Tencent WorkBuddy 기억 시스템 사례: 기기 간 동기화, 숨은 규칙 파일, Ask/Craft/Plan이 장기 AI 팀원처럼 느껴지는 이유
초기 WorkBuddy 공개 글은 공장, 공급망, 파일 중심 업무에 들어갈 수 있는지를 주로 다뤘습니다.
이 글에서 보는 질문은 조금 다릅니다. 왜 어떤 사용자는 WorkBuddy를 오래 쓸수록 "장기 AI 팀원을 훈련시키는" 느낌을 받을까요?
먼저 보는 결론
- WorkBuddy 기억 시스템 사례의 핵심은 답변 능력보다 작업 디렉터리, memory, 규칙, 모드, 동기화가 함께 있다는 점입니다.
IDENTITY.md,SOUL.md,USER.md같은 숨은 규칙 파일은 AI의 행동을 장기적으로 안정시키려는 시도입니다.- 기기 간 동기화와 자동화는 유용하지만 조용한 실패와 memory 비대화는 주의해야 합니다.
"기억한다"는 것이 "답한다"보다 중요한 이유
한 번만 답하는 AI는 편리하지만 오래 함께 일하기에는 부족합니다. 사용자의 취향, 작업 위치, 이름 규칙, 문장 톤, 과거 규칙을 기억할수록 매번 설명하는 비용이 줄어듭니다.
WorkBuddy의 기억 시스템은 이런 "다시 설명하지 않아도 되는" 상태를 만드는 방향입니다.
Case 1: 첫 단계는 일을 맡기는 것이 아니라 작업 디렉터리, 기억, 모드를 정리하는 것이다
1.1 Set the default working directory early, and do not dump everything onto the system drive
공개 사례는 처음에 기본 작업 디렉터리를 설정하는 것을 강조합니다. 생성물, 기억, 스크립트를 시스템 드라이브에 무작정 쌓지 않기 위해서입니다.
1.2 Memory is not decoration. It is meant to keep getting better over time
Memory는 장식이 아닙니다. 사용자의 규칙, 과거 작업, 선호, 자주 쓰는 절차를 축적해 다음 작업을 더 매끄럽게 하기 위한 것입니다.
1.3 Ask / Craft / Plan are not minor UI options. They are risk boundaries
Ask, Craft, Plan은 작은 UI 차이가 아니라 위험 경계입니다. 질문만 할 때, 만들 때, 계획을 세울 때 Agent에게 허용하는 행동 범위가 달라집니다.
Case 2: "팀원을 훈련한다"는 느낌은 identity, soul, user 파일을 쓰는 데서 온다
2.1 IDENTITY.md: who it is
IDENTITY.md는 AI의 역할을 정의합니다. 어떤 직능인지, 무엇을 우선하는지, 어디까지 들어가야 하는지를 정합니다.
2.2 SOUL.md: how it speaks and how it works
SOUL.md는 말투, 작업 방식, 판단 습관을 정의합니다. 톤과 진행 방식이 안정되면 사용자는 매번 세세하게 지시하지 않아도 됩니다.
2.3 USER.md: who you are
USER.md는 사용자 자신의 취향, 배경, 자주 쓰는 도구, 피하고 싶은 것을 기록합니다. 장기적으로는 이 파일이 개인화의 중심이 됩니다.
Case 3: 40일 뒤 도구에서 파트너로 바뀌는 것은 모델 업그레이드가 아니라 기억과 규칙 때문이다
공개된 40일 경험에서 중요한 것은 모델이 갑자기 똑똑해졌다는 점이 아닙니다. 사용자의 규칙, 작업 패턴, 기기 환경이 쌓이면서 AI가 전제를 이해하는 것처럼 행동할 수 있다는 점입니다.
Case 4: 기기 간 memory 동기화가 context를 자산으로 만든다
PC를 바꿀 때마다 AI가 모두 잊는다면 장기 사용 가치는 작아집니다. 기기 간 동기화로 memory, 규칙, 작업 디렉터리 설정을 가져갈 수 있으면 context 자체가 자산이 됩니다.
4.1 The most production-like part is not the script itself. It is what gets synced
동기화 스크립트 자체보다 중요한 것은 무엇을 동기화하는가입니다. 기억, 규칙, 프롬프트, 설정, 필요한 자동화 스크립트를 고르고 불필요한 비대화를 피해야 합니다.
Case 5: 가장 큰 위험은 AI의 실수보다 조용한 실패와 memory 비대화다
Memory가 너무 커지면 오래된 규칙이나 모순된 정보가 남습니다. 동기화가 조용히 실패하면 기기마다 행동이 달라집니다.
장기 Agent에는 백업, diff 확인, 삭제 기준, 규칙 정리가 필요합니다.
Put together, what does WorkBuddy's advanced workflow actually look like?
- 작업 디렉터리를 정한다.
- memory와 규칙 파일을 정리한다.
- Ask / Craft / Plan으로 위험 경계를 고른다.
- 자주 쓰는 작업을 Skill이나 스크립트로 만든다.
- 여러 기기에서 동기화하고 정기적으로 정리한다.
Who should try this first
Good immediate fits
- 매일 WorkBuddy를 쓰는 개인 또는 소규모 팀
- 여러 기기에서 같은 AI 환경을 쓰고 싶은 사용자
- 장기 프로젝트, 글쓰기, 개발, 자동화를 돌리는 사용자
- 규칙과 작업 스타일을 명문화할 수 있는 팀
Who can wait and watch
- 가끔 질문만 하는 사용자
- memory나 규칙 관리에 시간을 쓰고 싶지 않은 팀
- 동기화 대상과 권한을 정리하지 않은 조직
If you want to connect WorkBuddy-style long-running workflows to custom models, where is the buying value?
비즈니스 관점의 질문은 "답할 수 있는가"만이 아닙니다.
- 장기 memory는 다른 모델 경로를 써야 하는가
- 동기화 뒤에도 context 비용이 관리 가능한가
- 자동화 작업과 파일 흐름을 하나의 gateway로 돌릴 수 있는가
- 여러 Agent의 상태, 규칙, 과금을 한 곳에서 관리할 수 있는가
계속 보려면 아래에서 시작할 수 있습니다.
Final take
WorkBuddy의 memory, 기기 간 동기화, 숨은 규칙 파일에서 중요한 것은 단순히 작업을 끝낼 수 있다는 점이 아닙니다. AI를 일시적 도구에서 장기 작업 파트너로 바꾸는 구조를 보여주기 시작했다는 점입니다.
그 구조는 작업 디렉터리, memory, 행동 규칙, 위험 경계 모드, 여러 기기 동기화로 이루어집니다.