ChatGPT 메모리가 Manus로 따라오지 않는 이유
각 도구가 저장하는 것
ChatGPT는 대화 전반의 사실, Custom Instructions, 대화를 중심으로 구축된 Projects 등 개인적인 메모리를 유지합니다. 반면 자율 에이전트인 Manus는 계획 및 실행에 필요한 작업 컨텍스트와 지식(문서, 목표, 제약 조건)을 바탕으로 작동합니다. 하나는 "어시스턴트가 당신에 대해 알고 있는 것"이고, 다른 하나는 "에이전트가 작업을 수행하는 데 필요한 것"입니다. 이 둘은 일대일로 매핑되지 않습니다.
이전되지 않는 기술적인 이유
ChatGPT의 메모리는 다른 플랫폼을 겨냥한 내보내기 기능이 없는 계정 종속적인 개인화 기능이며, Manus에는 ChatGPT의 메모리 형식을 가져오는 도구가 없습니다. 따라서 유용한 부분(기존 선호도, 배경 사실, 소스 파일)을 수동으로 추출하여 에이전트가 컨텍스트를 소비하는 방식에 맞게 다시 표현해야 합니다. 자동으로 이전되는 것은 아무것도 없습니다.
이로 인해 발생하는 비용
역할, 프로젝트, 파일, 규칙 등 전체 작업 컨텍스트를 Manus에서 처음부터 다시 설정해야 합니다. ChatGPT 대화에서 이미 범위를 지정해 둔 작업을 에이전트에게 다시 설명해야 합니다. 그리고 이것은 일회성 복사이기 때문에 컨텍스트는 계속해서 달라집니다. 다음 주에 ChatGPT에 말한 내용은 Manus에 전달되지 않으며, 그 반대도 마찬가지입니다.
단계별 가이드: ChatGPT 컨텍스트를 Manus로 수동으로 가져오기
기본적인 방법은 수동이지만, 핵심적인 부분은 이동할 수 있습니다.
1단계: ChatGPT가 알고 있는 내용 내보내기
- 설정(Settings) → 개인화(Personalization) → 메모리(Memory)를 열고 보관할 가치가 있는 저장된 항목을 복사합니다.
- Custom Instructions를 복사합니다.
- ChatGPT Projects에서 프로젝트의 기반이 되는 문서(그렇지 않으면 다시 업로드해야 하는 파일들)를 수집합니다.
2단계: Manus에 로드하기
- 영구적인 입력을 허용하는 곳이라면 어디든 Manus에 선호도와 기본 사실을 작업 컨텍스트 또는 지식으로 제공합니다.
- 지침을 에이전트가 작업 전반에 걸쳐 유지해야 할 목표와 제약 조건으로 다시 표현합니다.
- 에이전트가 실행하는 데 필요한 소스 문서를 업로드합니다.
결과적으로 텍스트 선호도와 다시 업로드된 파일이 에이전트에 맞게 재구성된 수동 재창조물이 만들어집니다. 대화 기록은 이전되지 않으며, 이후에 설정한 어떤 것도 ChatGPT와 동기화 상태로 유지되지 않습니다.
마이그레이션 후 유지되지 않는 것
대화 기록은 ChatGPT에 그대로 남습니다. 몇 달 동안 ChatGPT를 수정해 온 미묘한 뉘앙스는 몇 개의 붙여넣은 규칙으로 압축됩니다. 그리고 동기화는 일회성입니다. 두 도구 중 하나에서 컨텍스트가 발전함에 따라 둘 사이의 격차가 벌어지며, 세 번째 도구를 추가하려면 전체 재설정 작업을 다시 수행해야 합니다.
더 나은 방법: 대화와 에이전트를 위한 단일 메모리 레이어
마이그레이션이 어려운 유일한 이유는 메모리가 ChatGPT 내부에 갇혀 있기 때문입니다. 이를 중립적인 레이어로 끌어올리면 대화 어시스턴트와 에이전트가 모두 동일한 소스를 읽을 수 있습니다. MemoryLake는 선호도, 문서, 프로젝트 지식을 한 번만 저장하고(Git 스타일의 버전 관리 및 종단간 암호화 적용), 이를 ChatGPT와 Manus 및 기타 에이전트에 동일하게 제공합니다.
| 비교 항목 | 수동 ChatGPT → Manus | MemoryLake 레이어 |
|---|---|---|
| 필요한 단계 | 매번 컨텍스트 재생성 | 3단계 (최초 1회) |
| 대화/프로젝트 컨텍스트 | 수동으로 재구축 | 유지 및 검색 가능 |
| 이동 후 동기화 유지 | 아니요 | 예 |
| 대화 및 에이전트 메모리 공유 | 아니요 | 예 |
| 나중에 다른 도구 추가 시 | 다시 처음부터 생성 | 연결만 하면 됨 |
1단계: API 키 생성
MemoryLake에 로그인하고 키를 생성한 후 첫 번째 요청을 보냅니다. 약 30초 정도 걸립니다.
2단계: 첫 번째 메모리 업로드
대화와 에이전트 모두에 필요한 컨텍스트(텍스트 형태의 선호도 및 프로젝트 사실, 그리고 업무에 사용되는 문서, 이미지 및 기타 파일)를 추가합니다.
3단계: AI 및 에이전트 연결
통합 기능 또는 API를 통해 ChatGPT를 연결하고, MCP 또는 API를 통해 Manus 및 Codex, OpenClaw와 같은 다른 에이전트를 연결합니다. 동일한 메모리가 대화와 에이전트의 작업 실행을 모두 구동하므로, 대화에서 에이전트로 작업을 이동할 때 컨텍스트를 재구축할 필요가 없어집니다.
에이전트를 다시 온보딩하는 데 실제로 드는 비용
재창조의 대가
선호도, 프로젝트, 문서, 제약 조건 등 전체 작업 컨텍스트를 갖춘 에이전트를 세우는 것은 대화형 AI에 다시 브리핑하는 것보다 더 무거운 작업입니다. 에이전트가 자율적으로 행동하려면 충분한 정보가 필요하기 때문입니다. 처음부터 이 작업을 다시 수행하는 모든 마이그레이션은 에이전트가 실제 작업을 수행하기 전에 상당한 설정 시간을 소모하게 만듭니다.
다시 온보딩하는 대신 검색 활용하기
공유 레이어를 사용하면 모든 것을 미리 로드하는 대신, Manus가 작업에 필요한 컨텍스트를 온디맨드로 가져옵니다. 에이전트는 정보를 파악한 상태에서 시작하며, 작업당 관련 있는 내용만 검색하기 때문에 더 효율적으로 실행됩니다. MemoryLake의 Token Saving Calculator는 귀하의 사용량에 따른 효과를 예측해 줍니다.
대화-에이전트 간 메모리 관리를 위한 모범 사례
선호도와 작업 지식 분리하기
기존 선호도와 재사용 가능한 프로젝트 문서를 별도의 메모리로 유지하세요. 선호도는 에이전트의 행동 방식을 결정하고, 작업 지식은 에이전트가 수행할 대상입니다. 이 둘을 명확히 분리하면 대화와 에이전트 모두에서 검색 정확도가 높아집니다.
진행하면서 결정 사항 기록하기
작업을 통해 재사용할 가치가 있는 결정이 내려지면 이를 한 줄 메모리로 저장하세요. 에이전트는 무엇이 결정되고 거부되었는지에 대한 지속적인 기록으로부터 대화형 AI보다 훨씬 더 큰 이점을 얻습니다.
프로젝트 또는 워크플로우별로 범위 지정하기
프로젝트당 하나의 메모리 범위를 유지하면 에이전트의 컨텍스트를 긴밀하게 유지하고, 한 워크플로우의 제약 조건이 다른 워크플로우의 실행에 영향을 미치는 것을 방지할 수 있습니다.
결론
Manus는 단순히 답변하는 것이 아니라 행동하도록 설계되었습니다. 하지만 제공된 컨텍스트가 있어야만 제대로 행동할 수 있으며, ChatGPT는 해당 컨텍스트를 대화용 형식에 가두어 둡니다. 직접 수동으로 옮기는 것은 시작에 불과합니다. 공유 메모리 레이어를 사용하면 대화 어시스턴트와 에이전트가 마침내 동일한 지식을 활용하고, 동기화 상태를 유지하며, 다음에 어떤 도구를 추가하든 바로 사용할 수 있게 됩니다. 한 번 제대로 마이그레이션하여 대화와 에이전트가 하나의 메모리를 공유하도록 하세요.