컨텍스트가 DeepSeek V4로 따라오지 않는 이유
현재 어시스턴트 간 컨텍스트 작동 방식
각 어시스턴트는 사용자에 대해 알고 있는 정보를 자체 폐쇄형 시스템에 저장합니다. ChatGPT의 Memory, Claude의 메모리 항목, 그리고 다른 곳에서 구축한 모든 컨텍스트는 서로 연결되지 않는 별도의 저장소입니다. DeepSeek V4를 열면 처음부터 시작해야 합니다. 이는 모델이 새로워서가 아니라, 컨텍스트가 벤더 간에 이동하도록 설계되지 않았기 때문입니다.
이전되지 않는 기술적 이유
이러한 도구의 컨텍스트는 각 벤더의 고유한 형식으로 계정에 연결된 플랫폼별 기능입니다. 한 곳에서 내보내고 다른 곳으로 가져오기 위한 공유 표준이 없기 때문에, V4는 이전 모델이 학습한 내용에 액세스할 수 없습니다. 그리고 1M 토큰 창이 아무리 크더라도 이 사실은 변하지 않습니다. 컨텍스트 창은 단일 세션을 위한 단기 메모리입니다. 즉, V4가 한 번에 더 많은 정보를 보유할 수 있게 해줄 뿐, 세션이 종료된 후 무언가를 기억하거나 다른 도구의 기록에 접근할 수 있게 해주는 것은 아닙니다.
이로 인해 발생하는 비용
작업을 라우팅하는 모든 모델이 당신이 누구인지 다시 묻습니다. Claude에서 범위를 지정한 긴 에이전트 작업을 V4에서 실행하려면 먼저 다시 설명해야 합니다. 그리고 V4가 각 토큰을 더 저렴하게 만들수록, 컨텍스트가 풍부하고 무거운 작업을 보내고 싶은 유혹이 더 커집니다. 하지만 바로 이 지점에서 처음부터 다시 브리핑해야 하는 번거로움이 가장 큰 고통을 주며, 전환을 매력적으로 만들었던 비용 절감 효과를 조용히 갉아먹습니다.
단계별 가이드: 컨텍스트를 DeepSeek V4로 수동으로 가져오기
자체 기능을 사용하는 방법은 수동이지만 필수적인 요소들을 이동할 수 있습니다.
1단계: 현재 어시스턴트가 알고 있는 정보 내보내기
- ChatGPT에서 설정 → 개인화 → Memory를 열고 보관할 가치가 있는 항목을 복사합니다. Custom Instructions도 함께 복사하세요.
- Claude에서 메모리 설정을 열고 표시되는 개별 항목을 복사합니다.
- 작업의 기반이 되는 소스 문서(V4에 다시 업로드해야 하는 파일들)를 수집합니다.
2단계: DeepSeek V4에 로드하기
- 선호도와 고정된 사실들을 V4의 시스템 프롬프트나 영구 지침을 입력할 수 있는 곳에 붙여넣습니다.
- V4에서 실행할 작업에 대한 규칙과 작업 제약 조건을 다시 작성합니다.
- 현재 작업에 필요한 문서를 첨부합니다.
이렇게 얻는 것은 일반 텍스트와 다시 업로드된 파일로 구성된 수동 스냅샷입니다. 대화 기록 가져오기는 지원되지 않으며, 붙여넣은 내용은 다른 모든 작업에 여전히 사용 중인 모델과 동기화되지 않습니다.
전환 시 유지되지 않는 항목
대화 기록은 이전 어시스턴트에 그대로 남습니다. 몇 달 동안 쌓인 미묘한 뉘앙스가 몇 가지 붙여넣은 규칙으로 압축됩니다. 그리고 이는 즉시 쓸모없어지는 일회성 복사본입니다. 기본 모델을 완전히 떠나지 않고 V4로 작업을 라우팅하기 때문에, 첫날부터 두 메모리는 서로 어긋나기 시작하며, 다음 모델을 추가할 때 이 작업을 다시 반복해야 합니다.
더 나은 방법: 모든 모델을 위한 단일 메모리 레이어
불편함은 컨텍스트가 각 어시스턴트 내부에 존재하기 때문에 발생합니다. 이를 한 단계 위로 올려 모든 모델이 읽을 수 있는 중립적인 레이어로 이동하면, V4를 추가하는 것이 처음부터 다시 시작하는 것을 의미하지 않게 됩니다. MemoryLake는 컨텍스트, 문서, 선호도를 Git 스타일로 버전 관리하고 종단간 암호화하여 한 번만 저장한 다음, DeepSeek V4, Claude, ChatGPT 및 다음에 출시될 모든 모델에 동일한 메모리를 제공합니다.
| 차원 | V4로 수동 전환 | MemoryLake 레이어 |
|---|---|---|
| 필요한 단계 | 각 모델마다 재입력 | 3단계 (최초 1회) |
| 기본 모델과 함께 V4 실행 | 두 개의 분리된 메모리 | 하나의 공유 메모리 |
| 작업 진행에 따른 동기화 유지 | 아니요 | 예 |
| 다음 모델 추가 시 | 처음부터 다시 시작 | 연결만 하면 됨 |
| 대화 컨텍스트 | 손실됨 | 유지 및 검색 가능 |
1단계: API 키 생성
MemoryLake에 로그인하고 키를 생성한 후 첫 번째 요청을 보내세요. 약 30초 정도 걸립니다.
2단계: 첫 번째 메모리 업로드
각 모델마다 다시 입력해야 했던 컨텍스트를 업로드하세요. 텍스트 형태의 선호도와 고정 규칙은 물론, 작업의 기반이 되는 문서, 이미지 및 기타 파일들을 추가할 수 있습니다.
3단계: AI 및 에이전트 연결
도구들이 동일한 메모리를 가리키도록 설정합니다. DeepSeek V4는 API를 통해 연결되며, Claude, Codex, OpenClaw 및 기타 MCP 지원 에이전트는 MCP를 통해 연결됩니다. 무거운 에이전트 작업은 V4로 라우팅하고 나머지는 기본 모델에서 유지하세요. 두 모델 모두 하나의 메모리를 읽기 때문에, 한 곳에서 시작된 작업이 다시 브리핑할 필요 없이 다른 곳에서 계속 이어집니다.
모델을 다시 온보딩할 때 실제로 발생하는 비용
멀티 모델 세금
업계는 '가장 우수한 모델이 승리한다'에서 '가장 적합한 모델이 승리한다'로 이동했으며, 이제 가장 적합한 모델은 작업에 따라 달라집니다. 저렴한 롱 컨텍스트 작업에는 V4를 사용하고, 나머지는 기본 모델을 사용하는 식입니다. 컨텍스트를 다시 설명해야 하는 모든 인수인계 과정은 순수한 오버헤드이며, 이는 V4를 도입할 가치가 있게 만든 바로 그 비용 라우팅 워크플로우와 함께 증가합니다.
재온보딩 대신 검색 활용
공유 레이어를 사용하면 사용자가 모델을 다시 학습시키는 대신, 각 모델이 작업에 필요한 컨텍스트를 온디맨드로 가져옵니다. 작업을 라우팅하기 위해 컨텍스트 세금을 지불하지 않고도, V4가 강점을 가지는 작업에서 V4의 가격과 1M 토큰 깊이를 활용할 수 있습니다. 그리고 검색된 관련 컨텍스트로 채워진 큰 창이 모든 것을 쑤셔 넣은 창보다 훨씬 낫습니다. MemoryLake의 Token Saving Calculator는 사용자의 사용량에 따른 효과를 예측해 줍니다.
모델 이식 가능한 메모리를 위한 모범 사례
메모리가 아닌 작업을 라우팅하세요
메모리는 공유 레이어에 그대로 두고, 작업에 따라 모델을 선택하게 하세요(저렴하고 긴 에이전트 작업에는 V4를, 나머지는 기본 모델을 사용). 비용 라우팅은 전환할 때마다 컨텍스트가 초기화되지 않아야만 진정한 효과를 발휘합니다.
선호도와 문서를 분리하여 보관하세요
고정된 선호도는 텍스트 메모리로 저장하고, 소스 자료는 파일로 저장하세요. 선호도는 모든 모델에 적용되고, 문서는 작업에 첨부됩니다. 이렇게 분리하면 V4와 기본 모델 모두에서 검색 정확도를 높게 유지할 수 있습니다.
모델을 추가할 때 정리하세요
V4를 추가하는 시점은 오래된 컨텍스트를 정리하기에 가장 좋은 때입니다. 레이어를 한 번만 업데이트하면 신규 모델과 기존 모델을 포함하여 연결된 모든 모델이 최신 버전을 보게 됩니다.
결론
DeepSeek V4는 길고 무거운 작업을 실행할 수 있는 정말 저렴한 방법이며, 이를 사용한다고 해서 다른 어시스턴트가 알고 있는 모든 것을 포기해야 하는 것은 아닙니다. 수동 내보내기를 통해 지금 바로 시작할 수 있으며, 공유 메모리 레이어를 사용하면 V4와 기본 모델이 하나의 컨텍스트에서 나란히 실행될 수 있습니다. 이는 비용 기반 라우팅이 실제로 요구하는 사항이기도 합니다. 몇 일마다 새로운 프론티어 모델이 출시되는 시대에, 지속 가능한 구성은 특정 모델의 메모리에만 의존하는 것이 아닙니다. 이번 주의 가성비 경쟁에서 승리한 모델이 무엇이든 그보다 더 오래 살아남는 메모리를 구축하는 것입니다.