🏗️ 에이전트 3계층 아키텍처

복잡해 보이지만, 결국 3가지로 귀결된다

🔌
Layer 1 — 데이터 커넥터
이메일, 문서, 메신저, DB 등 외부 데이터 소스와 연결하여 에이전트가 실제 업무 맥락에 접근할 수 있게 한다.

📁 Google Drive

MemoryExtension — 사용자별 전용 폴더 생성, 파일 동기화, RAG 인덱싱

연동 완료

📊 Google Sheets

HRSheetService — HR 시트에서 직원 프로필 자동 로드

연동 완료

💬 Slack

ThinkingExtension — 워크스페이스 연동, 채널 대화 분석

인터페이스 준비

🗄️ PostgreSQL

Drizzle ORM — 사용자, 조직, 메모리, 설정 영속 저장

연동 완료

🔍 Qdrant

RAGEngine — 문서 벡터 검색, 시맨틱 검색

연동 완료

📧 Gmail

이메일 패턴 분석, 업무 흐름 추적

계획 중
📝
Layer 2 — 정교한 프롬프트
데이터 커넥터에서 가져온 정보를 LLM이 이해할 수 있는 컨텍스트로 조합한다. 단순 질문이 아니라, 사용자의 기억·스타일·문서·조직 맥락이 녹아든 프롬프트.

🧠 시스템 프롬프트

buildSystemPrompt() — 에이전트 정체성, 6단계 학습 아키텍처, 응답 원칙

활성

💾 기본 메모리

buildContext() — 세션(단기) + 장기 기억 컨텍스트

활성

🧬 진화형 메모리

buildEvolutionContext() — Compiled Truth (Entity별 현재 상태) + Progressive Disclosure

활성

🎨 스타일 프로필

buildStyleContext() — 사용자 커뮤니케이션 스타일 5차원 프로필

활성

📚 RAG 결과

문서 벡터 검색 결과를 컨텍스트에 주입

활성

⚡ 심화고민 모드

enhancePrompt() — 외부 프롬프트 생성기로 질문 증폭

활성
🤖
Layer 3 — 모델 / 에이전트 프레임워크
LLM 호출, 태스크 라우팅, 자동 학습, 메모리 정비 등 에이전트의 두뇌와 자율 행동을 담당한다.

🧠 Claude API

callClaude() — Anthropic Claude 3.5 Sonnet 호출

활성

🎯 AgentOrchestrator

메모리·RAG·DLP·TaskRouter를 조율하는 핵심 오케스트레이터

활성

🔀 TaskRouter

문서 작성, 리서치, 미팅 등 전문 에이전트로 라우팅

활성

📖 FactExtractor

대화/문서에서 Fact 자동 추출 (LLM 기반)

활성

🔄 ConversationLearningHook

대화 후 자동 학습 — Fact 추출 → 메모리 갱신 → 스타일 학습

활성

🌙 DreamCycleScheduler

매일 밤 자동 정비 — 출처 누락, 중복, 빈약/비대 감지

활성

⚔️ ConflictDetector

모순 Fact 자동 감지 + 해소 전략 적용

활성

📈 PromotionEvaluator

접근 빈도 기반 Tier 자동 승격

활성

대화 한 번의 데이터 흐름

1
사용자가 메시지를 입력한다
↓
2
데이터 커넥터: RAG 검색 + 메모리 조회 + 진화형 메모리 조회 + 스타일 프로필 조회
↓
3
프롬프트 조합: 시스템 프롬프트 + 기본 메모리 + Compiled Truth + 스타일 + RAG 결과 + 사용자 질문
↓
4
모델 호출: Claude API에 조합된 프롬프트 전송 → 응답 생성
↓
5
사용자에게 응답 반환 (즉시)
↓
6
자동 학습 (비동기): Fact 추출 → 메모리 갱신 → 스타일 학습 → 충돌 감지 → PostgreSQL 영속화
Personal Work Agent — 에이전트 3계층 아키텍처
데이터 커넥터 + 정교한 프롬프트 + 모델/에이전트 프레임워크