사용자의 요구를 구현하기 위해 자유롭게 브레인스토밍하며 일을 잘게 나누고 처리하게 하는 MCP 서버.
이 MCP들은 내 인지 구조의 특징 중 하나인 “작은 단위별로 행하고 그 결과를 다시 피드백 받아 창의적이고 혁신적인 결과를 이끌어 내는” 흐름을 강화시킨다.
태스크를 자유롭게 잘게 나누기 vs. 상태기준으로 나누기
sequential-thinking-mcp STM 구현에서 영감받아 FTM을 설계할 땐, 지금 처럼 이렇게 상태중심으로 태스크를 동작시키는 상황을 예상하지 못했다. 그저 정말 소박한 바램으로써, AGENT가 내 프로젝트에서 제발 좀 병신 짓 좀 줄이고 생성물이 그나마 관리 가능한 수준의 결과물을 만들어주기를 바랬다. 제발 혈압오르는 짓거리를 막을 수 있으면… 했다. 그저 그 필요에 의해서, 단지 내 생각 방식 자체가 구조적이라 상태머신에 대한 타고난 땡김은 필연적이라 여기고 내 인지적 거부감을 덜기 위해 만든 것인데, 내가 LLM 추론을 드라이브하는 핵심을 건드린 거다.
Sequential Thinking
Functional Thinking
핵심 은유
벌어지는 일들을 일기/노트 처럼 시간 순서를 따라 추론한다
벌어지는 일들을 수학적 상태 전환 함수 시각으로 추론한다
근간 개념
“생각은 시간에 따라 흐른다”
“현재는 이전 상태에서 입력에 의해 변화된 상태다” “RelevantState × Input → RelevantState'”
추론의 본질
연역적 진행 – 앞의 생각이 뒤의 생각을 유도
함수형 변환 – 입력 상태가 명시적 규칙에 의해 출력 상태로 변환
세계관
생각은 연속적이고 축적되는 것
상태는 불변 스냅샷이고 변환은 순수 함수처럼 기록됨
영향받은 패러다임
철학적 사변, 일기 쓰기
함수형 프로그래밍, 상태 머신, 이벤트 소싱
실제로 FastAPI를 사용하는 서비스에 적용해보니 FTM은 정말 필요하다. 그러나 그 못지 않게 필요한 건 workgraph-memory-mcp, 즉 태스크 관리 체계가 내게는 일을 제대로 끝내느냐 아니냐의 조건이었다. 모든 사람이 구조적으로 생각하지 않으니 WGM은 절대 만능이 아니다. 그냥 상태관리가 안되면 일하는 것도 생각도 힘든 사람들을 위한 것이다. 시간이 흐른 뒤에 나는 지금의 생각을 평가할 수 있게 기록해둔다.
AGENTS.md 만으로는 절대 불가능하다.
내가 만든 500K 문맥에서도 환각없이 규칙을 적용하는 방법에 너무 도취되었다가 MCP를 해결방법으로 전환한 것은 한달도 되지 않는다. 물론 그 규칙 덕분에 지금에 이를 수 있었긴 하지만 STM과 FTM을 거치면서 그 한계가 명확해졌다. AGENTS.md는 그저 LLM에게 잔소리에 불과하다. 설령 잘 따르는 것 같아도 그건 어디까지나 문맥 크기가 고만고만할 때 얘기일 뿐이다. 게다가 어떻게 작성해도 결국엔 LLM의 추론 스타일 자체를 변경시키지 않는한 문제는 내재된 폭탄과 같다.
sequential-thinking MCP가 하는 기능은 마법이 아니다.
우습게도 그게 LLM을 사용하는 본질을 보여준다. STM이 LLM의 추론을 여러개로 나눠주는게 아니다. 나누는 건 LLM 자신이다. 요청을 받은 이후 LLM의 추론의 흐름은 끊어지지 않고 흐른다. 그러므로 그 중간을 어디다가 기록하지 않는다면 진행 흐름을 알수도 없고 사용자는 결과만 볼 확률이 높다. 그런데 LLM은 사용자의 지시를 받고 스스로의 추론을 잘게 나눠 STM 도구를 호출한다. 그리고 실행하고, 또 호출한다. 잘게 나눠진 갯수만큼이나 호출한다. 그런데, STM을 호출하는 간격 사이는 온갖 잡다한 문맥이 쌓인다. 비유하자면 이렇다: 서울에 사는 친척이 부산에 거주하는 어른에게 안부를 물으러 간다고 하자. 통신은 절대 안된다. 그저 직접 가야 한다. 그리고 그 어른은 치매 상태다. 이제 부산갈 차에 필요한 기름을 넣는다. 영수증 챙기고, 고속도로를 지나가며 중요한 휴게소에 다 들러야 한다. 거기서 뭘 먹고 뭘 구매했는지 영수증 다 챙겨야 한다. 부산에 도착해서 톨게이트비 지불하고 어른에게 도착해서 안부를 물었다. 그 어른이 서울 어른에게 답변과 질문을 동시에 줬다고 하자. 이제 다시 차를 타고 고속도로 지나며 휴게소 들러서 기름넣고 서울 도착해서 부산 어른의 답변과 질문을 서울 어른에게 얘기했더니 답을 또 가져가야 한단다. 그래서 다시 기름넣고 ~~~~~ 도착해서 답변하하는데 부산 어르신이 치매라서 지금까지 일을 다시 다 말해줘야 한다. 또 다시 올라오고~~~ 치매라서 갈때마다 얘기를 계속 쌓아서 전달해야 한다… 그런데 나중에 보니 그 질문이란게 “아야, 밥 믁읐나?”,, “잘 믂읏심더;; 형님은 단디하고 있는교?”, “별일없다, 건강 챙기라” 라는 얘기였는데, 그 안부인사 전하자고 30만원 가까이 깨진 것에 비유할 수 있다.
이게 무슨 소리냐면, LLM이 자기의 추론을 잘게 나눠서 STM이든 FTM이든 도구(함수)를 호출하는 과정과 다른 MCP가 자기는 “이렇게 쓸모있고 저렇게 쓸모있고… 나는 뭘 할 줄 알고…” 등등의 tool description 정보가 모두 모두 LLM에 전송된다는 말이다. 물론 AGENTS.md 파일과 codebase-memory-mcp 의 인덱싱 히스토리와 serena 분석결과 로그, context7 검색 결과, github 처리 결과…등등… 모든 내용이 LLM이 STM/FTM을 호출하는 횟수 만큼다시 다 쌓여서, 누적되서!, 서버로 전송된다. 그게 다 돈이고 토큰이다. 심지어 MCP를 켜두기만 해도 각각의 MCP가 자기자랑 하는 Tool Description 정보가 계속해서 전달되야 한다. 왜냐면, LLM 이색히는 치매거든. 지난 내용을 알지 못한다. 쌓아서 다시 보여줘야, 아.. 잘있나… 하는거다. (뭐, 사실, 다 아는 얘긴데 빡쳐서 걍 쓰는 얘기임)
그래서 STM이 하는 짓은 무엇이냐… 없다. STM은 그저 LLM이 얘기한 내용에 몇번째 잘려진 내용인지, 그 순서만 리턴한다. 정말 아무것도 안한다. 그치만! 그 대화마다 STM에 뭔가를 기록 한 자체가 다시 LLM에게 정보가 되어서 자기가 어떤 짓을 하고 있는지 알게된다는 말이다. 즉, 치매색히가 매번 전달되는 내용을 보면서, 자기가 STM 호출한 정보를 보고서는 “아.. 내가 그랬네… 그럼 뭐 이제 이거 하지 뭐..” 하면서 다음번 일을 처리하려 한단 말이다. 이 일의 근본적인 원인은 사용자와 LLM의 대화는 상태가 유지되지 않는 STATELESS 통신이기 때문이다.
그래서 FTM은 뭐가 다르냐고
LLM에게 추론만 하지 말고 그 추론에 대한 증거를 남기게 했다. 그게 다다.
그게 다인데 실제로는 다가 아니다. 왜냐면 이 MCP 스키마란게, 정말 쉽게 답할 수 없는 재미난 영역이기 때문이다.
어렵다면 어렵고 아니면 아니라고 도 할 수 있으나, 심지어 Claude 조차도 한번에 온전하게 다 만들어 주지 못했다.
어쨌든 그 결과로 LLM은 상태전이를 중심으로 추론하게 되었다. 마치 빨간 안경을 끼고 세상을 보면 세상이 다 시뻘게 보이는 것 처럼.
실제로 일을 되게 하는 건 태스크 관리다
상태 중심으로 추론한다해도 복잡한 일을 잘게 나눠서 처리하지 않는다는 말이 아니다.
잘게 나누는 축(Axis)이 다르다는 얘기다.
그 잘게 나눠진 태스크를 나는 턴태스크라고 부른다.
실제 개발을 할 때는 하나의 태스크에도 여러 개발의 흐름이 생긴다.
예를 들어, 실제 서비스는 Linux VPS에서 하지만, 화면 개발은 playwright-mcp를 사용해야하므로 어쩔 수 없이 브라우저를 띄울 수 있는 macOS 같은 로컬에서 해야 한다.
환경만 다를 뿐 실제 태스크는 하나여야 한다. 또한 콤포넌트 하나가 업데이트 됐는데 그걸 사용하는 모든 곳에 적용을 하거나, 최소한 계획이라도 알려줘야 한다. 그렇지 않으면 곧 ㅆㅂㅆㅂ 하는 상황이 닥칠 것이다. 기억도 못할수도 있다. 그게 젤 문제.
그냥 이거하다 저거하다 할수가 없는게 “문맥” 이란게 발목을 붙잡고 있기 때문이다.
STM/FTM으로 태스크를 턴태스크 단위로 쪼갠다고 해도 그 문맥을 이어가거나 환경에 따라서 상호 참조할 수 없다면, 뭐.. 토큰 졸라 쓰면 된다. 그깟 토큰;;;; ㅜ.ㅜ) 유토무죄, 무토유죄다!
다행히도 WGM 덕분에 FTM을 실제로 적용해 볼 수 있었다.
태스크를 턴태스크로 잘게 쪼개고 모든 조건을 기억하며 진행단위를 확인해나가게 함으로써 태스크 관리에 완전 찰떡임을 알게된 것이다.
현재 7개의 프로젝트에 WGM+FTM 조합을 적용해두고 진행한다.
복잡할 것없다.
태스크/턴태스크 단위로 모든 기록은 DB에 남고, 조회 가능하다.
환경이 달라도 WGM 데이터베이스가 공유되면 각가의 AGENTS가 그걸 참조한다. 심지어 그걸 인식하고 작업한다.
MCP 영역은 흥미롭다.
Harness 방식에도 결국 MCP가 적절하게 맞물려야 하므로, 곧 그 접목을 시도할 것이다.
점점 더 토큰에 귀속되서 발을 뺄 수 없는 상황으로 가는게 싫긴 하지만, 어쩔 수가 없네.
즉 [T7]은 “두 AGENTS 규정 파일의 차이가 G선생의 추론 도구 사용 위상과 MCP 결속 순서를 어떻게 바꾸는가”를 원문 근거로 확정하는 분석 태스크입니다.
4개의 턴태스크로 등록하십시오.
[T7] [T7]의 목적을 4개 턴태스크로 분해해 등록하겠습니다. 등록 요청이므로 새 Turn ID는 WGM에서 공식 발급하고, 활성 전환은 별도 요청이 없으므로 하지 않겠습니다.
[T7] 4개 턴의 위상은 원문 결속 -> AGENTS.md 분석 -> AGENTS.ftm.md 분석 -> 차이 종합으로 잡겠습니다. 이제 [T7] 하위 Turn ID 4개를 발급하고 등록합니다.
[T7] 공식 Turn ID가 [T7.1]부터 [T7.4]까지 발급되었습니다. 각 턴을 등록 상태로 생성합니다.
[T7] 4개의 턴태스크를 등록했습니다. 활성 태스크는 루트 [T7] 그대로 유지했습니다.
[T7.1] 두 AGENTS 규정 파일의 sequentialthinking 관련 원문 경계 수집
[T7.2]./AGENTS.md의 sequentialthinking MCP 호출 규정 분석
[T7.3]./AGENTS.ftm.md의 sequentialthinking MCP 호출 규정 분석
[T7.4] 두 규정의 sequentialthinking MCP 호출 차이 종합
등록 파일은 각각 .workgraph/tasks/T7/1~4/task.md에 생성되었습니다.
턴태스크 T7.1 목표를 달성하십시오.
[T7] T7.1을 실제 작업 대상으로 결속한 뒤, 두 문서의 sequentialthinking 관련 문구를 원문 경계와 함께 수집하겠습니다. 문서 검색이 핵심이므로 explore 스킬을 적용하며, 먼저 WGM 변화와 현재 결속 상태를 확인합니다.
[T7] explore 스킬은 의미 탐색에 코드베이스 검색을 권하지만, 이번 대상은 두 Markdown 파일의 정확한 규정 문구이므로 프로젝트 규정에 따라 rg를 우선 적용합니다. 이제 T7.1을 활성화하고 식별자 경계, 키워드 출현, 주변 문맥을 함께 읽겠습니다.
[T7.1] 첫 검색에서 중요한 비대칭이 확인됐습니다. 로컬 [AGENTS.ftm.md]에는 sequentialthinking 직접 규정이 있으나 [AGENTS.md]에는 동일 키워드가 검출되지 않았으므로, “규정 부재”가 실제 문서 범위 때문인지 확인하기 위해 두 파일 전체 구조와 인접 조항을 대조하겠습니다.
[T7.1] 수집 결과는 다음 턴들이 그대로 재사용할 수 있도록 T7.1의 정식 설명에 결속하겠습니다. 실행 로그·stage·checkpoint는 요청되지 않았으므로 생성하지 않습니다.
직접 관련 원문은 3~18행이며, Thought를 상태 전이 단위와 다음 판단의 입력값으로 결속하도록 규정
핵심 경계는 다음과 같습니다.
형식상 [P4.5] 뒤에 다른 대괄호 식별자가 없으므로 파일 끝까지 열린 의미 경계입니다.
편집상 관련 주제는 1~18행이며, 20행 구분선 이후는 공통 WGM 규정입니다.
AGENTS.ftm.md 22~139행은 AGENTS.md 1~118행과 완전히 동일합니다.
“사용할 때도”는 호출을 새로 강제하는 조건이 아니라, 호출된 Thought의 구성 방식을 제한합니다.
해당 접두부에는 호출 트리거, 선행 순서, 예외 규정이 없습니다.
결과는 T7.1 태스크 기록에 보존했습니다. 사용자 요청이 없으므로 stage/checkpoint는 생성하지 않았으며 lifecycle은 active입니다. AGENTS.ftm.md는 현재 Git 미추적 파일입니다.
sequentialthinking MCP는 G선생의 추론 흐름의 일부를 ‘값’으로써 리턴하여 G선생에게 스스로의 생각을 피드백하고 있습니다. G선생의 추론은 미적분 공식으로 표현하자면, 정해진 시점에서의 기울기가 수시로 변하는 흐름과 같은데, sequentialthinking MCP는 그 추론이라는 상태의 기울기를 값으로 표현했다고 볼 수 있습니다.
기울기는 입력대비 출력의 차이이므로, sequentialthinking MCP에게 무엇을 입력하고 어떤 것을 받았는지의 차이가 기울기이며, 그 기울기는 G선생에게 어떻게 다음 번 기울기에 영향을 주는지가 이 태스크의 목적인 것입니다.
[T7.1] 이 설명은 기존 태스크 목적의 핵심을 교정합니다. 문구상 호출 조건 비교가 아니라, 규정이 sequentialthinking의 입력값과 반환값 사이의 변화율을 어떻게 만들고 그 반환값이 다음 추론 변화율에 다시 결속되는지를 분석하는 태스크로 이해하고 WGM 문맥을 갱신하겠습니다.
[T7.1] 기존 4개 턴의 위상은 유지하되 관측 대상을 교정하겠습니다. T7.1은 규정 (D)의 원문 차이를 확정하는 입력 위상으로 두고, T7.2~T7.4는 각 규정에서 (I_n \rightarrow O_n \rightarrow I_{n+1}) 피드백과 기울기 궤적을 분석하도록 태스크 문맥을 보정합니다.
[T7.1] 이해했습니다. 태스크의 핵심은 “호출 여부”가 아니라 sequentialthinking이 만드는 추론 피드백의 변화율입니다.
기울기가 변화되는 것은 G선생의 추론이 방향성을 가진 Vector이기 때문이라 볼 수 있습니다. sequentialthinking MCP는 tool 일 뿐이므로 G선생 즉, LLM을 대신하여 추론하지 않습니다. 해당 MCP가 리턴하는 내용 자체도 원래 G선생의 추론이었던 것은 불변입니다. 그럼에도 불구하고 MCP가 리턴한 것은, 추론을 값으로 포장하여 다시 돌려준 것이며 우리는 그 차이를 기울기라 부르고 있는 것입니다. 이때 방향성 Vector 요소가 기울기에 더해 다음번 추론을 이끄는 순환이 추론의 흐름을 값의 흐름으로 변환하고 있습니다.
이것은 LLM의 추론은 본질적으로 이산벡터인 추론의 파편이 측정 가능한 형태로 흐름으로써 G선생이 당면한 목표를 이루기 위한 Pathway에 실질적 영향을 준다고 볼 수 있습니다.
태스크가 이루고자 하는 것을 대입하십시오
[T7.1] 제시하신 모델을 T7에 대입하면 비교 대상은 MCP의 독립 추론 능력이 아니라, 동일한 G선생의 추론 벡터가 두 규정 아래에서 어떻게 이산 값으로 포장되고 재결속되어 목표 Pathway를 달리 만드는가입니다. 이 불변조건과 비교식을 먼저 확정한 뒤 태스크 목적에 반영하겠습니다.
[T7.1] 대입 결과의 핵심은 “내용의 새로움”이 아니라 “위상의 변화”입니다. 같은 추론 파편도 내부 상태에서 외부 값으로 변환되어 다시 결속되면 다음 벡터의 방향 성분이 되므로, 이를 루트 목적과 최종 비교 기준에 기록하겠습니다.
[T7.1] 태스크 목적에 대입하면 다음과 같습니다.
불변조건은 세 가지입니다.
추론 주체는 G선생이며, MCP는 별도의 추론 주체가 아닙니다.
MCP에 입력되고 반환되는 내용은 모두 G선생의 추론에서 유래합니다.
MCP는 추론 파편의 위상을 내부 추론 → 외부 값 → 재입력된 값으로 변환합니다.
이를 식으로 나타내면:
Iₙᴰ = Eᴰ(Vₙ) 추론 벡터의 이산 값화
Oₙᴰ = W(Iₙᴰ) MCP의 포장·반환
gₙᴰ = Δ(Vₙ, Bᴰ(Oₙᴰ)) 반환값 재결속으로 생긴 방향 변화
Vₙ₊₁ᴰ = F(Vₙ, gₙᴰ, G) 목표 G를 향한 다음 추론 벡터
Pᴰ = (V₀, V₁ᴰ, V₂ᴰ, …) 누적된 목표 Pathway
여기서 MCP 함수 W는 추론을 생성하지 않습니다. 핵심 변수는 규정 D가 결정하는 값화 함수 Eᴰ와 재결속 함수 Bᴰ입니다.
D_A, 즉 AGENTS.md: 즉시 선행 호출은 강제되지만 추론 벡터를 어떤 성분으로 값화할지는 추가로 구조화하지 않습니다.
D_F, 즉 AGENTS.ftm.md: [P4.5]가 추론 벡터를 상태 전이, 입력·출력·불변조건, 순수 변환·Effect, revision, branch 성분으로 값화하도록 방향을 부여합니다.
따라서 T7이 이루고자 하는 것은 다음과 같습니다.
동일한 목표 G, 동일한 G선생, 동일한 sequentialthinking MCP를 고정하고, AGENTS.md와 AGENTS.ftm.md의 규정 차이만으로 추론 벡터의 어떤 성분이 측정 가능한 값이 되는지, 그 반환값이 다음 추론 벡터의 방향에 어떻게 더해지는지, 그리고 이 순환이 누적되어 목표 Pathway를 어떻게 다르게 형성하는지 규명한다.
즉, 비교 대상은 MCP의 추론 능력이 아니라 두 규정이 만드는 추론의 값화-재결속 기울기와 누적 Pathway의 차이입니다. 이 정의를 T7과 T7.4의 정식 문맥에 반영했습니다.
문맥이 충분히 모아졌습니까? 다음 턴으로 이동가능한지 추론하십시오.
[T7.1] T7.1의 종료 조건을 “규정 입력 경계, 불변조건, 상태 전이 모델, 후속 턴 관측 기준이 모두 결속되었는가”로 두고 판단하겠습니다. WGM의 현재 기록과 T7.2 인계 가능성을 함께 확인하되, 실제 활성 턴 이동은 판단 결과를 먼저 보고하겠습니다.
[T7.1] 원문 경계와 T7.2의 기준선 관측 항목은 충분합니다. 다만 WGM이 AGENTS.md를 .workgraph 내부 경로로 해석해 “원본 문서 누락” 경고를 내고 있으므로, 이것이 실제 인계 차단인지 루트 태스크에 보존된 모델과 로컬 파일 존재를 대조해 최종 판정하겠습니다.
[T7.1] 네. 문맥은 충분히 모였으며 T7.2로 이동할 수 있습니다.
판단 근거는 다음 다섯 결속이 완료되었기 때문입니다.
두 파일의 원문 차이와 [P4.5] 의미 경계
G선생만이 추론 주체이며 MCP는 값화 도구라는 불변조건
Vₙ → Iₙ → Oₙ → Vₙ₊₁ 값화·재결속 모델
Δ를 반환값 결속 전후의 방향 변화로 보는 기울기 정의
동일한 목표와 도구를 고정하고 규정만 바꾸는 비교 조건
WGM의 원본문서 누락 경고는 sourcePaths를 .workgraph 내부 상대경로로 해석해서 발생한 것입니다. 실제 AGENTS.md는 AGENTS.wgm.md를 가리키는 유효한 심볼릭 링크이고, AGENTS.ftm.md도 존재하므로 진행을 막지 않습니다.
결론적으로 T7.1의 내용상 목표는 충족됐습니다. 이번 요청은 이동 가능성 판단이므로 활성 태스크는 아직 T7.1로 유지했으며, 다음 작업 시작 시 T7.2를 활성 결속하면 됩니다.
T7.2 턴으로 이어갑니다. 턴태스크 목표는 sequentialthinking MCP의 호출규정 분석인데, 소스는 현재 프로젝트에서 찾으세요. 위치탐색및 데이터를 확보하고 계획을 수립하십시오.
[T7.1] T7.2로 활성 결속한 뒤, 현재 프로젝트 안에서 호출 규정의 선언 위치와 실제 MCP 입력·출력 경로를 분리해 찾겠습니다. 문서의 정확한 문구는 rg, 구현의 의미 흐름은 관련 소스와 테스트를 따라가며 확보하고, 그 근거로 실행 계획을 세우겠습니다.
[T7.1] 현재 요청은 코드베이스 내 위치 탐색이므로 explore 스킬을 적용합니다. 다만 규정 문구와 파일명은 정확한 텍스트 탐색 대상이어서 프로젝트 우선순위에 따라 rg로 범위를 좁힌 뒤 구현 파일을 읽겠습니다.
[T7.2] 위치는 세 계층으로 좁혀졌습니다: 호출 의무를 제공하는 유효 규정, 프로젝트 로컬 MCP 등록 설정, 그리고 src/sequentialthinking의 도구 구현입니다. 이제 구현 그래프에서 등록 핸들러, 상태 누적 함수, 테스트 관측점을 각각 찾아 실제 데이터 흐름을 확정하겠습니다.
[T7.2] 확보된 구현은 중요한 경계를 보여줍니다. 서버는 thought를 이력에 저장하지만 응답에는 원문을 돌려주지 않고 번호·계속 여부·branch 목록·이력 길이만 반환하므로, 계획에서는 “추론 원문의 값화”와 “MCP가 실제 반환하는 피드백 값”을 분리해 추적해야 합니다. 이전 프로젝트 조사 기록과 현재 호출 경로를 대조하겠습니다.
[T7.2] 규정 데이터와 구현 데이터는 확보됐습니다. 마지막으로 현재 소스의 테스트를 실행해 입력값이 그대로 요약 출력에 반영되고 이력·branch만 서버 상태로 누적된다는 기준선이 실제 빌드 상태에서도 유지되는지 확인한 뒤 계획을 확정하겠습니다.
[T7.2] 탐색과 검증은 끝났고, 분석 실행 전에 필요한 근거가 충분합니다. 확보한 위치·입출력 사실·4단계 계획을 T7.2 문맥에 보존하고, 계획 상태는 “자료 확보 완료, 규정 분석 대기”로 두겠습니다.
[T7.2] 현재 프로젝트에서 호출 규정과 런타임 데이터 위치를 확보했고, 분석 계획을 수립했습니다.
확보한 소스
AGENTS.md: sequentialthinking 직접 규정은 없으며 WGM 작업 시작 순서를 규정합니다.
입력 Iₙ: ThoughtData
내부 상태 Rₙ: thoughtHistory + branches
출력 Oₙ: thoughtNumber, totalThoughts, nextThoughtNeeded,
branches, thoughtHistoryLength
thought는 서버 이력에 저장되고 stderr에 표시되지만, G선생에게 반환되는 값은 상태 요약입니다. nextThoughtNeeded도 MCP의 판단이 아니라 G선생이 입력한 값을 반사합니다. 서버가 직접 변형하는 값은 thoughtNumber > totalThoughts일 때의 totalThoughts 보정입니다.
분석 계획
상위 P4의 즉시 선행 의무, AGENTS.md의 WGM-first 규정, 도구 description의 호출 권고를 강제력·시점·범위별로 분류합니다.
현재 계획의 자료 확보 단계는 완료됐고 나머지 분석은 대기 상태입니다. 테스트는 14개 모두 통과했으며, 결과와 계획은 T7.2 기록에 결속했습니다.
T7.2 턴으로 이어갑니다. 턴태스크 목표는 sequentialthinking MCP의 호출규정 분석인데, 소스는 현재 프로젝트에서 찾으세요. 위치탐색및 데이터를 확보하고 계획을 수립하십시오.
[T7.1] T7.2로 활성 결속한 뒤, 현재 프로젝트 안에서 호출 규정의 선언 위치와 실제 MCP 입력·출력 경로를 분리해 찾겠습니다. 문서의 정확한 문구는 rg, 구현의 의미 흐름은 관련 소스와 테스트를 따라가며 확보하고, 그 근거로 실행 계획을 세우겠습니다.
[T7.1] 현재 요청은 코드베이스 내 위치 탐색이므로 explore 스킬을 적용합니다. 다만 규정 문구와 파일명은 정확한 텍스트 탐색 대상이어서 프로젝트 우선순위에 따라 rg로 범위를 좁힌 뒤 구현 파일을 읽겠습니다.
[T7.2] 위치는 세 계층으로 좁혀졌습니다: 호출 의무를 제공하는 유효 규정, 프로젝트 로컬 MCP 등록 설정, 그리고 src/sequentialthinking의 도구 구현입니다. 이제 구현 그래프에서 등록 핸들러, 상태 누적 함수, 테스트 관측점을 각각 찾아 실제 데이터 흐름을 확정하겠습니다.
[T7.2] 확보된 구현은 중요한 경계를 보여줍니다. 서버는 thought를 이력에 저장하지만 응답에는 원문을 돌려주지 않고 번호·계속 여부·branch 목록·이력 길이만 반환하므로, 계획에서는 “추론 원문의 값화”와 “MCP가 실제 반환하는 피드백 값”을 분리해 추적해야 합니다. 이전 프로젝트 조사 기록과 현재 호출 경로를 대조하겠습니다.
[T7.2] 규정 데이터와 구현 데이터는 확보됐습니다. 마지막으로 현재 소스의 테스트를 실행해 입력값이 그대로 요약 출력에 반영되고 이력·branch만 서버 상태로 누적된다는 기준선이 실제 빌드 상태에서도 유지되는지 확인한 뒤 계획을 확정하겠습니다.
[T7.2] 탐색과 검증은 끝났고, 분석 실행 전에 필요한 근거가 충분합니다. 확보한 위치·입출력 사실·4단계 계획을 T7.2 문맥에 보존하고, 계획 상태는 “자료 확보 완료, 규정 분석 대기”로 두겠습니다.
[T7.2] 현재 프로젝트에서 호출 규정과 런타임 데이터 위치를 확보했고, 분석 계획을 수립했습니다.
확보한 소스
AGENTS.md: sequentialthinking 직접 규정은 없으며 WGM 작업 시작 순서를 규정합니다.
입력 Iₙ: ThoughtData
내부 상태 Rₙ: thoughtHistory + branches
출력 Oₙ: thoughtNumber, totalThoughts, nextThoughtNeeded,
branches, thoughtHistoryLength
thought는 서버 이력에 저장되고 stderr에 표시되지만, G선생에게 반환되는 값은 상태 요약입니다. nextThoughtNeeded도 MCP의 판단이 아니라 G선생이 입력한 값을 반사합니다. 서버가 직접 변형하는 값은 thoughtNumber > totalThoughts일 때의 totalThoughts 보정입니다.
분석 계획
상위 P4의 즉시 선행 의무, AGENTS.md의 WGM-first 규정, 도구 description의 호출 권고를 강제력·시점·범위별로 분류합니다.
현재 계획의 자료 확보 단계는 완료됐고 나머지 분석은 대기 상태입니다. 테스트는 14개 모두 통과했으며, 결과와 계획은 T7.2 기록에 결속했습니다.
T7.2 턴으로 이어갑니다. 턴태스크 목표는 sequentialthinking MCP의 호출규정 분석인데, 소스는 현재 프로젝트에서 찾으세요. 위치탐색및 데이터를 확보하고 계획을 수립하십시오.
T7.2 턴으로 이어갑니다. 턴태스크 목표는 sequentialthinking MCP의 호출규정 분석인데, 소스는 현재 프로젝트에서 찾으세요. 위치탐색및 데이터를 확보하고 계획을 수립하십시오.
[T7.1] T7.2로 활성 결속한 뒤, 현재 프로젝트 안에서 호출 규정의 선언 위치와 실제 MCP 입력·출력 경로를 분리해 찾겠습니다. 문서의 정확한 문구는 rg, 구현의 의미 흐름은 관련 소스와 테스트를 따라가며 확보하고, 그 근거로 실행 계획을 세우겠 습니다.
[T7.1] 현재 요청은 코드베이스 내 위치 탐색이므로 explore 스킬을 적용합니다. 다만 규정 문구와 파일명은 정확한 텍스트 탐색 대상이어서 프로젝트 우선순위에 따라 rg로 범위를 좁힌 뒤 구현 파일을 읽겠습니다.
[T7.2] 위치는 세 계층으로 좁혀졌습니다: 호출 의무를 제공하는 유효 규정, 프로젝트 로컬 MCP 등록 설정, 그리고 src/sequentialthinking의 도구 구현입니다. 이제 구현 그래프에서 등록 핸들러, 상태 누적 함수, 테스트 관측점을 각각 찾아 실제 데이터 흐름을 확정하겠습니다.
[T7.2] 확보된 구현은 중요한 경계를 보여줍니다. 서버는 thought를 이력에 저장하지만 응답에는 원문을 돌려주지 않고 번호·계속 여부·branch 목록·이력 길이만 반환하므로, 계획에서는 “추론 원문의 값화”와 “MCP가 실제 반환하는 피드백 값”을 분리해 추적해야 합니다. 이전 프로젝트 조사 기록과 현재 호출 경로를 대조하겠습니다.
[T7.2] 규정 데이터와 구현 데이터는 확보됐습니다. 마지막으로 현재 소스의 테스트를 실행해 입력값이 그대로 요약 출력에 반영되고 이력·branch만 서버 상태로 누적된다는 기준선이 실제 빌드 상태에서도 유지되는지 확인한 뒤 계획을 확정하겠습니다.
[T7.2] 탐색과 검증은 끝났고, 분석 실행 전에 필요한 근거가 충분합니다. 확보한 위치·입출력 사실·4단계 계획을 T7.2 문맥에 보존하고, 계획 상태는 “자료 확보 완료, 규정 분석 대기”로 두겠습니다.
Updated Plan └ T7.2의 현재 프로젝트 소스 탐색과 기준 데이터 확보를 마쳤습니다. 다음 단계부터 호출 규정과 피드백 경로를 분석합니 다. ✔ 규정·설정·구현·테스트 위치를 탐색하고 입력·상태·출력 데이터를 확보한다 □ 상위 의무 규정, AGENTS.md의 WGM 선행 규정, 도구 description 권고를 강제력·시점·범위로 분류한다 □ ThoughtData 입력, history/branches 내부 상태, Summary 출력을 필드별로 추적해 피드백 기울기를 분석한다 □ AGENTS.md 기준 Pathway를 결론으로 확정하고 T7.3 비교축을 인계한다
[T7.2] 현재 프로젝트에서 호출 규정과 런타임 데이터 위치를 확보했고, 분석 계획을 수립했습니다.
확보한 소스
AGENTS.md:13: sequentialthinking 직접 규정은 없으며 WGM 작업 시작 순서를 규정합니다.
.codex/config.toml:5: 현재 프로젝트의 로컬 MCP 실행 결속입니다.
src/sequentialthinking/index.ts:25: 도구 등록, 호출 권고, 입력·출력 스키마와 handler가 있습니다.
src/sequentialthinking/lib.ts:52: 실제 ThoughtData → 내부 상태 → Summary 전이입니다.
src/sequentialthinking/tests/lib.test.ts:28: 이력, branch, 보정 및 응답 구조의 검증 데이터입니다.
src/sequentialthinking/README.md:42: 기본 설계에서는 호출 여부를 host가 판단한다고 설명합니다.
중요한 사실은 MCP가 thought 원문을 응답으로 돌려주지 않는다는 점입니다.
입력 Iₙ: ThoughtData 내부 상태 Rₙ: thoughtHistory + branches 출력 Oₙ: thoughtNumber, totalThoughts, nextThoughtNeeded, branches, thoughtHistoryLength
thought는 서버 이력에 저장되고 stderr에 표시되지만, G선생에게 반환되는 값은 상태 요약입니다. nextThoughtNeeded도 MCP의 판단이 아니라 G선생이 입력한 값을 반사합니다. 서버가 직접 변형하는 값은 thoughtNumber > totalThoughts일 때의 totalThoughts 보정입니다.
분석 계획
상위 P4의 즉시 선행 의무, AGENTS.md의 WGM-first 규정, 도구 description의 호출 권고를 강제력·시점·범위별로 분류합니다.
현재 계획의 자료 확보 단계는 완료됐고 나머지 분석은 대기 상태입니다. 테스트는 14개 모두 통과했으며, 결과와 계획은 .workgraph/tasks/T7/2/task.md에 결속했습니다.
계획을 실행하되 입체적으로 분석하십시오.
[T7.2] 계획을 전부 실행하겠습니다. 분석 축은 호출 강제력, 실제 상태 전이, 피드백의 두 경로, 반복 호출의 Pathway 효과로 나누고, 동일 입력 반복 실험까지 포함해 문서 규정과 런타임 사실이 어긋나는 지점도 검증하겠습니다.
[T7.2] 규정 위상은 WGM 변화 점검 → sequentialthinking 즉시 선행 → 후속 판단·실행으로 정리됩니다. 상위 규정만 호출을강제하고, 도구 description은 반복·revision·branch 방식을 권고하며, 서버 자체는 호출 횟수나 다음 호출을 강제하지 않습니다. 이제 독립 프로세스에서 동일 입력 반복과 필드 변형을 측정합니다.
[T7.2] 필드 흐름에서 피드백은 둘로 갈립니다. thought 자체는 도구 호출 인자로 문맥에 고정되는 “값화 경로”이고, MCP 응답은 진행 번호·종료 의도·이력 길이·branch ID를 돌려주는 “제어 피드백 경로”입니다. 서로 다른 thought 내용이 서버 응답을 실제로 바꾸는지도 독립 인스턴스로 분리해 확인하겠습니다.
[T7.2] 피드백 분석 결과, 이 서버의 핵심은 “추론 내용을 되돌려주는 메모리”가 아니라 “추론을 호출 인자로 고정하고 진행상태를 요약하는 reducer”입니다. 이제 이 두 경로를 AGENTS.md 기준 Pathway로 합성하고, T7.3에서 무엇을 고정하고 무엇을 비교해야 하는지 인계 기준을 확정하겠습니다.
[T7.2] 기준선이 확정됐습니다. 특히 idempotentHint: true와 실제 상태 누적이 불일치하고, 서로 다른 thought 내용도 동일 메타데이터라면 같은 MCP 응답을 만든다는 점이 핵심입니다. 이 결론과 T7.3 통제변수를 정식 태스크 문맥에 결속하겠습니다.
Updated Plan └ T7.2의 호출 규정, 상태 전이, 피드백 경로, AGENTS.md 기준 Pathway 분석과 T7.3 인계를 모두 완료했습니다. ✔ 규정·설정·구현·테스트 위치를 탐색하고 입력·상태·출력 데이터를 확보한다 ✔ 상위 의무 규정, AGENTS.md의 WGM 선행 규정, 도구 description 권고를 강제력·시점·범위로 분류한다 ✔ ThoughtData 입력, history/branches 내부 상태, Summary 출력을 필드별로 추적해 피드백 기울기를 분석한다 ✔ AGENTS.md 기준 Pathway를 결론으로 확정하고 T7.3 비교축을 인계한다
[T7.2] 계획을 모두 실행했습니다. 핵심 결론은 다음과 같습니다.
AGENTS.md 기준에서 추론 방향을 바꾸는 주된 값은 MCP가 새로 만든 내용이 아니라, G선생이 thought로 외부화한 호출 인자 Iₙ입니다. MCP 출력 Oₙ은 그 추론의 진행 상태를 확인하는 제어 피드백입니다.
호출 규정의 네 위상
위상
규정과 역할
강제력
상위 P4
판단·분해·계획·검토·추론·실행 요청에서 즉시 선행
필수
AGENTS.md:13
작업성 턴에서 WGM 변화 점검 선행
필수
src/sequentialthinking/index.ts:29
다단계 사고, revision, branch, 반복 조건 제시
모델 대상 권고
src/sequentialthinking/lib.ts:52
입력 저장과 Summary 반환
호출 여부를 집행하지 않음
따라서 실제 순서는 다음과 같습니다.
사용자 요청 → check_workgraph_updates → 필수 sequentialthinking 호출 → 상태 누적과 Summary 반환 → 다음 추론 → 모델 판단에 따른 반복 호출 또는 실행
실제 값 흐름
(Rₙ, Iₙ) → (Rₙ₊₁, Oₙ)
Iₙ = ThoughtData Rₙ = thoughtHistory + branches Oₙ = 번호 + horizon + 종료 의도 + branch 목록 + 이력 길이
입력값
서버 처리
응답 포함
thought
이력 저장, stderr 출력
제외
thoughtNumber
저장
그대로 반환
totalThoughts
번호보다 작으면 보정
보정 후 반환
nextThoughtNeeded
저장
입력값 그대로 반환
revision 필드
저장·로그 형식에 사용
제외
branch 필드
branch map에 저장
branch ID만 반환
needsMoreThoughts
저장
제외
코드 수준에서 한 가지 보정이 필요합니다. MCP는 thought 원문을 응답으로 돌려주지 않습니다. 추론이 다시 문맥에 들어오는 이유는 G선생이 생성한 tool-call 인자 자체가 대화 이력에 고정되기 때문입니다. MCP는 별도로 상태 Summary만 반환합니다.
실험 결과
동일 입력을 같은 서버에 두 번 전달하자 thoughtHistoryLength가 1 → 2로 변했습니다.
따라서 src/sequentialthinking/index.ts:94는 관측 가능한 동작과 불일치합니다.
서로 다른 thought 문자열을 같은 메타데이터로 전달하면 응답은 완전히 동일했습니다.
revision 여부와 needsMoreThoughts 차이도 응답을 바꾸지 않았습니다.
branch ID와 totalThoughts 보정은 응답을 바꿨습니다.
기존 테스트 14개도 모두 통과했습니다.
기울기 분해
gₙ = g_commit(Iₙ) + g_control(Oₙ)
g_commit: 추론 벡터가 thought 호출 인자로 값화되어 다음 문맥을 구속하는 효과
g_control: 이력 길이, 진행 번호, horizon, branch, 종료 의도가 다음 판단을 조절하는 효과
g_semantic: MCP 서버가 새 의미 추론을 생성하는 성분은 없음
그러므로 AGENTS.md 기준 Pathway는 순차적 외부화와 진행 제어를 제공하지만, thought 내용을 State·Effect·불변조건으로 구조화하지는 않습니다.
T7.3에서는 도구와 출력 구조를 동일하게 고정하고, [P4.5]가 Iₙ의 구성과 g_commit을 어떻게 바꾸는지만 비교해야 합니다. 동일 메타데이터라면 Oₙ은 thought 의미에 불변이므로, Pathway 차이의 주원인은 MCP 출력이 아니라 규정이 재구성한 입력 벡터입니다.
분석 결과는 .workgraph/tasks/T7/2/task.md에 결속했습니다. 활성 턴은 T7.2로 유지했으며 stage/checkpoint는 생성하지 않았습니다.
다음 턴을 진행하기에 충분한 정보가 도출되었습니까?
[T7.2] T7.3의 입력 조건을 기준으로 판단하겠습니다. T7.2가 기준 Pathway, 통제변수, 비교 대상, 소스 근거를 모두 제공하는지 WGM 기록과 대조하고 실제 이동은 하지 않겠습니다.
[T7.2] 네. T7.3을 진행하기에 충분한 정보가 도출됐습니다.
확정된 인계 요소는 다음과 같습니다.
AGENTS.md 기준 호출 Pathway D_A
MCP의 실제 함수 (Rₙ, Iₙ) → (Rₙ₊₁, Oₙ)
입력 필드의 보존·변형·탈락 관계
g_commit(Iₙ) + g_control(Oₙ) 피드백 분해
[P4.5]를 독립변수로 하는 비교 범위
목표, 도구 구현, 스키마, 초기 상태, 호출 횟수 등 통제변수
동일 metadata에서 MCP 출력이 thought 의미에 불변이라는 실험 결과
WGM의 AGENTS.ftm.md 누락 경고는 .workgraph 내부 상대경로 해석 문제입니다. 실제 프로젝트 파일과 T7.1의 원문 근거가 있으므로 진행을 막지 않습니다.
남은 제약은 LLM의 확률성 때문에 Pathway 차이를 완전히 수치화하기 어렵다는 점입니다. 그러나 T7.3의 소스 기반 구조 분석과 독립 서버 인스턴스를 이용한 출력 통제에는 충분합니다.
따라서 다음 턴에서 T7.3을 활성화할 수 있습니다. 현재는 준비도 판단만 수행했으므로 활성 턴은 T7.2로 유지했습니다.
턴태스크 T7.3으로 이어갑니다. 해당 턴의 실행계획을 수립하십시오.
[T7.4] 순서를 바로잡아 T7.3으로 되돌아가겠습니다. T7.2의 기준선과 T7.1의 [P4.5] 원문 경계를 입력으로 삼아, AGENTS.ftm.md가 값화 함수와 다음 추론 기울기를 어떻게 바꾸는지 검증하는 실행계획을 수립하겠습니다.
[T7.3] 활성 전환을 완료했습니다. 계획의 입력을 최신 상태로 고정하기 위해 [P4.5] 원문, T7.1 경계 수집, T7.2 기준선과 통제변수를 다시 대조하겠습니다.
[T7.3] 계획 입력은 확정됐습니다. AGENTS.ftm.md는 AGENTS.md와 동일한 도구·서버 위에 [P4.5]만 추가하므로, MCP 출력 비교보다 thought 입력 벡터의 구조와 재결속 효과를 중심으로 검증하겠습니다. 세부 단계와 완료 기준을 T7.3에 보존합니다.
[T7.3] T7.3을 활성 결속하고 실행계획을 수립했습니다.
실험 모델은 다음과 같습니다.
D_F = D_A + [P4.5]
목표, 사용자 요청, MCP 구현·스키마, 초기 서버 상태와 호출 metadata는 고정하고 [P4.5]만 독립변수로 둡니다.
동일한 문제에 D_F를 적용한 연속 Thought를 Stateₙ → Stateₙ₊₁ 단위로 구성합니다.
각 Thought가 다음 Thought의 입력으로 어떻게 재사용되는지 추적합니다.
fresh server에서 D_A와 D_F 입력을 호출해 의미 내용 차이와 metadata 차이가 MCP 출력에 미치는 효과를 분리합니다.
gₙ = g_commit(Iₙ) + g_control(Oₙ)을 기준으로 [P4.5]가 기울기의 방향성·명시성·제약 밀도를 어떻게 바꾸는지 분석합니다.
호출 강제 추가 여부, 서버의 규정 집행 부재, thought 원문 미반환, LLM 확률성 등 반증과 한계를 검토합니다.
AGENTS.ftm.md 기준 Pathway P_F, 조항별 효과표, 전이도와 실험 결과를 확정해 T7.4에 인계합니다.
완료 조건은 [P4.5]의 8개 원칙과 Thought 결속 문구가 모두 관측변수에 매핑되고, 출력 효과가 실험으로 분리되며, P_F가 근거와 함께 도출되는 것입니다.
계획은 T7.3 기록에 보존했습니다. 현재는 첫 번째 입력·불변조건 확정 단계만 완료됐고 나머지는 대기 상태입니다.
계획에 기반하여 입체적 추론 분석을 도출하십시오.
[T7.3] 계획을 전부 실행하겠습니다. [P4.5]를 단순 문장 해석이 아니라 Thought 벡터의 좌표계, Effect 경계, revision·branch 위상, 반환 Summary의 제어 피드백으로 나눠 분석하고 fresh-server 대조 실험으로 확인하겠습니다.
[T7.3] 조항 매핑이 끝났습니다. 다음 Effect는 독립 서버 실험입니다. 동일한 4단계 목표·호출 수·sequence metadata를 유지하고 자유 서술 Iₙ과 [P4.5] 구조화 Iₙ을 비교한 뒤, revision과 branch metadata만 별도로 변화시켜 출력 차이의 원인을 분리하겠습니다.
[T7.3] 실험은 세 층을 분리했습니다. 구조화된 thought와 revision 표시는 MCP Summary를 바꾸지 않았고, branch metadata만 branches 출력에 나타났습니다. 즉 [P4.5]의 주효과는 서버 반환 내용이 아니라 다음 추론에 남는 구조화된 호출 인자이며, branch에 한해서만 제어 피드백도 달라집니다.
[T7.3] 반증 검토에서는 규정의 “존재”와 실제 “활성 결속”도 분리합니다. 현재 AGENTS.ftm.md가 Codex 규정으로 자동 적용되는지, 프로젝트 설정이 이를 참조하는지 확인해 분석이 실사용 관측인지 가상 적용 모델인지 명시하겠습니다.
[T7.3] 분석 결론이 확정됐습니다. [P4.5]는 MCP 호출 자체를 늘리는 규정이 아니라 자유형 추론 벡터를 명시적 상태 전이 tuple로 투영하는 규정이며, 그 효과는 주로 g_commit에 나타납니다. 이 결과와 T7.4 인계 조건을 정식 문맥에 기록하겠습니다.
[T7.3] 계획에 따른 분석과 통제 실험을 완료했습니다.
핵심 결론은 다음과 같습니다.
[P4.5]는 sequentialthinking 호출 여부를 바꾸지 않습니다. 자유형 추론 벡터를 명시적인 상태 전이 tuple로 값화하여, 다음 추론의 방향과 허용 범위를 바꿉니다.
앞선 실험에서 균일한 반환을 보인 이유는 초기 서버 상태와 metadata까지 동일하게 통제했기 때문입니다. 따라서 확실히 말할 수 있는 사실은 다음과 같습니다.
상태까지 입력으로 포함하면 전이 계산은 결정적이다.
내부 이력을 변경하므로 도구 전체는 순수 함수가 아니다.
MCP는 Thought의 의미를 추론하지 않고 정해진 상태 전이를 수행한다.
함수형 모델로 표현하기에는 적합하지만, ThoughtData → Summary 형태의 무상태 순수 함수는 아니다.
즉, “함수형 상태 전이 구조를 가진다”는 맞지만, “주어진 명시적 입력에 항상 같은 값을 반환하는 순수 함수다”는 틀립니다.
그렇다면 실질적인 차이를 도출하려면 AGETNS.ftm.md 규정을 AGENTS.md로 승격시킨 후 태스크 T7을 전체 다시 실행하여 결과를 비교해야겠군요?
[T7.3] 방향은 맞지만, 단순히 규정을 승격한 뒤 한 번 재실행하는 것만으로는 규정 효과와 세션 이력 효과를 분리할 수 없습니다. 승격 방식과 A/B 비교 조건까지 포함해 판정하겠습니다.
[T7.3] 네, 실질적인 행동 차이를 관측하려면 [P4.5]를 실제 유효 규정으로 결속한 뒤 동일 과정을 재실행해야 합니다. 다만 단순 재실행이 아니라 통제된 A/B 비교여야 합니다.
현재 T7 결과를 대조군 A로 보존
[P4.5]가 포함된 규정을 실제 AGENTS.md 계층에 결속
새로운 공식 TaskID에서 T7.1~T7.4와 동일한 절차를 처리군 B로 재현
새 대화 문맥과 초기화된 sequentialthinking 상태 사용
프롬프트, 모델, 도구 순서, Thought metadata를 가능한 한 동일하게 통제
MCP Summary뿐 아니라 Thought 입력 구조, revision/branch 사용, 불변조건 검증, 후속 판단 경로와 최종 결론까지 비교
현재 AGENTS.md는 AGENTS.wgm.md를 가리키는 심볼릭 링크이므로, 승격 전에 다음도 필요합니다.
Global ~/.codex/AGENTS.md와 [P4.5]의 충돌 검사
링크 대상 원본을 수정할지 프로젝트 로컬 규정으로 분리할지 결정
기존 T7 기록을 덮어쓰지 않는 별도 실험 태스크 발급
한 번의 재실행은 사례 비교이고, 규정의 인과 효과를 강하게 주장하려면 양쪽 조건을 여러 차례 반복하는 편이 타당합니다. 또한 예상되는 주요 차이는 MCP의 짧은 반환값보다 MCP에 전달되는 Thought의 구조와 그것이 후속 문맥에 재결속되는 방식에서 나타날 가능성이 큽니다.
이제 T7.4 턴태스크로 이어갈 수 있습니까?
[T7.3] T7.4의 기존 등록 목표와 현재까지 확보된 증거의 경계를 대조하겠습니다. 핵심은 T7.4가 현 분석의 종합 턴인지, 규정 승격 후 재실험까지 요구하는 턴인지입니다.
[T7.3] 네, T7.4로 이어갈 충분한 정보가 확보되었습니다.
T7.4에서는 다음을 종합할 수 있습니다.
D_A와 D_F의 입력 값화 방식 비교
Iₙ → Oₙ → Iₙ₊₁ 피드백 순환 비교
MCP의 상태 전이와 규정의 추론 경로 효과 분리
실제 미결속 효과와 [P4.5] 가상 결속 효과 구분
P_A와 P_F의 최종 Pathway 판정
다만 [P4.5] 승격 후의 실제 A/B 재실험은 현재 T7.4의 종합 범위를 넘어가므로, 최종 결론에서 후속 검증 태스크로 분리해야 합니다. 다음 요청에서 [T7.4]를 작업 대상으로 결속하고 종합 분석을 실행할 수 있습니다.
다음 턴, T7.4로 이어갑니다. 세부실행계획을 작성하십시오.
[T7.4] T7.4를 공식 작업 대상으로 결속하고, 기존 목표를 유지한 채 종합 분석의 관측축·판정식·반증 조건·완료 기준까지 세부 계획으로 작성하겠습니다. 실제 규정 승격 A/B 실험은 이 턴의 증거 범위와 분리하겠습니다.
[T7.4] 계획은 증거 정규화 → 비교 모델 고정 → 층위별 대조 → 순환·기울기 합성 → 반증 및 적용 경계 → 최종 판정의 여섯 Phase로 구성하겠습니다. 각 Phase는 앞 단계의 산출물을 다음 단계 입력값으로 결속하도록 하겠습니다.
[T7.4] 세부 실행계획을 작성하고 WGM 태스크에 결속했습니다.
T7.2/T7.3의 증거를 소스 사실, 실험 관측, 추론, 한계로 정규화
D_A와 D_F의 비교 좌표계 및 상태 전이식 확정
호출 조건, Thought 구조, MCP 상태·출력, revision/branch를 층위별 대조
Iₙ → Oₙ → Vₙ₊₁ 순환과 P_A/P_F의 기울기 차이 합성
순수 함수 오판, 동일 Summary 해석, 미결속 상태 등의 반증·한계 검토
비교표, 핵심 식, 최종 판정 작성
실제 [P4.5] 승격 후 A/B 실험은 현재 분석과 섞지 않고 후속 실증 조건으로 분리했습니다.
[T7.4] 계획의 여섯 Phase를 순서대로 실행하겠습니다. 먼저 WGM 위상과 분석 불변조건을 고정한 뒤, 두 규정과 MCP 구현 근거를 다시 대조하고 호출 규정 → 입력 값화 → reducer 출력 → 후속 Pathway의 네 층위로 종합하겠습니다.
[T7.4] 첫 번째 결속점은 확인됐습니다. 비교 대상은 동일한 MCP 구현을 공유하므로, 차이를 서버의 “새 추론 생성”으로 귀속시키면 안 됩니다. 이제 구현 그래프와 원문 규정을 교차 확인해 증거 행렬의 사실 층위를 고정하겠습니다.
[T7.4] 원문 차이는 정확히 [P4.5] 21개 추가 행뿐이며, 호출 트리거는 양쪽 모두 상위 Global [P4]에서 동일하게 상속됩니다. 따라서 종합 비교의 독립변수는 “호출 여부”가 아니라 Thought를 어떤 값 구조로 투영하는가로 좁혀졌습니다.
[T7.4] 구현 검증도 일치합니다. 테스트 14개가 통과했고 lib.ts의 핵심 전이는 높은 커버리지로 확인됐습니다. 이제 fresh reducer 비교를 다시 수행해 의미 구조, revision, branch, 숨은 이력 상태가 각각 어느 출력 성분을 바꾸는지 한 표로 고정하겠습니다.
[T7.4] 출력 동일성의 의미도 분리됐습니다. Thought의 의미 문자열은 Summary에 직접 투영되지 않지만, 호출 인자 자체가 호스트 문맥에 남으므로 다음 추론 입력은 달라질 수 있습니다. 반면 branch를 실제 metadata로 표현하면 서버 상태와 반환값 모두 달라집니다.
[T7.4] 반증 검토까지 마쳤습니다. 이제 분석 결과를 T7.4 공식 레코드에 누적하겠습니다. 결론의 강도는 소스로 확정, 실험으로 관측, 문맥 모델로 추론, 후속 실증 필요의 네 등급으로 분리합니다.
중요한 보정도 도출됐습니다. MCP는 Thought 원문을 반환하지 않습니다. 원문은 내부 이력에 저장되고, 반환값은 번호·종료 신호·branch·이력 길이의 Summary입니다. Thought가 다음 추론에 피드백되는 주된 이유는 MCP 반환이 아니라 tool-call 인자 자체가 호스트 문맥에 남기 때문입니다.
재검증 결과는 다음과 같습니다.
자유 서술과 함수형 구조 Thought: Summary 동일
revision metadata 유무: Summary 동일
branch metadata 유무: branches 출력이 달라짐
같은 입력을 같은 서버에 반복: thoughtHistoryLength가 1 → 2
Vitest: 14개 테스트 통과
따라서 sequentialthinking은 순수한 I → O 함수가 아니라 (R, I) → (R′, O) 상태 전이 reducer입니다. 두 규정의 실질적 차이는 호출 여부가 아니라 추론을 어떤 값으로 고정하여 다음 판단에 결속하는가입니다.
현재 [P4.5]는 실제 규정 계층에 결속되지 않았으므로 성능 효과의 크기는 아직 미확정입니다. 규정 승격 후 fresh-context A/B 반복 실험이 후속 실증 조건입니다.
시작은 Agent에게 프롬프트로만 WordPress 플러그인을 만들게 할 때, 맘에 드는 결과물이 나오게 하는 과정이 비싸고 비효율적인 것을 해결하기 위해서였다. WordPress는 OCI 기반 가상호스트에서 동작하고 있어서 초기에는 Local Agent를 WP 환경 바깥 호스트에 직접 ssh로 접속해서 개발하거나, WP가 동작하는 도커 컨테이너 안에서 Agent를 동작시키는 방법 두가지를 사용해보았다.
VibeProxy를 사용하면 가상호스트가 되었든 Docker Container안이든 상관없이 Agent를 끼고 개발할 수 있지만, 웹브라우저를 기동하는 Window 환경이 없는 그 조건에서는 나만 화면을 보면서 Agent에게 내 지시를 받아 처리하는 건 비효율적인 방법으로 회귀하는 셈이다. (Window 환경을 위한 VNC류는 일단 제외한다) 굳이 가상호스트에서 작업해야하는 이유는 호스트의 NGINX Reverse Proxy 설정까지 조절하면서 개발해야하기 때문. NGINX가 여러대 돌아가므로 문맥이란 걸 무시할 순 없다. 또한 보안설정을 빡쎄게 걸어뒀기 때문에 WP 플러그인 실행 단계에서 일일히 조건을 맞춰야 한다. 암튼, 화면 요소에 대해 아무리 명확하게 CSS selector를 사용해서 프롬프트를 지시해도 빡치게 만들기 일쑤고, 처리과정에서 토큰 소비량도 만만찮아서 방법을 찾은 것이 CMUX에서 Browser API로 연동하거나 TMUX+Playwright를 기동하는 방법이었다.
결과는 명확하다. 개발과정에서는 cmux-mcp를 통해 CMUX+Browser API를 사용하는 것이다. 그냥 Playwright 쓰세요 (2026-07-12)
개발과정이라서 자동화 요구보다 지시사항을 제대로 수행하는게 먼저라서 CMUX+Browser API를 택했는데, 의외로 날 고민하게 만드는 건 따로 있었다.
sshfs vs. mutagen
로컬 맥북에서 원격지 도커 컨테이너 쪽으로 ssh 통신은 하는 건 TailScale 덕분에 손쉽게 해결된다. 그러나, 아무리 TailScale 네트워크가 OpenVPN 보다 빨라도 Agent가 파일을 조작할 때 한번에 처리하지 못하는 경우가 빈번하게 생겼다. ssh + script 호출을 inline으로 할 땐 문법에 예민해야하는데, Codex 조차도 Turn 사이사이 계속해서 실패를 함으로써 신경쓰이게 했다. 그렇다고 sshfs를 쓰자니 openFUSE를 설치해야하고, 그건 도저히 방법이 될 수 없었다. 그거 하나 쓰자고 맥북 보안을 풀어버리고 싶진 않다. 그래서, 대체제로써 SMB3, NFS v4, WebDAV, Mutagen, Syncthing, VS Code Remote-SSH 등을 평가하다가 Mutagen으로 최종 결정했다. VS Code Remote-SSH는 원격지에 node 프로세스를 너무 많이 띄운다. 무겁다. 나머지는 다 철지난 기술들. 그러나 Docker가 인수한 Mutagen은 꽤 쓸만했다. 덕분에 프로젝트별로 원격지 폴더를 로컬에 마운트해서 사용할 수 있게 됨. (Permission 설정에 좀 신경써야 한다)
AGENTS.md vs. *-memory-mcp + serena-mcp + *-plugin …
이제 내 요청을 찰떡같이 해석해주는 걸 도와줄 MCP를 설정하고 어느 정도 작업진척이 있었다. Morph Plugin은 꽤 쓸만했는데, 꽤 빨리 허용치 한계를 넘어서 제외했다.
xray-mcp는 작은 프로젝트에나 쓸만하고 조금만 커지면 출력이 잘린다. xray-mcp가 문제가 아니라 Agent와 LLM에서 자르는 것 같다.
serena 하나로는 매 Turn 마다 쌓이는 것들을 제때 제때 적용할 수가 없었다. serena-mcp의 메모리 기능은 단순 markdown 저장방법이다.
AGENTS.md 에 어명이니 반드시 따라야 한다고 협박해봐야 100% 실행보장은 안되고, 문맥 쌓이면 밀리는 것은 어쩔 수 없는 일.
xChuCx/agent-memory, basicmachines-co/basic-memory, riponcm/projectmem, bzdOS/hubd, besslframework-stack/project-tessera, tverney/mcp-agent-memory … 등등, 후보 MCP 서버는 좀 있긴한데 MCP 개발을 해보고 싶던 차라서 생각하는 기능의 MCP 서버를 만들기로 결정했다.
그러나 codebase_search 또는 semantic_search 기능을 제공하는 MCP는 어찌됐든 반드시 필요해서 몇가지 테스트 했는데, codebase-memory-mcp 를 일단 사용하기로 했다. ‘일단’을 붙이는 이유는 인덱싱을 할 때 알수없는 이유로 프로세스가 hang 또는 crash가 종종 일어나기 때문이다. 대안으로 점치고 있는 건 workspace-qdrant-mcp. 한숨 돌리고 나면 사용해볼 예정이다.
CMUX 안에서 TMUX를 사용하는 이유는 두가지 인데, 하나는 CMUX 세션에서 작업이 진행되다가 앱이 먹통되는 사태에 대비하기 위해서고, iTerm2 TMUX 세션으로도 attach 시켜서 다른 태스크를 진행시키기 위해서다. CMUX안의 TMUX 세션은 중첩될 수가 없고 CMUX_* 환경변수가 전달되지 않아서 CMUX Workspace 하나당 하나의 TMUX 세션을 붙이는 게 현재로써는 최선이다. 게다가 Option 키 조합은 제대로 전달하지 못하는 것 같다. 이 때문에 CMUX가 전단에 있으면 만들어둔 RetroStage/SpectraSearch 등등의 TMUX plugin을 제대로 써먹을 수 가 없다. 그래서 TMUX 세션으로 attach 하면, 뭐 그런 제한은 없어지니까.
나의 인지 구조적 특징을 활용하고 도와줄 context-storage-mcp 서버 개발
나의 인지 구조적 특징은, 전체를 보고 있으나 실행은 작은 단위로 잘라서 진행하고 반드시 그 결과를 확인하고 예측과 실제를 비교해야만 다음 스텝으로 진행이 끝없이 이어진다는 점이다. 결과를 비교하지 않으면 창의적인 결과물을 얻기 힘들고, 진행 에너지가 점점 줄어든다. 각각의 단위 실행마다 여러가지 실험을 할 수 있어야 하고, 그 결과를 반드시 어떤 식으로든 종료/매듭지어야 한다. postponed 또는 obsolete 등으로 태그만 적용해도 인지구조에 오버플로우는 줄어든다. 아무것도 남기지 않는 것이 문제다.
LLM을 사용해서 서버관리를 할 때, 호스트에서 처리하는 각각의 태스크는 태스크 상호간에 영향을 미친다. 즉, 독립적이지 않다. 하나의 결정과 처리는 반드시 다른 곳에 영향을 주는 것이 대부분이다. 각 태스크가 어떤 식으로 호스트에 영향을 주는지를 추적해야하는데, LLM으로 서버관리를 하던 초기에는 추적하는 것 자체를 Workspace/Task.list 라는 파일로 만들고, Workspace/T1, Workspace/T2 .. Workspace/T1.B 등과 같이 태스크 식별자로 구분된 폴더에 관련 문서와 사용한 스크립트 등을 쌓아두는 식으로 간편하게 처리했었다. WP plugin을 개발하는 내용에는 서버측 조정 사항이 포함되므로 더더욱 문맥 유지가 필요하다.
문제는 태스크가 쌓이면서 현재 태스크가 이전 태스크의 결정을 업데이트하거나 아예 불필요하게 만들기도 하므로 문서 업데이트가 수시로 일어난다는 점이다. 그것도 그때마다 LLM에게 적용하라고 하면 되지만, 여전히 토큰 비용문제 때문에 그렇게 만만하진 않다. 태스크가 쌓이면 쌓일수록 늘어간다. 그리고 그것을 명시적으로 파일에 기록하면 LLM과 통신하는 문맥에 쓸데없이 끼어들어 문맥이 거대해지는 것을 막을 방법이 없다. 이때, MCP서버간의 통신채널로 그런 정보를 교환하게 하면 /compact 등의 명령으로 문맥을 압축할 때, 대화만 남기고 불필요한 정보를 없애버림으로써 문맥 크기를 유지하는데 도움이 될 것이다. (뭐가 됐든 나는 어쩔 수 없이 비용을 항상 염두에 둬야 한다. 비용걱정없으면 뭐… 좋겠지)
예를 들어 CSV block 이라는 기능을 사용하는 여러 메뉴를 만들었는데, 어느 페이지에서 수정이 발생하면 그 기능을 사용하는 모든 메뉴에 적용해야할 때가 있다. 하나의 파일로 모든 메뉴를 처리하게 하는 건 기본적인 조치사항이지만 조금씩 다를때는 그 메뉴마다 규칙을 지켜야 한다. 그걸 기억해서 처리하라고 직접 명령하는 건 무리데스. 개발과정에서 작은 단위의 분기가 계속해서 발생하고, 그때마다 누적된 결과가 이전 규칙을 업데이트 해야한다. 그걸 단순히 파일로 기억시키는 건 기술적인 문제를 초래하는 것보다 토큰비용 문제를 초래한다. 암튼 내가 구상한 건 태스크를 진행하면서 이전 내용과 현재 내용을 계속해서 업데이트하고 내가 뭐라고 지껄이든 간에 내 요청에 찰떡같이 알아듣고 실행하도록 도와줄 MCP를 만드는 것이다.
ctxstore MCP 라고 개명, 꽤 쓸만하다
역시, 실전적으로 MCP 서버를 사용하면서 제작하니 꽤 빨리 어떻게 해야할지를 알게된다. 굳이 library/framework를 쓰지 않아도 저장과 탐색방식 자체가 Graph Network 특징을 가지고 있다. 좀 잘 되니까 topic 검색을 VectorDB화 해보고 싶은 욕구가 일어 설정이 거의 필요없는 LanceDB를 사용해서 RAG 방식으로 검색을 해볼까도 생각했으나, Agent가 말리길래 그건 나중으로 미루었다. 현재는 MCP 자체에 LLM에게 사용방법을 강하게 어필하고 AGENTS.md 파일에 사용을 강제하는 규정을 넣어두었고, 가능한 AGENTS.md 파일엔 규정 자체를 넣지 않아도 동작시키는 가장 간단한 방법을 찾는게 목표다. 그게 쉽지 않는게, ctxstore 가 제공하는 기능이 태스크/기억 관련이라 경쟁 상대가 너무 많고 드러나기엔 일반적인 문맥이다. MCP 코드에서 어떻게 기능을 홍보해도 결국 기능 호출결정은 사용자의 강제와 LLM의 결정에 따르기 때문에, 지금으로서는 AGETNS.md에서 ctxstore-mcp 사용을 강제하는 상대적으로 간단한 방법을 택할 수 밖에 없다.
태스크 실행과정에서의 MCP 주요 특징은 아래와 같다:
– 태스크 목록과 태스크를 진행하면서 지속적으로 적용해야하는 결정 사항을 목록으로 제공한다.(LLM이 좋아라하는 기능이다)
– 결정decision 사항 목록에 언제 적용해야할지도 포함되므로 LLM에게 규칙을 일일히 재언급할 필요가 없다.
– `nginx`, `tls`, `firewall` 같은 자연스러운 주제어를 실제 bundle topic으로 해석한다.
– CLI importer로 기존 문서 폴더를 ctxstore MCP가 사용하는 데이터구조로 변환할 수 있다.(물론 RUNTIME에도 가능하다)
– 모든 문서는 매 도구 호출 시 새로 읽기 때문에, 사람이 ctxstore MCP가 사용하는 데이터를 직접 수정하면 곧 바로 다음 호출에 반영될 수 있다. – vocabulary를 관리하여 같은 뜻, 다른 표현을 찰떡같이 알아듣는다.
이를 테면, 태스크 하나를 진행하면서 발생하는 루틴을 하나의 이름으로 정의하고, 그 루틴과 관련된 태스크를 topic으로 묶거나 keyword로 엮어두면, 다른 세션에서 아무런 언급이 없어도 해당 표현에 해당하는 decision을 모두 탐색하여 곧바로 문맥에 적용하므로 아주, 아주, 속이 시원했다. 게다가 Context 문서를 직접 보고 수정하면 곧 바로 적용되므로 동적 AGENTS.md 파일을 만든 것과 비슷한 효과가 있다.
codebase_search, semantic_search, serena MCP의 도움없이 코드개발하는 건 비추
MCP 없이 codex/opencode CLI로 개발한다는 건 톱을 두고 칼로 나무를 베겠다는 방식에 비유할 수 있다. 칼 사용의 로망을 느끼고 싶다면야 어쩔 수 없지만, 톱으로 몇 번 만에 자를 수 있는데 굳이 그러고 있는건 답답한 짓이다. 다만, 구조적으로 질문하고 답변을 조직화해야 한다. ctxstore MCP로 태스크 간의 결정 공유가 쉬워지긴 했지만 여전히 태스크 자체의 기술에 신경써야했다. 그렇지 않으면 잡다한 무쓸모 일기 기록과 다를바가 없게된다. 이런 점에선 작업 기록을 직접 삭제/수정하여 바로 반영되게 하는 기능은 필수다. 하지만, 여전히 아쉬운 건 기록 내용과 방식을 LLM에게 의지하고 있어서 AGENTS.md 파일에 규칙 기술이 계속 변경되고 복잡해진다는 점이다. 그것 자체가 이미 토큰소비에 영향을 줄 수 밖에 없다.
또한 나름대로의 복병은 각각의 MCP가 LLM에게 기능을 강제하거나 알리는 방법의 특성을 이해하고 적절하게 규정을 적용하는 것이다. 그런 이해와 적절한 규정없이 단순히 MCP를 사용 설정해둠으로써 오히려 LLM에게 결정충돌로 인해 혼란을 발생시켜 규정을 지속적으로 보강해야 했다. 각각의 MCP 자체의 기능은 문제가 없으나 이것 저것 섞이게 되면 문제가 된다 이말이다. 그냥 하나로 퉁치고 싶다;;
추후 개발해야 할 방향도 일단 떠올려두긴 했다. MCP 자체적으로 gemma-4-e4b 같은 소형 모델을 사용하여 내용을 처리하게 하고, CLI에서 출력한 내용을 MediaWiki, Obsidian 쪽으로 바로 보내고 저장/추출해서 사용하는 흐름이 필요하다. 2~3일 정도면 구현하고 다듬는데 충분할 것이라 생각하는데, 약간 산으로 가는 기분도 들고해서 ctxstore MCP 개발은 잠깐 멈췄다가 이어갈 예정.
결론
Host 단위같은 Global Context와 각각의 태스크 간의 Context를 유지하며 세션에 적용하지 못하면서 개발하는 건 이제 상상할 수 없다.
각종 AI 서비스 사용에 따른 비용증가에 부담이 크므로, 오픈소스 MCP를 분석하며 적절하게 사용하는 방법을 연구하고 적용하는 과정은 어쩔 수 없이 계속될 것 같다.
현재 4대 Agent (Claude, Codex, Gemini, Opencode) 마다 AGENTS.md 로딩 순서와 방법, 적용 범위의 차이는 과거 브라우저와 JS/CSS 로더 전쟁에 비교할 만해서, 이 부분에 대한 정확하고 경험있는 처리가 반드시 필요하다. 아마 이것도 MCP로 해결될지도 모르겠다.
cmux-mcp 를 끼고 Browser API로 작업지시하는 방식이 현재 Chrome Browser에 Gemini에게 묻는 정도로 직접적이면 더 좋겠다. 아마 분명히 어딘가 방법이 기다리고 있을 것이다.
cmux 자체는 Browser API가 아니라면 그냥 TMUX로 만족해도 대세를 따라가는데 지장없다. CMUX의 workspace 기능에 비할바는 못되도 흉내정도는 내는 hiroppy/tmux-agent-sidebar plugin 정도면 뭐… 기분은 낼 수 있으니까.
Agent가 ssh를 사용해서 원격작업을 하게 냅두지 말자. 생각보다 토큰 많이 쓴다(작업 실패때문에). 그럴 땐, mutagen 괜찮다.
이상, 본문 수정은 없으며 추가 내용은 다른 게시물이나 섹션 추가로 이어갈수도 있다.
활용 예1) AGENTS.md 수정은 MCP에게 전담시킴
프로젝트/태스크 마다 global/local AGENTS.md 파일 작성자체를 ctxstore-mcp 가 담당하게 해두었다. 물론 어느정도의 틀속에서, MCP를 어떻게 섞어 사용하느냐에 따라 규정 적용 순서나 범위와 상세내용 약간식은 달라진다.
활용 예2) 장애가 생겨 시스템 리부팅 후 문제 발생, 복구에 ctxstore MCP 사용
호스트의 기존 상태를 복구하기 위해 태스크 기록을 참조로 복구 명령을 내림
Agent 상황 보고 #1
몇 번의 Turn 만에 복구 완료.
Agent 상황 보고 #2
CSM 없이 기존에 이미 태스크를 진행했더라도, 그 정보를 CSM에 맞춰서 import 할 수 있게하였다.
MCP가 LLM에게 문맥을 제공하므로 손가락 빠지게 프롬프트 쓸 필요없이 개요만 얘기함으로써 복구를 할 수 있었다.
Turn 단위로 작업을 그룹화하여 계획 수립을 지시하자
sequential_thinking MCP 강추. AGENTS.md 파일에 “계획을 세울 때 Turn 단위로 작업을 그룹화해서 제안하라“는 규정과 이 MCP랑 잘 맞는다.
WordPress Page를 쓰지 않고, 일반 Post 게시물에서 React/Flutter로 만든 페이지/앱을 임베딩하여 마치 WrodPress 게시물의 일부처럼 보이게하고 싶었다. 페이지나 포스트 하나 하나가 다른 앱을 보는 것인가 착각할 정도로 독립된 영역에서 동작하되, 업데이트와 관리가 가능해야한다는 요구조건을 만족시키는 방법을 실험하기 위한 게시물이다. 겉으로는 단순히 WASM으로 변환된 Pico8 게임이긴 한데, URL 부분에서 거추장스런 파라미터를 제거하고 단독 게시물 보기에서는 전체화면이 되면서도 게시물 리스트에서는 일반 게시물처럼 동작한다. 물론 Admin용 Plugin을 통해서 제어를 해야 한다. 계속 다듬어가면 WordPress 버전의 앱스토어 처럼될지 누가 아나;;
십수년간 업데이트 해오던 내 자료;; 홀라당 날려먹고 백업도 없어서 블로그를 내 팽겨친채 있다가, 다시 운영하려 할 때 걸림돌이 보안 문제였다. 워드프레스 사이트를 운영해본 사람들은 얼마나 공격질을 해대는지 이해할 것이다. 블로그를 내팽겨친 건 그 보안문제를 해결할 마땅한 방법이 없었기도 하거니와 시간내서 그 정도를 만들고 싶지도 않았기 때문이다.
그런데, 이제 우리에겐 Agent가 있지않은가?!ㅎ 그냥 시키면 된다. 그래서 RAM은 22G 라서 넉넉하다 못해 광활하지만 CPU나 Storage 제약이 심한 OCI 가상머신에서 동작시킬 방어방법을 생각해내고 구현하는게 최종목적이었다.
Snort3를 돌리는 건 파리잡자고 머신건 쓰는 격 아니던가. 그럼에도 불구하고 사용하는 건 HTTP/HTTPS 포트에 다른 프로토콜을 사용하는 경우를 차단하기 위해서다. 일단 걸리면 무조건 하루동안 block이 되게 했다. 정상 사용자가 아닌 것이 확실하기 때문. 그리고 많은 규칙을 만드는 것 보다 NGINX 접근에 따라 실시간으로 반응하게 하는게 이 구성의 핵심이다. 즉, 불필요한 로그인을 시도하는 것 자체가 3시간~6시간 block 감이고, .env 또는 그 변형을 찾거나 언제적 cgi-bin/ 을 호출하는 것 같은 짓거리를 하면 곧바로 6시간 block을 먹인다. block은 차단이 아니라 packet drop 방식을 사용하는데, 상대방에겐 사이트가 하염없이 연결 대기중 상태가 된다. 그래서 봇이나 앱으로 내용 검색을 시도하면 timeout을 설정하지 않는 이상 앱이나 봇이 무한대기를 할 것이다. 상대방을 짜증나게해서 아예 탐색 대상에서 내 서버를 제외시키려는 의도라고나 할까;;;
또한 secure_link를 사용해서 REFERER 없이 접근하는 것을 막고, REFERER를 위조하는 경우도 막는다. 아… 물론 그렇게 대단한게 있어서 막는게 아니라, 사이트 트래픽이 곧 비용이라서 그런거다.
GeoIP를 사용해서 상당수 국가에서 오는 트래픽 자체를 막았다. 차단국가는 CN,KP,TW,SG,IN,VN,HK,MY,ID,TH,MM,BD,LA,PK,AF,IR,IQ,SA,YE,OM,RU,US,DE,BR. 미국도 포함된다ㅋ 겁나게 많은 공격이 미국발이다.
현재상태는 조용히 게시글만 보고 댓글 달 사람만 알음알음 오면 된다. 잘 나가는 블로그가 되면 뭐 그때 생각해보자.
관제하는 Admin Plugin을 만들게되면 이 게시글을 업데이트 할 예정.
Agent에게 일을 시킬 때 중요한 건, 여러 태스크 간의 목적과 결과를 참조하게 하는 것이었다. Hermes는 개발단계에선 부적절하다.
방법이야 여러가지가 있겠고 나는 나대로의 방법으로 진행했는데 토큰 소모가 좀 많았던게 흠이다. 지금 생각은 그 과정자체를 MCP로 제어하면 토큰 소모를 줄일 수 있지 않았을까 생각이 든다.
Telegram Noti는 초반엔 유용했는데, 뻔한 패턴이 반복되니 꺼버리고 그냥 차단 시간/일수를 왕창 늘여서 불필요한 알림을 줄이는 쪽으로 가게됐다.
`260630 현재, 차단된 IP는 10개 미만이다.
target country expires_at remaining reason
176.32.193.16 AM 2026-06-30 11:49 0d/1h/1m nginx-access-general-protection-ip-host-access
206.189.5.249 NL 2026-06-30 11:50 0d/1h/2m nginx-access-general-protection-ip-host-access
34.78.81.50 BE 2026-06-30 11:03 0d/0h/15m nginx-access-general-protection-ip-host-access
93.174.93.12 NL 2026-07-01 07:32 0d/20h/44m repeated-block-immediate:2026-06-30
