{
  "title": "컨텍스트 그래프란 정확히 무엇인가?",
  "excerpt": "컨텍스트 그래프를 둘러싼 논쟁이 폭발적으로 증가했지만, 이 용어 자체는 로르샤흐 테스트가 되어버렸습니다. 이것은 에이전트에 메모리를 추가하는 것이 아니라, 데이터, 시간, 그리고 조직 지식에 대한 우리의 가정을 재고하는 것입니다. \"두 시계 문제\"는 왜 우리가 기업 시스템에서 시간의 절반을 놓치고 있는지, 그리고 왜 이것이 근본적으로 데이터베이스 문제가 아닌 표현 문제인지를 보여줍니다.",
  "content_html": "<p>지난주, 저는 Jaya Gupta의 컨텍스트 그래프에 관한 바이럴 게시물 [1]에 대한 제 반응을 썼습니다. \"의사결정의 기록 시스템\"이라는 아이디어는 도구에서 기술로, 그리고 메모리로 이어지는 에이전틱 인프라의 진화를 프레임화하며 깊은 공감을 불러일으켰습니다. 하지만 그 이후 논의가 폭발적으로 증가했고, \"컨텍스트 그래프\"라는 용어 자체가 일종의 로르샤흐 테스트가 되었다는 것이 분명해졌습니다. 모든 사람이 다른 것을 보고 있습니다.</p>\n\n<p>PlayerZero의 창립자인 Animesh Koratana는 소음을 뚫고 컨텍스트 그래프가 실제로 무엇인지, 그리고 왜 구축하기가 구조적으로 어려운지에 대한 핵심을 파고드는 일련의 후속 게시물을 작성했습니다 [2] [3]. 그의 통찰력은 기업에서 에이전틱 AI를 구축하는 데 진지한 사람이라면 누구에게나 중요합니다. 이것은 \"에이전트에 메모리를 추가\"하거나 그래프 데이터베이스를 연결하는 것이 아닙니다. 이것은 데이터, 시간, 그리고 조직 지식의 본질에 대한 우리의 가정을 재고하는 것입니다.</p>\n\n<h2>두 시계 문제: 왜 우리는 시간의 절반을 놓치고 있는가</h2>\n\n<p>Koratana의 가장 강력한 통찰력은 그가 <strong>두 시계 문제</strong>라고 부르는 것입니다. 우리는 <strong>상태 시계</strong>, 즉 지금 무엇이 참인지를 위한 수조 달러 규모의 인프라를 구축했습니다. CRM은 최종 거래 금액을 저장합니다. 티켓팅 시스템은 \"해결됨\"을 저장합니다. 코드베이스는 현재 상태를 저장합니다.</p>\n\n<p>하지만 우리는 <strong>이벤트 시계</strong>, 즉 무엇이 일어났고, 어떤 순서로, 어떤 추론과 함께 일어났는지를 위한 인프라가 거의 없습니다. git blame은 타임아웃을 5초에서 30초로 <em>누가</em> 변경했는지 보여주지만, <em>왜</em>는 사라졌습니다. CRM은 \"실패로 종료\"라고 말하지만, 당신이 두 번째 선택이었고 승자가 다음 분기에 출시할 기능 하나를 가지고 있었다는 것은 말하지 않습니다. Koratana가 말했듯이:</p>\n\n<blockquote>\n<p>\"우리는 지금 무엇이 참인지를 위한 수조 달러 규모의 인프라를 구축했습니다. 왜 그것이 참이 되었는지에 대해서는 거의 아무것도 없습니다.\"</p>\n</blockquote>\n\n<p>이것이 문제의 핵심입니다. 우리는 에이전트에게 선례에 대한 접근 없이 판단을 행사하도록 요청하고 있습니다. 우리는 판례법 없이 판결만으로 변호사를 훈련시키고 있습니다. 컨텍스트 그래프는 이벤트 시계를 위한 인프라입니다. 그것은 기업의 판례법입니다.</p>\n\n<h2>다섯 가지 좌표계 문제: 왜 이것은 데이터베이스 문제가 아닌가</h2>\n\n<p>그렇다면 왜 더 나은 데이터베이스를 만들 수 없을까요? 컨텍스트 그래프는 공유 키가 없는 다섯 가지 다른 좌표계 간의 조인을 필요로 하기 때문입니다:</p>\n\n<ol>\n<li><strong>이벤트</strong>: 무엇이 일어났는가?</li>\n<li><strong>타임라인</strong>: 언제 일어났는가?</li>\n<li><strong>의미론</strong>: 무엇을 의미하는가?</li>\n<li><strong>귀속</strong>: 누가 소유했는가?</li>\n<li><strong>결과</strong>: 무엇을 초래했는가?</li>\n</ol>\n\n<p>이들 각각은 다른 기하학을 가지고 있습니다. 타임라인은 선형입니다. 이벤트는 순차적입니다. 의미론은 벡터 공간에 존재합니다. 귀속은 그래프 구조입니다. 결과는 인과적 DAG입니다. 그리고 키는 유동적입니다. 이메일의 \"Jaya Gupta\", 계약서의 \"J. Gupta\", Slack의 \"@JayaGup10\"은 공유 식별자 없이 동일한 엔티티입니다.</p>\n\n<p>전통적인 데이터베이스는 단일 좌표계 내에서 안정적인 키로 조인하기 위해 만들어졌습니다. 컨텍스트 그래프는 다섯 가지 모두를 동시에 확률적으로 조인해야 합니다. 이것은 데이터베이스 문제가 아니라 표현 문제입니다.</p>\n\n<h2>정보를 갖춘 탐색자로서의 에이전트: 표현 문제를 해결하는 방법</h2>\n\n<p>모든 조직의 온톨로지가 다르고 끊임없이 변화한다면, 어떻게 우리가 그것을 모델링할 수 있을까요? Koratana의 답은 우리가 할 필요가 없다는 것입니다. 에이전트가 우리를 위해 합니다.</p>\n\n<p>에이전트가 문제를 해결할 때, 그 궤적은 조직의 상태 공간을 통과하는 추적입니다. 그것은 사전에 명시되기보다는 사용을 통해 발견된 온톨로지의 암묵적 지도입니다. 이것이 그래프 표현 학습(node2vec)의 핵심 통찰력입니다: 그래프의 표현을 학습하기 위해 그 구조를 알 필요가 없습니다. 그냥 걸어 다니기만 하면 됩니다.</p>\n\n<p>에이전트는 <strong>정보를 갖춘 탐색자</strong>입니다. 그들의 궤적은 무작위가 아니라 문제 지향적입니다. 이러한 궤적을 충분히 축적함으로써, 우리는 조직의 구조를 인코딩하는 임베딩을 학습할 수 있습니다. 우리는 결코 상호작용하지 않는 두 엔지니어가 다른 하위 그래프에서 동일한 역할을 수행하기 때문에 구조적으로 동등하다는 것을 학습할 수 있습니다. 우리는 특정 이벤트 시퀀스가 명시적으로 연결되지 않았더라도 이탈의 전조라는 것을 학습할 수 있습니다.</p>\n\n<h2>이것이 빌더들에게 실제로 의미하는 것</h2>\n\n<p>그렇다면 컨텍스트 그래프는 정확히 무엇일까요? 그것은 그래프 데이터베이스가 아닙니다. 벡터 저장소가 아닙니다. 그것은 <strong>문제를 해결하는 에이전트의 궤적에서 파생된 조직 추론의 학습된 표현</strong>입니다.</p>\n\n<p>이것은 에이전틱 시스템을 구축하는 방법에 대한 깊은 의미를 가지고 있습니다:</p>\n\n<ol>\n<li><strong>에이전트는 컨텍스트 그래프를 구축하는 것이 아니라 해결할 가치가 있는 문제를 해결하고 있습니다.</strong> 컨텍스트 그래프는 그들의 작업의 창발적 속성입니다. 초점은 사전에 완벽한 온톨로지를 구축하는 것이 아니라 실제 워크플로우에 에이전트를 배포하는 것에 있어야 합니다.</li>\n<li><strong>가치는 상태가 아니라 궤적에 있습니다.</strong> 우리는 최종 상태를 저장하는 것에서 그 상태에 도달한 방법의 전체 재생 가능한 히스토리를 캡처하는 것으로 초점을 전환해야 합니다.</li>\n<li><strong>이것은 데이터 엔지니어링 문제가 아니라 머신러닝 문제입니다.</strong> 목표는 완벽한 데이터 모델을 구축하는 것이 아니라 추론에 유용한 표현을 학습하는 것입니다.</li>\n</ol>\n\n<p>컨텍스트 그래프를 구축하는 것은 새로운 소프트웨어를 구매하는 것이 아닙니다. 이것은 에이전틱 시대에 데이터, 시간, 그리고 작업의 본질에 대해 생각하는 방식의 근본적인 변화에 관한 것입니다. 우리가 가진 가장 가치 있는 자산은 데이터가 아니라 매일 내리는 결정의 축적된 지혜라는 것을 인식하는 것입니다. 그리고 마침내 그 지혜를 포착하고 활용하기 위한 인프라를 구축하는 것입니다.</p>\n\n<p><strong>참고문헌:</strong></p>\n\n<p>[1] <a href=\"https://x.com/JayaGup10/status/2003525933534179480\">Gupta, J. (2025, December 23). <em>AI's trillion-dollar opportunity: Context graphs</em>. X.</a></p>\n\n<p>[2] <a href=\"https://www.linkedin.com/pulse/why-context-graphs-rare-wild-animesh-koratana-3wzte/\">Koratana, A. (2026, January 1). <em>Why context graphs are rare in the wild</em>. LinkedIn.</a></p>\n\n<p>[3] <a href=\"https://www.linkedin.com/pulse/how-build-context-graph-animesh-koratana-6abve\">Koratana, A. (2025, December 28). <em>How to build a context graph</em>. LinkedIn.</a></p>",
  "source_hash": "sha256:c9f8cb57d671053bc8f97aa3c11eeb86305f270ab5994d742a815877626e63fb",
  "model": "claude-sonnet-4-5-20250929",
  "generated_at": "2026-01-02T02:10:34.286330+00:00"
}