 없어집니다.
핵심 실행 포인트
공유 메모리는 프레임워크 선택보다 스코프·만료·추출 신뢰도를 코드로 통제하는 거버넌스 설계가 우선입니다. 스코프 위반 0건, 조회 p95 300ms, 재현율 저하 -5%p 이내라는 합격선을 먼저 정하고 프레임워크별 교차 시나리오를 검증한 뒤 도입하면, LongMemEval 94.4% 같은 벤치마크 수치와 실제 운영 품질의 간극을 줄일 수 있습니다.