AI 에이전트 Tool Call 40% 절감, Meta의 Tribal Knowledge 맵핑 전략

Context

4,100개 이상의 파일과 3개 언어가 섞인 대규모 Data Pipeline 구조. 문서화되지 않은 암묵적 지식(Tribal Knowledge)으로 인해 AI 에이전트의 코드 수정 정확도 저하. 잘못된 필드명 사용이나 직렬화 호환성 파괴 같은 논리적 오류 빈번.

Technical Solution

• 50개 이상의 특화 AI 에이전트로 구성된 Pre-compute Engine 설계
• 모듈별 기능, 수정 패턴, 빌드 실패 원인, 의존성, 숨은 지식을 추출하는 '5가지 질문' 프레임워크 적용
• 상세 설명 대신 핵심 명령어, 필수 파일, 비직관적 패턴, 참조 링크만 담은 'Compass' 방식의 경량 컨텍스트 파일 생성
• 생성된 지식의 품질 보장을 위해 Critic 에이전트의 3단계 독립 교차 검토 프로세스 도입
• 주기적인 파일 경로 검증 및 최신성 유지를 위한 자동 갱신(Self-refresh) 파이프라인 구축
• 여러 저장소에 걸친 의존성 인덱스와 데이터 흐름 맵을 구축하여 탐색 비용 최소화

Impact

• AI 컨텍스트 커버리지 5%에서 100%로 확대 (5개 → 59개 파일)
• 작업당 AI 에이전트 Tool Call 및 토큰 사용량 약 40% 감소
• 리서치 및 엔지니어 협의에 소요되던 2일의 작업 시간을 30분으로 단축
• AI 내비게이션 가능 코드 범위 50개 파일에서 4,100개 이상으로 확장

Key Takeaway

방대한 코드베이스에서 AI의 성능은 모델의 크기가 아닌 도메인 특화 컨텍스트의 정교함에 결정됨. 포괄적인 문서화보다 실행 가능한 최소 단위의 내비게이션 가이드를 제공하는 설계 원칙이 효율적임.