로컬 파일 시스템 기반의 자율 에이전트 운영체제 구현

About this offer

웹 브라우저 기반 대화형 인공지능이 지닌 가장 큰 한계는 세션이 단절될 때마다 사용자의 이전 작업 맥락과 프로젝트 배경을 완전히 상실한다는 점입니다. 이를 극복하기 위해 로컬 머신의 파일 시스템에 직접 연결되어 영구적 맥락을 유지하고, 다중 에이전트와 브라우저 자동 제어, 백그라운드 스케줄링까지 포괄하는 에이전트 하네스 환경의 운영 방식이 대두되고 있습니다. 비개발자도 자신의 로컬 환경을 에이전트의 실행 공간으로 삼아 1인 기업 및 복합 지식 업무를 자율화하는 구체적 메커니즘을 살펴봅니다. Every Codex Concept Explained for Non-Coders 로컬 프로젝트 기반 컨텍스트 관리와 AGENTS.md 및 목표 지향 실행 전통적인 웹 UI 기반의 거대언어모델(LLM)은 브라우저 탭을 닫거나 새로운 세션을 시작하면 이전 대화의 맥락이 초기화됩니다. 이로 인해 사용자는 프로젝트를 진행할 때마다 시스템 프롬프트나 배경 지침을 반복 주입해야 합니다. 반면 Codex 는 사용자의 컴퓨터 내 특정 로컬 디렉터리(폴더)에 에이전트를 직접 마운트합니다. 에이전트는 해당 디렉터리 내에 존재하는 모든 문서, 코드 파일, 작업 로그, 이전 대화 기록을 지속적으로 탐색하여 컨텍스트를 파악합니다. 따라서 "지난 한 달간 작업한 내용을 정리해달라"는 단일 지시만으로도 로컬 폴더에 기록된 과거 세션과 파일 변경 이력을 종합 분석해 결과물을 산출합니다. 이러한 로컬 프로젝트 환경에서 전체 작업의 기준 헌법 역할을 담당하는 핵심 파일이 루트 디렉터리에 위치하는 AGENTS.md 입니다. 에이전트는 사용자의 메시지를 처리하기에 앞서 항상 AGENTS.md 를 최우선으로 파싱합니다. 이 파일에는 다음과 같은 핵심 요소가 기술됩니다. 에이전트 역할 정의 : 불필요한 행정·운영 업무를 최소화하고 콘텐츠 제작에 집중하는 등 작업의 기본 페르소나와 우선순위를 명시합니다. 안전 규칙 : 로컬 파일 시스템을 조작하는 만큼, 사용자의 동의 없는 임의 파일 삭제 금지나 중요 시스템 파일 접근 제한 등의 안전 가이드라인을 강제합니다. 라우팅 맵(Routing Map) : 프로젝트의 규모가 커져 수많은 하위 폴더와 파일이 생성되었을 때, 에이전트가 탐색 비용을 낭비하지 않고 필요한 정보가 위치한 디렉터리를 즉각 찾아갈 수 있도록 전체 디렉터리 구조를 색인화합니다. 에이전트의 내부 구동 방식은 사용자의 세부 지시를 단계별로 기다리지 않고 스스로 문제를 해결하는 에이전트 루프(Agent Loop) 체계를 따릅니다. 사용자가 /goal 명령어로 최종 달성 목표를 설정하면, 에이전트는 추론(Thinking), 도구 사용(Tool Use), 결과 확인(Observation), 재추론으로 이어지는 피드백 루프를 자율 실행합니다. 중간 과정에서 오류나 차단이 발생하더라도 스스로 우회 수단을 찾아내 목표가 완결될 때까지 루프를 지속합니다. [사용자 입력: /goal] │ ▼ [AGENTS.md 규칙 & 라우팅 파싱] │ ▼ ┌─── [에이전트 루프] ──────────────────────────┐ │ 1. 추론 (목표 분석 및 다음 행동 결정) │ │ 2. 도구 실행 (파일 탐색, 스크립트 실행 등) │ │ 3. 상태 검증 (목표 달성 여부 확인) │ └───┬────────────────────────────────────────┘ │ (목표 미달성 시 반복) ▼ [최종 결과 반환 및 자동 스크린샷 검증] 실행 환경의 격리와 권한 설정, 그리고 재사용 가능한 워크플로(Skills) Codex는 컴퓨터의 실제 운영체제 환경을 수정하는 로컬 실행뿐만 아니라, 외부 위험으로부터 본 시스템을 보호하기 위해 격리된 샌드박스에서 구동되는 클라우드 환경도 지원합니다. 사용자가 작업실의 데스크톱 PC를 켜둔 상태라면, 모바일 앱의 원격(Remote) 연결을 통해 외부 이동 중에도 스마트폰으로 데스크톱의 Codex 환경에 접속하여 로컬 파일 조작 및 실행 지시를 내릴 수 있습니다. 또한, 기존 프로덕션 환경을 손상시킬 우려가 있는 실험적 기능 구현이나 대규모 리팩터링 작업은 Git 워크트리(Worktree) 를 생성하여 메인 브랜치와 분리된 복제 환경에서 병렬 테스트를 거친 후 안전하게 병합할 수 있습니다. 작업의 제어 수준과 설정 데이터는 프로젝트 범위와 사용자 전역(User) 범위로 나뉩니다. 이는 Claude Code 의 설정 구조( .claude 디렉터리 체계)와 유사한 방식으로, 프로젝트 전용 디렉터리와 머신 전체에 걸친 전역 디렉터리가 분리되어 관리됩니다. 구분 프로젝트 범위 ( <project>/.codex ) 사용자 전역 범위 ( ~/.codex ) 적용 대상 해당 로컬 프로젝트 디렉터리 단일 적용 머신 전체 및 모든 Codex 프로젝트 공통 적용 저장 내용 프로젝트별 서브에이전트 정의, 개별 config.toml 전역 시스템 설정, 전체 세션 기록, 장기 기억(memories) 스킬 위치 .agents/skills/ (해당 프로젝트 전용 스킬) ~/.agents/skills/ (어디서나 호출 가능한 전역 스킬) 실행 권한 모드는 운영의 자율성과 보안 통제 사이의 균형을 맞출 수 있도록 3단계로 제공됩니다. 승인 요구 모드(Ask for approval) : 에이전트가 셸 명령어를 실행하거나 파일을 생성·수정할 때마다 사용자에게 명시적 승인을 요청합니다. 조건부 승인 모드(Approve for me) : 통상적인 안전 동작은 자동으로 수행하되, 시스템 파괴 위험이 있는 민감한 명령어만 사용자에게 승인을 구합니다. 욜로 모드(Full access) : 에이전트가 질문 없이 파일 수정, 시스템 명령, 인터넷 통신 등 모든 도구를 즉각 실행합니다. 반복되는 고품질 작업 절차를 자산화하기 위해 SKILL.md 기반의 스킬(Skills) 체계를 활용합니다. 예를 들어 유튜브 대본을 입력받아 핵심 요약본, 링크드인 게시물, X 아티클로 변환하고 HyperFrames (HTML 기반 모션 그래픽 렌더링 프레임워크) 코드를 작성하는 복합 절차를 하나의 마크다운 파일로 정형화해 둘 수 있습니다. 등록된 스킬은 또 다른 스킬이나 로컬 파이썬 스크립트, 내부 스타일 가이드 문서를 참조(Reference)할 수 있어 장기적으로 일관된 작업 표준을 제공합니다. 모델별 비용 구조와 브라우저 조작, 서브에이전트 및 자율 스케줄링 Codex 내부에서는 단일 모델만 사용하는 것이 아니라, 작업의 복잡도와 연산 요구량에 맞춰 모델과 추론 노력(Effort) 단계를 유연하게 전환할 수 있습니다. 텍스트 입력에 따른 비용 효율성은 OpenAI Tokenizer 등을 통해 사전에 글자 수 대비 토큰 비율을 검증하여 통제할 수 있습니다. 복합 추론 및 전체 시스템 제어는 최상위 모델인 GPT-6 Astra 를 사용하지만, 토큰 단가가 높아 모든 루틴에 투입하면 비용이 급증합니다. 따라서 단순 데이터 수집이나 구조화 작업에는 경량화 모델인 5.6 Sol , 5.6 Terra , 5.5 Luna 를 목적에 맞게 배치하는 모델 라우팅이 필수적입니다. API를 직접 호출할 경우 100만 토큰당 입력 $10 / 출력 $50에 달하는 비용이 발생하지만, 월 $200 구독 플랜을 이용하면 매주 갱신되는 한도를 통해 월 최대 약 $14,000 상당의 추론 연산량을 공급받을 수 있어 경제적 효용이 극대화됩니다. 모델명 100만 입력 토큰 비용 100만 출력 토큰 비용 추천 활용 작업 GPT-6 Astra $10.00 $50.00 복합 추론, 메인 세션 오케스트레이션, 복잡한 코드 작성 5.6 Sol $4.00 $20.00 일반 지식 작업, 문서 정리, 일상적인 업무 루틴 5.6 Terra $0.20 $1.20 서브에이전트 대량 분산 리서치, 단순 데이터 수집 5.5 Luna $0.20 $1.20 초경량 텍스트 파싱, 단순 포맷 변환 작업 도구 연동성 측면에서는 공식 API가 제공되지 않는 플랫폼과의 통합을 지원하기 위해 내장 브라우저 환경을 활용합니다. Skool 커뮤니티나 Canva와 같은 플랫폼은 기존 저장된 사용자 로그인 쿠키 세션을 활용해 에이전트가 마우스 클릭과 키 입력을 브라우저 GUI 상에서 시뮬레이션함으로써 포스팅이나 그래픽 작업을 자동화합니다. 또한 로컬에서 생성된 웹 애플리케이션이나 정적 페이지는 /site 명령어를 통해 Vercel 등 외부 배포 플랫폼을 거치지 않고도 즉시 고유 퍼블릭 URL로 배포되며, 기본 애널리틱스와 데이터베이스까지 자동으로 연결됩니다. 규모가 큰 작업에서는 메인 오케스트레이터 모델이 작업을 하위 서브에이전트(Sub-agents) 로 분기(Fan-out)하는 구조를 취합니다. 예컨대 메인 에이전트(GPT-6 Astra)가 조사 기획을 수립하면, 다수의 5.6 Terra 인스턴스를 서브에이전트로 동시 병렬 기동하여 X(구 트위터), 유튜브, 학술 웹 문서를 동시에 스크래핑한 뒤 취합합니다. 이에 더해 예약된 작업(Scheduled Tasks) 기능을 결합하면 정해진 시간마다 에이전트가 백그라운드에서 세션을 열고 특정 시장 지표를 분석하거나 매매를 집행하며 정기 보고서를 출력하는 무인 자율 체계가 구축됩니다. 사용자는 음성 모드(Voice Mode)를 활용해 자연어 대화로 이러한 다중 에이전트 워크트리 생성, 서브에이전트 작업 배분, 스레드 간 결과물 전달 과정을 통합 지시할 수 있습니다. 정리 기존의 AI 사용 방식이 일회성 채팅 프롬프트 입력에 머물렀다면, 에이전트 하네스 환경은 로컬 파일 시스템을 작업의 기억 저장소이자 영구 맥락으로 삼아 작동 범위를 근본적으로 전환합니다. AGENTS.md 를 통해 명문화된 작업 규칙과 디렉터리 색인을 제공하고, 고난도 추론 모델과 저비용 모델을 계층화하여 비용을 통제하며, 브라우저 제어와 서브에이전트 병렬화, 스케줄링을 결합함으로써 AI는 챗봇의 단계를 넘어 컴퓨터 운영체제 전반을 자율 실행하는 전천후 비즈니스 운영 환경으로 진화하고 있습니다. 다룬 영상 Every Codex Concept Explained for Non-Coders — Nate Herk | AI Automation · 34분