AI 에이전트 8명으로 솔로 SaaS 회사 운영하는 방법
포르투갈 출신 개발자가 8개의 AI 에이전트(CEO, CFO, COO 등)를 활용하여 5개의 SaaS 제품을 0명의 직원으로 운영
각 에이전트는 GitHub Copilot 기반으로, 지식 그래프(Knowledge Graph)를 공유하며 자동 상호 검토 및 자체 개선 기능 탑재
월 50유로 미만의 비용으로 Fly.io에 배포, 주간 배포 및 소셜 미디어 자동화, 세금 마감일 준수 등 운영 효율성(Operational Efficiency) 확보
컨텍스트 윈도우(Context Window) 제약, AI 환각(Hallucination) 발생 등 기술적 한계 존재
AI 에이전트가 인간 팀을 대체하는 것은 아니지만, 솔로 창업자가 팀과 유사한 구조를 갖도록 지원하며 구조화된 실행(Structured Execution) 가능
AI 에이전트 아키텍처: 마크다운 기반의 역할 정의
각 AI 에이전트는 `.agent.md` 파일로 정의되며, GitHub Copilot이 작업 모드에 따라 적절한 에이전트를 로드한다.
역할(Role) 및 책임(Responsibilities): CEO, CFO, COO, 변호사, 회계사, 마케팅 담당자, CTO, 개선 담당자 등 각 에이전트의 역할과 핵심 책임을 명확히 정의
지침(Instructions) 및 제약 조건(Constraints): 1인칭 시점 사용, 기술적 내용 강조, 과장된 표현 지양 등 에이전트의 행동 방식과 콘텐츠 생성 스타일을 제어
자동 실행(Autonomous Execution): 트윗 게시, dev.to 게시물 발행, 소셜 미디어 참여 등 에이전트의 자율적인 작업 수행을 위한 설정
이러한 구조는 각 에이전트가 특정 도메인에 대한 전문 지식을 갖도록 하며, 솔로 창업자가 다양한 업무를 효율적으로 처리하도록 돕는다.
지식 그래프(Knowledge Graph)를 활용한 데이터 공유
모든 에이전트는 Model Context Protocol(MCP) 메모리 서버를 통해 지속적인 지식 그래프(Persistent Knowledge Graph)를 공유한다.
엔티티(Entities) 및 관계(Relations): 제품, 결정, 마감일, 고객, 지표, 교훈 등 다양한 유형의 엔티티를 정의하고, 소유, 사용, 구축, 의존 관계를 설정
데이터 보존 규칙(Retention Rules): 7일 이상 지난 스탠드업은 삭제, 교훈 및 결정은 영구 보존 등 지식 그래프의 효율적인 관리
데이터 격리 아키텍처(Data Isolation Architecture): 각 에이전트가 학습한 내용을 다른 에이전트가 참조하여, 회사 전체의 지식 기반을 구축
이러한 구조는 에이전트 간의 협업을 가능하게 하고, 솔로 창업자가 축적된 지식을 바탕으로 의사 결정을 내리도록 지원한다.
에이전트 간 자동 상호 검토 및 협업
에이전트들은 업무 영역이 교차할 때 자동으로 서로를 호출하여 협업한다.
트리거 테이블(Trigger Table): 마케팅 담당자가 제품 관련 내용을 작성하면 변호사에게 검토 요청, CFO가 가격 결정을 하면 회계사에게 세금 관련 검토 요청
상호 검토 요청 형식(Peer Review Request Format): 승인, 우려 사항, 차단 등 명확한 응답 형식으로 에이전트 간의 의사소통을 구조화
호출 체인 추적(Call-chain Tracking): 무한 루프 방지를 위해 호출 이력을 추적하고, 최대 호출 깊이 제한
이러한 상호 검토 시스템은 AI 환각(Hallucination)을 방지하고, 각 에이전트의 작업 품질을 향상시킨다.
자동화된 일일 스탠드업 및 작업 관리
COO 에이전트는 매일 아침, Sentry 오류 확인, 스프린트 보드 검토, 주기적 알림 확인, 지식 그래프에서 컨텍스트 파악, 다른 에이전트에 작업 위임, 우선순위가 지정된 일일 계획 생성 등의 작업을 수행한다.
오케스트레이션(Orchestration): 각 에이전트의 작업을 조정하고, 필요한 정보를 제공하여 효율적인 업무 처리
자동화된 작업 위임(Automated Task Delegation): 각 에이전트에게 적절한 작업을 할당하여, 솔로 창업자의 시간 관리 효율성 증대
지속적인 개선(Continuous Improvement): 매일의 스탠드업을 통해 시스템의 효율성을 지속적으로 개선
이러한 자동화된 작업 관리는 솔로 창업자가 여러 업무를 효율적으로 처리하고, 중요한 결정에 집중할 수 있도록 돕는다.
Improver 에이전트를 통한 시스템 자체 개선
Improver 에이전트는 다른 에이전트의 실수를 학습하고, 새로운 기술을 개발하며, 에이전트의 지침을 업데이트하여 시스템을 자체적으로 개선한다.
학습(Learning): 다른 에이전트가 기록한 교훈(Lesson) 엔티티를 읽고, 패턴을 파악하여 새로운 기술 개발
지침 업데이트(Instruction Updates): 에이전트의 지침을 업데이트하여, 시스템의 정확성과 효율성 향상
새로운 에이전트 제안(New Agent Proposals): 워크로드 패턴을 분석하여, 새로운 에이전트 추가 제안
이러한 자체 개선 기능은 시스템의 지속적인 발전을 가능하게 하고, 솔로 창업자가 끊임없이 변화하는 환경에 적응하도록 돕는다.
AI 에이전트 시스템의 한계와 트레이드오프
AI 에이전트 시스템은 여러 장점을 가지고 있지만, 몇 가지 한계점과 트레이드오프가 존재한다.
컨텍스트 윈도우(Context Window): 긴 작업은 컨텍스트 윈도우를 초과할 수 있으며, 이를 해결하기 위해 하위 에이전트를 활용
AI 환각(Hallucination): 변호사 에이전트가 대부분의 컴플라이언스 관련 AI 환각(Hallucination)을 잡아내지만, 상호 검토 프로토콜을 통해 안전성을 확보
메모리 손상(Memory Corruption): 동시 쓰기로 인해 지식 그래프 파일이 손상되는 문제 발생, 뮤텍스 및 원자적 쓰기, 자동 복구 기능 추가
이러한 한계점을 인지하고, 적절한 조치를 취함으로써 AI 에이전트 시스템의 안정성과 효율성을 높일 수 있다.
