YouTube 채널 The AI Automators에 게재된 “This New Google Format Gives Your AI Agent a Second Brain” 영상의 정리 및 분석 노트입니다.
구글 엔지니어링 팀이 2026년 6월 발표한 OKF(Open Knowledge Format) 오픈 소스 스펙에 대한 세부 명세서 분석을 바탕으로, 이를 활용한 실제 풀스택 AI 에이전트(React + Python + Supabase) 지식 베이스 설계 방법과 **에이전트 스킬(Agent Skills)**과의 관계, 그리고 데이터 왜곡을 방지하기 위한 결정론적 가드레일 기법을 고찰합니다.
클립 1: 구글 OKF 명세와 카파시(Karpathy) LLM Wiki의 계보 (00:00 - 01:03)
Last month, the engineering team at Google shipped a new open spec, the open knowledge format or OKF for short. And their pitch is that the thing holding LLMs back isn’t raw intelligence anymore, it’s context. … This is essentially Andrej Karpathy’s idea, which he published as a GitHub gist back in April.
해석
현재 거대 언어 모델(LLM)의 핵심 병목은 모델 자체의 지능보다는, 모델에게 제공되는 실시간 정보의 정교함, 즉 **컨텍스트(Context)**에 있습니다. 구글이 공개한 OKF 명세는 에이전트의 상황 파악 능력을 돕기 위해 작성되는 마크다운 지식 보관소 양식을 표준화한 것입니다. 이는 2026년 4월 OpenAI와 Tesla 출신의 Andrej Karpathy가 자신의 깃허브 Gist에 공개했던 LLM Wiki 패턴을 공식화 및 구체화한 오픈 표준안입니다. 로컬 디렉토리 기반의 마크다운 파일이라는 친숙한 형태를 취하며, 벤더 중립적인 사양으로 설계되어 높은 이식성과 상호운용성을 지원합니다.
클립 2: 에이전트 프리미티브의 분화: 스킬(Skill)과 OKF의 상호보완 관계 (04:32 - 05:46)
A skill is essentially just a folder with a markdown file inside that teaches an agent how to do a specific task. It’s procedural know-how… whereas the open knowledge format tells an agent what you know. It’s the facts, the declarative facts…
해석
컨텍스트 과부하를 막기 위해 필요한 파일만 동적으로 로드하는 단계적 공개(Progressive Disclosure) 기법을 사용한다는 점에서 에이전트 스킬(Skill)과 OKF는 동일한 철학을 공유합니다. 그러나 담당하는 역할은 명확하게 다릅니다.
- 스킬(Skill): 에이전트에게 특정 작업을 실행하는 절차적 방법론을 가르치는 절차적 지식(Procedural ‘How’) 레이어이며, 실행 가능한 보조 스크립트 코드가 함께 패키징됩니다.
- OKF: 에이전트에게 특정 비즈니스나 도메인의 규칙, 수치 등의 사실을 알려주는 선언적 지식(Declarative ‘What’) 레이어입니다. 이 둘은 상호 배타적이지 않으며, 에이전트 스킬이 실행 중에 도메인 데이터가 필요할 때 해당 OKF 번들을 참조하여 데이터를 획득하는 방식으로 유기적으로 통합되어야 합니다.
클립 3: 리소스 파라미터: 데이터 복제 대신 원본 참조하기 (08:15 - 08:57)
A really nice feature of this format is this resource parameter. … The resource is pointing to the particular Python file. … instead of bundling everything in the actual wiki article, you just point it to where you should go to get the latest version…
해석
OKF 포맷의 가장 훌륭한 속성 중 하나는 YAML 메타데이터 영역에 정의하는 resource 매개변수입니다. 예를 들어 특정 기능(PII 감축 등)을 설명하는 마크다운 문서 내에 해당 기능의 실제 구현부인 특정 파이썬 파일의 경로나 데이터베이스 테이블 API 주소를 리소스로 적어두는 방식입니다. 문서 본문에 실제 소스코드나 데이터 테이블의 값을 일일이 복사-붙여넣기(Duplication)하게 되면, 소스 데이터가 바뀔 때마다 문서가 만료되어 버리는 데이터 드리프트(Data Drift)와 문서 부패(Stale Documentation) 현상이 일어납니다. OKF는 리소스 파라미터 링크를 통해 문서를 최소한으로 유지하되 에이전트가 최신 데이터 소스로 직접 찾아가 정보를 갱신하도록 설계하여 문장 신선도를 지킵니다.
클립 4: 참조 에이전트(Librarian)의 결정론적 검증 가드레일 (09:18 - 10:49)
they’ve designed a producer agent. It’s what they describe as the reference agent. … they’ve designed him in such a way that actually there are more deterministic guardrails around how it updates and maintains the wiki.
해석
인공지능 에이전트는 지루함을 느끼지 않고 수십 개의 파일 참조 관계를 단숨에 갱신하므로 지식 디렉토리를 정리하는 지식 사서(Librarian) 역할에 최적입니다. 구글은 이를 위해 OKF를 자동으로 업데이트하고 유지하는 프로듀서 에이전트(Reference Agent) 사양을 함께 제공합니다. 이 과정에서 구글은 에이전트 하네스(Harness) 레이어에 **결정론적 가드레일(Deterministic Guardrails)**을 결합하여 환각을 통제합니다. 예를 들어, 에이전트가 외부 문서를 크롤링하여 위키 문서를 보강할 때 실제로 해당 URL을 읽어들였는지 강제 검증하여 존재하지 않는 가짜 링크 생성을 막습니다. 또한, 위키 바디의 스키마를 업데이트할 때 에이전트가 임의로 스키마 구조를 왜곡하여 축소하거나 출처 표기(Citation)를 탈락시키려 하면 하네스 레이어가 쓰기 동작 자체를 거부(Refusal)하도록 하여 지식의 정밀도를 물리적으로 수호합니다.
클립 5: OKF의 한계점: 결합 강도가 낮은 링크와 시멘틱 오정렬 (10:50 - 12:14)
The simplicity of the format means that OKF is standardizing, let’s say, the container, but not necessarily the knowledge itself. … by design, there is no registering of types. … links between concepts, they are untyped, essentially.
해석
OKF는 많은 장점을 지니지만 몇 가지 설계상의 맹점이 존재합니다. 스펙 자체가 마크다운 컨테이너를 규정할 뿐, 내부 시맨틱(의미) 지식을 통제하지는 못합니다. 예를 들어 필수 필드인 type은 자유 텍스트 형식이어서 A팀은 ‘customer’로, B팀은 ‘client’로 임의 기술할 수 있고, 지식 번들을 병합할 때 데이터가 맞물리지 않는 파편화가 생깁니다. 또한, 마크다운 문서 간의 링크가 형식상 존재할 뿐, 그 연결선(Edge)이 어떤 상속·의존 관계인지는 기계적으로 분류되지 않아 정보 그래프의 정합성을 수동으로 큐레이션해야 하는 사후 비용이 큽니다. 아울러 구글의 오리지널 레포지토리가 BigQuery나 자사 Gemini API에 지나치게 종속적으로 작성되어 있어 진정한 벤더 중립적 확산을 위해서는 엔지니어가 직접 독립적인 파서와 가드레일 루프를 빌드해 사용해야 합니다.
내 생각
The AI Automators가 제시한 OKF 스펙 명세 분석은, 지식 엔진의 모듈화가 어떻게 이루어져야 하는지를 완벽하게 관철하고 있습니다.
에이전트가 현실 세계에서 유용하게 동작하기 위해서는 두 가지 두뇌 파트의 정렬이 필수적입니다. 첫째는 **”일을 어떻게 수행해야 하는가”**에 대한 절차 설계(Skills)이고, 둘째는 **”우리 비즈니스의 실상과 팩트는 무엇인가”**에 대한 지식 기반(OKF)입니다.
그동안 많은 개발자들은 이 두 가지 성격이 완전히 다른 정보를 시스템 프롬프트라는 하나의 포대에 뭉뚱그려 담아 왔습니다. 하지만 비즈니스가 커질수록 프롬프트의 복잡도가 극도로 상승하여 모순이 일어나기 십상이었습니다.
이를 극복하기 위해 에이전트 하네스 내부의 지식 체계를 **절차성 마크다운(Skills.md)**과 **선언성 마크다운(OKF.md)**으로 엄격하게 나누어 보관하는 설계는, 에이전트의 판단 엔트로피를 최소화하고 컨텍스트 윈도우 토큰 낭비를 절감하는 확실한 해결책입니다.
더불어 영상에서 중요하게 다룬 **결정론적 가드레일(Deterministic Guardrails)**은 에이전트에게 작성을 위임하되, 인간 수준의 감수를 기술적으로 적용하는 핵심 장치입니다. 에이전트가 지식 뇌를 고치려 할 때 “스키마의 손실이 일어나는가?”, “출처가 정확한가?”를 코드로 엄밀히 검증하는 하네스는, 에이전트가 임의로 지식을 세탁하거나 왜곡하는 것을 원천 차단합니다.
단순히 생성 모델에 의존하는 것을 넘어 에이전트가 밟는 모든 물리적 발자취에 결결이 엄격한 쓰기 통제망을 씌우는 것, 이것이 우리가 프로덕션 에이전트를 설계할 때 갖추어야 할 지식 엔지니어링의 정수입니다.
댓글
GitHub 계정으로 의견을 남길 수 있습니다. 댓글은 GitHub Discussions에 저장됩니다.