How to build a knowledge factory for AI agents
Quick Summary
Harrison Chase는 기업용 AI 에이전트의 활용을 확대하려면 흩어진 업무 지식을 수집·정리·유지하고, 실행 중 드러난 공백을 다음 작업의 개선으로 연결하는 ‘지식 공장’이 필요하다고 주장한다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
Harrison Chase는 기업용 AI 에이전트의 활용을 확대하려면 흩어진 업무 지식을 수집·정리·유지하고, 실행 중 드러난 공백을 다음 작업의 개선으로 연결하는 ‘지식 공장’이 필요하다고 주장한다.
📌 핵심 요약
- 글은 기업용 AI에 필요한 핵심 요소로 더 나은 지식을 강조하며, LangChain의 내부 GTM·content studio 에이전트와 LangSmith Engine에 지식 공장을 적용했다고 설명한다.
- 컨텍스트는 에이전트가 작업할 때 이용할 수 있는 정보이고, 지식은 올바른 수행을 위해 유지하는 재사용 가능한 이해다. 지식은 컨텍스트의 일부이며, 최신 원천 데이터까지 별도로 복제할 필요는 없다는 설명이다.
- 관리할 지식은 업무 수행 절차인 스킬, 정의·정책·제품 등에 관한 도메인 지식, 최신 정보의 위치와 조회 방법을 설명하는 데이터 접근 지침으로 나뉜다.
- 지식 공장은 에이전트의 누락·오류 신고 기능, 원천 자료·실행 추적·신고 내용을 검토하는 큐레이터 에이전트, 지식 저장소로 구성된다. 글은 작업 에이전트가 지식을 직접 관리하면 모순이 쌓일 수 있다고 경고하며, 의미적 기억의 저장 표준은 아직 확립되지 않았다고 설명한다.
- 매출 보고서 예시에서는 BigQuery 열 이름 변경과 재무 책임자의 새 문서 머리말 요구가 실행 과정에서 드러나고, 큐레이터 에이전트가 관련 스킬을 갱신한다. 결론은 반복 업무 하나에서 시작해 에이전트가 어려움을 겪는 지점을 확인하고 지식 공백을 해소하라는 것이다.
🧩 주요 포인트
- 지식의 수집·정리·유지를 시스템으로 전환 → 개인에게 암묵적으로 축적된 업무 이해를 에이전트가 반복해서 활용할 수 있는 기반으로 확장.
- 스킬·도메인 지식·데이터 접근 지침의 역할 구분 → 업무 방식과 판단 기준은 유지하면서, 최신 원천 데이터는 기존 저장소에서 직접 활용.
- 작업 에이전트의 신고와 큐레이터 에이전트의 갱신을 분리 → 개별 실행에서 발견한 문제와 사용자 피드백을 후속 작업의 개선으로 연결하되, 지식의 모순 누적을 줄이는 구조 지향.
🧠 상세 정리
1. 기업용 AI의 빈틈을 업무 지식에서 찾다
Harrison Chase는 2026년 11월 21일 글에서 기업용 AI를 제대로 활용하기 위한 부족한 요소가 더 좋은 모델이나 단순히 더 많은 컨텍스트가 아니라 더 나은 지식이라고 주장한다. 여기서 지식은 회사의 운영 방식과 업무 기준, 데이터의 저장 위치와 접근 방법처럼 실제 일을 수행하는 데 필요한 이해를 뜻한다. 효율적으로 일하는 직원은 누구에게 물어야 하는지, 어디에서 답을 찾아야 하는지, 특정 방식으로 일하는 이유를 알지만, 이런 이해는 개인의 머릿속이나 여러 문서에 암묵적이고 분산된 형태로 남아 있다는 설명이다. 저자는 이 지식을 에이전트에 전달할 수 있도록 수집·정리·유지하는 체계를 ‘지식 공장’이라고 부른다. LangChain의 내부 GTM 및 content studio 에이전트가 이 체계로 작동하며, 실행 추적을 분석하고 수정안을 제안하는 LangSmith Engine도 에이전트별 지식 공장을 유지한다고 소개한다.
2. 컨텍스트와 재사용 가능한 지식의 구분
글은 컨텍스트를 에이전트가 특정 작업을 수행할 때 이용할 수 있는 정보로 정의하고, 지식은 그 작업을 올바르게 수행하도록 유지하는 재사용 가능한 이해로 구분한다. 어떤 지표가 무엇을 의미하는지, 어느 출처를 신뢰해야 하는지, 특정 상황을 어떻게 처리하는지가 지식의 예이며, 이런 내용은 문서로 남아 있을 수도 있지만 그렇지 않은 경우도 많다고 설명한다. 지식 공장의 역할은 흩어진 문서와 경험을 정리해 미래 작업의 컨텍스트로 제공할 수 있는 지식으로 바꾸는 것이다. 따라서 지식은 컨텍스트의 한 형태이지만, 에이전트가 받는 유일한 컨텍스트여서는 안 된다는 것이 저자의 입장이다. 이미 신뢰할 수 있게 수집·저장되는 다른 정보는 에이전트에 직접 제공할 수 있으므로, 지식 관리와 모든 정보의 별도 보관을 동일한 과제로 보지 않는다.
3. 소프트웨어 공장에서 일반 지식 업무로
저자는 지난 1년 반 동안 소프트웨어 공장이라는 발상이 빠르게 부상했다고 설명하며, 뛰어난 엔지니어가 직접 소프트웨어를 만드는 데서 회사 전체의 개발 효율을 높이는 시스템을 만드는 쪽으로 역할이 이동하는 구상을 소개한다. 이 구상에서는 실제 소프트웨어 제작을 에이전트가 맡고, 사람은 그 작업을 가능하게 하는 기반을 구축한다. 글은 일반 지식 업무도 비슷한 경로를 따르고 있다며, 에이전트가 프레젠테이션 제작, 영상 출시, 아웃바운드 업무를 수행할 만큼 발전했다고 평가한다. 다만 이런 작업을 회사가 기대하는 방식으로 처리하려면 조직에 흩어진 암묵적 지식이 필요하다는 조건을 붙인다. 따라서 자원을 투입할 대상은 지식 자체뿐 아니라 지식을 지속적으로 수집·정리·유지하는 공장이며, 저자는 이것이 더 많은 일반 지식 업무를 에이전트에 맡기는 기반이라고 주장한다.
4. 유지해야 할 지식의 세 가지 역할
글은 유지할 지식을 스킬, 도메인 지식, 데이터 접근 지침이라는 세 범주로 나누며, 각각 업무 수행 방식과 사업에 대한 이해, 최신 정보의 획득 경로를 담당한다고 설명한다. 스킬은 회사가 요구하는 방식으로 일을 처리하기 위한 절차·지시·스크립트이며, 동료 사이에서만 전해지던 내용을 문서화할 필요가 있다고 제안한다. 도메인 지식은 사람·제품·경쟁사 등에 관한 비교적 오래 유지되는 정의·정책·사실로, 이미 문서화되었더라도 지식의 양이 많아 불완전하거나 틀릴 수 있다고 지적한다. 데이터 접근 지침은 어떤 데이터가 어디에 있고 어떻게 조회하는지 알려주는 정보로, 글은 Snowflake나 Databricks 등을 활용하는 좋은 데이터 전략을 유용한 에이전트의 기반으로 본다. 기존의 기준 데이터가 완전하고 최신 상태라면 별도 사본을 유지할 필요가 없으며, 새로 관리해야 할 것은 그 데이터의 위치와 조회 방법이라는 설명이다.
5. 작업 중 드러나는 지식 공백의 신고
저자는 필요한 지식 전체를 사람이 수작업으로 유지하는 것은 지나치게 큰 부담이므로, 이를 관리하는 시스템을 만들어야 한다고 주장한다. 그 첫 구성 요소는 에이전트가 업무 수행 중 누락되거나 잘못된 지식을 발견했을 때 이를 표시하고 보고할 수 있는 기능이다. 에이전트가 요청받은 일을 하면서 필요한 정보를 찾지 못하거나, 찾은 정보가 틀렸다는 사실을 알아내는 순간이 지식 공백을 드러내는 좋은 기회라는 설명이다. 이를 위해 최소한 무엇이 잘못되었는지 보고하는 도구를 제공하고, 선택적으로 올바른 수정안까지 제안하게 할 수 있다고 제시한다. 이 단계의 핵심은 작업 중 발견한 문제를 지식 관리 과정으로 전달하는 것이며, 뒤이어 설명되는 큐레이터 에이전트가 그 신고를 다른 근거와 함께 검토할 수 있게 하는 데 있다.
6. 큐레이터 에이전트에 갱신 책임을 모으다
글은 지식을 사용하는 작업 에이전트만으로 지식을 최신 상태로 유지해서는 안 된다고 경고한다. 작업 에이전트는 누락이나 오류를 찾아내는 데 유용하지만, 이를 제대로 고치려면 기존 지식과 다른 데이터 출처에 대한 깊은 이해가 필요하기 때문이다. 각자의 목표 달성에 집중하는 에이전트에게 지식 관리까지 맡기면 내용이 통제하기 어려워지고 모순으로 가득해질 수 있다는 것이 저자의 우려다. 대안은 일정한 주기로 백그라운드에서 작동하며 지식을 갱신·정리·유지하는 큐레이터 에이전트를 두는 것이다. 이 에이전트는 Notion과 Slack 같은 원천 자료, 사람들이 에이전트를 사용하는 방식을 보여주는 실행 추적, 작업 에이전트가 신고한 문제에 접근해야 한다고 설명한다. 실행 추적에서 관찰한 사용 방식을 스킬로 정리하는 것도 이 역할에 포함된다.
7. 저장 위치의 유연성과 표준의 불확실성
저자는 지식 저장 방식을 어떤 면에서는 가장 덜 중요한 요소로 평가하며, GitHub의 스킬 형식, Notion의 단일 파일, LangSmith Context Hub의 OKF 형식, Neo4j의 지식 그래프를 가능한 예로 든다. 큐레이터 에이전트가 이런 형식과 상호작용할 수 있으면 된다는 설명으로, 특정 저장 제품이나 표현 방식 하나를 필수 조건으로 제시하지 않는다. 동시에 기억을 어떻게 표현할지는 아직 충분히 탐구되지 않은 영역이라고 인정한다. 절차적 기억에 대해서는 업계가 스킬로 수렴했다고 보지만, 의미적 기억에는 별도 표준이 등장할 가능성이 있으며 OKF를 하나의 후보로 언급한다. 의미적 기억의 표준이 이미 확립되었다고 주장하지는 않으며, 아직 초기 단계이므로 저장 형식을 지나치게 엄격하게 규정하거나 복잡하게 만들지 않는 편이 좋다고 권한다.
8. 매출 보고서 예시와 반복 개선의 고리
마지막 예시는 매출 보고서를 준비하는 에이전트로, 기본 컨텍스트인 원시 매출 수치는 BigQuery와 Salesforce에 저장되어 있다. LangChain 방식의 보고서 작성 스킬은 GitHub에, ARR 계산 방식 같은 장기 지식은 회사 위키에, 최신 데이터의 접근 방법은 Context Hub의 스킬로 저장된다고 가정한다. 작업 중 에이전트는 BigQuery의 열 이름이 바뀐 것을 알아내고 올바른 열을 찾아 사용한 뒤, 신고 도구로 문제와 수정안을 전달한다. 보고서를 만든 뒤에는 재무 책임자가 에이전트와 실시간으로 형식을 수정하면서 모든 LangChain 문서에 적용할 새 머리말을 알려준다. 그날 밤 큐레이터 에이전트는 신고 내용과 실행 추적을 확인하고, 데이터 조회에 쓸 열 이름과 보고서 작성에 쓸 머리말을 관련 스킬에 반영한다. 저자는 이 예시를 통해 모든 것을 미리 문서화하는 것이 목표가 아니라, 반복 업무 하나에서 시작해 실행 중 드러난 지식 공백을 해소함으로써 이후 작업을 개선하는 체계를 만드는 것이 목표라고 결론짓는다.
🧾 핵심 주장 / 시사점
- 글이 제시하는 확장의 단위는 개별 문서가 아니라 지식의 수집·정리·유지 과정이다. 같은 지식을 반복 업무에 재사용하려면 최초 기록과 이후 갱신이 함께 필요하다는 관점이다.
- 데이터 접근 지침을 별도 지식으로 관리하면 최신 원천 데이터를 복제하지 않고도 에이전트에 필요한 맥락을 제공할 수 있다. 이때 업무 절차와 데이터 위치를 구분하는 것이 핵심이다.
- 매출 보고서 예시는 데이터 구조의 변경과 사람의 피드백이 모두 지식 갱신의 근거가 될 수 있음을 보여준다. 큐레이터 에이전트는 이 두 신호를 후속 작업에 반영하는 역할을 맡는다.
✅ 액션 아이템
- 반복 업무 하나를 선정하고 에이전트가 어려움을 겪는 지식 공백을 확인.
- 스킬·도메인 지식·데이터 접근 지침을 구분하고 최신 원천 데이터의 별도 복제 필요성을 검토.
- 작업 에이전트의 누락·오류 신고와 실행 추적을 큐레이터 에이전트의 지식 갱신으로 연결.
❓ 열린 질문
- 처음 적용할 반복 업무에서 에이전트가 어려움을 겪는 지식 공백은 무엇인가?
- 스킬·도메인 지식·데이터 접근 지침 중 보완이 필요한 부분은 어디인가?
- 큐레이터 에이전트는 신고 내용과 실행 추적을 어떻게 검토해야 지식의 모순 누적을 줄일 수 있는가?