Kiro CLI에서 대화 기억 확장하기: Amazon Bedrock AgentCore Memory 활용

Kiro CLI는 AWS가 제공하는 터미널 기반 AI 에이전트 인터페이스로, 기본 상태에서는 세션이 종료되면 대화 컨텍스트가 소실되는 한계가 있습니다. 이를 해결하기 위해 이번 사례에서는 Model Context Protocol(MCP) 기반의 커스텀 서버를 구현해 Amazon Bedrock AgentCore Memory와 연결하는 방식을 제시합니다. MCP는 Anthropic이 제안한 표준 프로토콜로, AI 에이전트가 외부 도구·데이터 소스와 상호작용할 수 있는 통일된 인터페이스를 제공합니다. AgentCore Memory는 완전관리형 메모리 저장소로 단기(세션 내) 및 장기(세션 간) 메모리를 모두 지원하며, 시맨틱 검색을 통해 과거 대화에서 관련 컨텍스트를 자동으로 회수합니다. 즉, Kiro CLI가 사용자 발화를 받으면 MCP 서버 도구를 호출해 AgentCore Memory에 저장하고, 다음 호출 시점에 의미적으로 관련 있는 과거 내용을 끌어와 프롬프트에 주입하는 구조입니다.

엔지니어 입장에서 가장 큰 변화는 "매 세션마다 같은 맥락을 반복 설명할 필요가 없어진다"는 점입니다. 대규모 모노레포에서 작업하는 개발자가 어제 다뤘던 모듈 구조, 팀 컨벤션, 진행 중인 리팩터링 의도 등을 매번 다시 알려주지 않아도 에이전트가 이를 기억해 일관된 의사결정을 내릴 수 있습니다. 또한 AgentCore Memory는 사용자별·네임스페이스별로 메모리를 분리할 수 있어, 개인 워크스페이스와 팀 공유 지식을 구분해 운영하거나, 프로젝트별 컨텍스트 격리도 가능합니다. 장기적으로는 단순한 코드 생성 보조를 넘어, 코드베이스의 역사와 결정 근거를 기억하는 "프로젝트 동료" 수준의 에이전트 워크플로우로 발전할 수 있는 토대가 됩니다.

다만 실무 도입 전 검토해야 할 사항도 명확합니다. 첫째, AgentCore Memory는 유료 관리형 서비스이므로 저장량과 검색 호출량에 따른 비용 모델을 사전에 파악해야 하며, IAM 권한과 리전 설정도 정리해야 합니다. 둘째, 민감한 소스코드·내부 아키텍처·시크릿이 대화에 포함되는 경우가 많은데, 이러한 정보가 자동으로 클라우드 메모리에 적재되는 점은 보안·컴플라이언스 관점에서 정책을 세워야 할 부분입니다. 어떤 발화를 저장 대상에서 제외할지, 보존 기간(TTL)은 얼마로 둘지, 메모리 삭제 절차는 어떻게 운영할지를 MCP 서버 단에서 명시적으로 제어할 것을 권장합니다. 마지막으로, MCP는 Kiro CLI 외에도 Claude Code, Cursor 등 다양한 에이전트 클라이언트에서 호환되는 표준이므로, 이번에 구축한 메모리 MCP 서버를 다른 도구에서도 재사용할 수 있도록 인터페이스를 범용적으로 설계해 두면 투자 효율을 극대화할 수 있습니다.