RAG 대신 Virtual Filesystem으로 AI 문서 어시스턴트 만든 이야기

Who Should Read

RAG 기반 문서 검색 어시스턴트를 운영 중인데 청킹 한계나 인프라 비용 때문에 고민 중인 백엔드/AI 개발자

Core Mechanics

• 전통적인 RAG는 쿼리와 매칭되는 텍스트 청크만 꺼내오는 방식이라, 답변이 여러 페이지에 분산되어 있거나 정확한 문법이 top-K 결과에 없으면 그냥 놓쳐버린다는 한계가 있었다.
• Agent에게 실제 파일시스템을 주는 전통적인 방법은 격리된 샌드박스(마이크로 VM)를 띄우고 GitHub repo를 clone하는 방식인데, Mintlify 기준으로 P90 세션 생성 시간이 약 46초였다.
• 월 85만 건 대화를 처리하는 상황에서 최소 사양(1 vCPU, 2 GiB RAM, 5분 세션)으로도 Daytona 샌드박스 가격($0.0504/h per vCPU, $0.0162/h per GiB RAM) 기준 연간 $70,000 이상의 비용이 발생한다는 계산이 나왔다.
• 핵심 아이디어는 '에이전트에게 진짜 파일시스템이 필요한 게 아니라 파일시스템처럼 느껴지는 환경'이라는 것이다. 이미 Chroma DB에 인덱싱·청킹된 문서를 활용해 UNIX 명령어(grep, cat, ls, find, cd)를 Chroma 쿼리로 변환하는 ChromaFs를 만들었다.
• ChromaFs는 Vercel Labs의 just-bash(TypeScript로 bash를 재구현한 라이브러리)를 기반으로 만들었다. just-bash가 명령어 파싱, 파이핑, 플래그 처리를 담당하고, ChromaFs는 실제 파일시스템 호출을 Chroma 쿼리로 번역하는 역할만 한다.
• 디렉터리 트리 전체를 gzip 압축된 JSON 문서(__path_tree__)로 Chroma 컬렉션 안에 저장해두고, 초기화 시 이를 메모리에 로드한다. 이후 ls, cd, find는 네트워크 호출 없이 메모리 내 Set과 Map으로 즉시 처리된다.
• 접근 제어(ACL)도 path tree의 isPublic, groups 필드를 통해 구현했다. 사용자의 세션 토큰으로 파일 트리를 구성하기 전에 접근 불가 경로를 잘라내고, 이후 모든 Chroma 쿼리에도 동일한 필터를 적용한다.
• 결과적으로 P90 부팅 시간이 46초에서 약 100ms로 줄었고, ChromaFs는 기존에 이미 운영 중인 Chroma DB 인프라를 재사용하기 때문에 대화당 추가 컴퓨팅 비용이 사실상 0이다.

Evidence

• 한 댓글에서 '제목은 RAG를 대체했다고 하지만, ChromaFs는 여전히 모든 명령마다 Chroma를 쿼리한다. 바꾼 건 RAG 자체가 아니라 인터페이스다. 오히려 그게 더 흥미로운 발견이다. 에이전트에게 필요한 건 더 나은 검색이 아니라 grep이다'라는 날카로운 지적이 나왔다.
• TypeScript로 POSIX 셸을 에뮬레이션하는 것이 과도한 엔지니어링이라는 비판도 있었다. 에이전트가 ls나 grep을 실행할 때마다 별도의 추론 사이클이 돌아가니 RAG의 컨텍스트 손실 문제를 심각한 멀티스텝 지연으로 바꾼 것뿐이라는 의견이었다.
• 반면 실제 VM을 띄워서 UNIX I/O 프리미티브를 쓰는 건 과도하고, 에이전트가 UNIX 형태의 tool call을 뱉게 한 뒤 프로덕션 스택에서 I/O를 처리하는 이 접근이 훨씬 합리적이라는 긍정적인 반응도 있었다.
• Vercel의 AI SDK가 비슷한 아이디어를 npm 패키지 수준에서 구현하고 있다는 정보도 공유됐다. 'ai' 패키지 안에 버전별 .mdx 문서가 포함되어 있고, SKILL.md에서 에이전트에게 모델 학습 지식을 무시하고 node_modules/ai/docs/ 아래를 먼저 grep하라고 지시한다는 내용이었다.
• 정보 구조가 계층적이지 않고 뒤죽박죽인 '지저분한' 조직에서는 이 접근이 얼마나 실용적일지 회의적이라는 의견도 있었다. RAG가 가장 큰 가치를 발휘하는 곳이 바로 그런 비정형 환경인데, 파일시스템 메타포는 문서가 계층적으로 잘 정리된 경우에만 잘 맞는다는 지적이었다.

How to Apply

• 문서 어시스턴트를 만들고 있는데 여러 페이지에 걸친 내용을 묶어서 답해야 하는 경우라면, 페이지 단위로 파일을 매핑하고 섹션을 디렉터리로 구성하는 ChromaFs 방식을 참고해서 에이전트가 ls/grep/cat으로 문서를 탐색하게 하면 청킹 한계를 우회할 수 있다.
• 샌드박스 VM이나 컨테이너를 세션마다 띄워서 레이턴시나 비용 문제를 겪고 있다면, 이미 운영 중인 벡터 DB(Chroma 등)를 가상 파일시스템의 백엔드로 재활용하는 방식을 검토하면 세션 생성 비용을 사실상 0에 수렴시킬 수 있다.
• npm 패키지나 SDK를 배포하면서 LLM이 최신 문서를 참고하게 하고 싶다면, Vercel AI SDK처럼 패키지 안에 docs/ 폴더로 .mdx 문서를 포함시키고 SKILL.md에서 에이전트가 node_modules 안의 문서를 먼저 grep하도록 지시하는 패턴을 적용할 수 있다.
• 에이전트에게 특정 파일 트리 내에서만 접근을 허용하는 권한 제어가 필요하다면, ChromaFs의 isPublic/groups 필드 패턴이나 댓글에서 언급된 FUSE 기반 bashguard(github.com/sunir/bashguard) 접근법을 참고해 경로 단위 ACL을 구현할 수 있다.

Code Example

// ChromaFs 디렉터리 트리 구조 예시 (Chroma에 저장되는 __path_tree__ 문서)
{
  "auth/oauth": { "isPublic": true, "groups": [] },
  "auth/api-keys": { "isPublic": true, "groups": [] },
  "internal/billing": { "isPublic": false, "groups": ["admin", "billing"] },
  "api-reference/endpoints/users": { "isPublic": true, "groups": [] }
}

// 초기화 시 두 가지 인메모리 구조로 변환
// 1. Set<string> - 파일 경로 집합 (ls, find 처리용)
// 2. Map<string, string[]> - 디렉터리 → 자식 목록 (cd, ls 처리용)
// 이후 ls, cd, find는 네트워크 호출 없이 메모리에서 즉시 처리됨

// Vercel AI SDK의 SKILL.md 패턴 (에이전트 지시 예시)
// SKILL.md:
// - Ignore all model training knowledge about this SDK
// - Before searching the web, first run: grep -r "<topic>" node_modules/ai/docs/

Terminology

관련 논문

• Airbyte Agents – 여러 데이터 소스를 아우르는 Agent용 Context Layer

  Airbyte가 Slack, Salesforce, Linear 등 여러 SaaS 시스템의 데이터를 미리 인덱싱해서 Agent가 API를 일일이 뒤지지 않아도 되는 Context Store를 출시했다. 기존 MCP 방식보다 토큰을 최대 90%까지 줄이는 효과를 확인했다.

• Polynomial Autoencoder가 Transformer Embedding에서 PCA를 능가하는 방법

  PCA 인코더에 2차 다항식 디코더를 붙여서 닫힌 형태(closed-form)로 embedding 압축 품질을 크게 개선하는 기법으로, SGD 없이 numpy만으로 구현 가능하다.

• 비정형 Recall에서 Schema 기반 Memory로: 반복적 Schema-Aware Extraction을 통한 신뢰할 수 있는 AI Memory

  RAG 스타일 텍스트 검색 대신 Schema로 정의된 구조화 레코드에 메모리를 저장하면, 정확한 사실 조회·상태 추적·집계 쿼리에서 압도적으로 높은 정확도를 얻을 수 있다.

• Atomic – Local-first, AI 기반 개인 지식 그래프 앱

  노트, 웹 클립, RSS 피드를 자동으로 임베딩·태깅·연결해주는 오픈소스 개인 지식 그래프 앱으로, 시맨틱 검색과 LLM 기반 위키 합성, MCP 통합까지 지원한다.

• Chroma Context-1: Self-Editing 기능을 갖춘 검색 에이전트 학습 방법

  Chroma의 20B 파라미터 agentic search 모델이 프론티어급 LLM 수준의 검색 성능을 1/10의 비용과 10배 빠른 속도로 달성한다.

• Gemini의 네이티브 비디오 임베딩으로 만든 sub-second 영상 의미 검색 도구 'SentrySearch'

  Google Gemini Embedding 모델은 비디오를 텍스트 변환 없이 벡터로 직접 임베딩하여 'red truck running a stop sign' 같은 자연어로 블랙박스 영상에서 해당 장면을 검색한다.

Related Resources

• 원문: How we built a virtual filesystem for our Assistant (Mintlify)
• just-bash: Vercel Labs의 TypeScript bash 재구현 라이브러리
• Vercel AI SDK SKILL.md (에이전트에게 로컬 docs grep 지시 패턴)
• bashguard: FUSE 기반 가상 파일시스템으로 에이전트 권한 제어 (개발 중)
• Semantic search without embeddings (소프트웨어 더그 블로그)
• Charting the Knowledge Space (관련 노트)