[TIL] Ji Yichao, Manus 수석 과학자와의 3시간 인터뷰 (Meta에 인수됨)

Source: Dev.to

2026년 1월 5일
Full Video

개요

• Ji Yichao는 AI 스타트업을 10년간 구축해 온 경험을 되돌아보며 Tokenize → LSTM → Transformer 애플리케이션의 진화와 AI 브라우저를 두 차례 만든 이야기를 다룹니다.
• 그는 클라우드 제공업체와 모델 제공업체가 해결하지 못한 문제—특히 LLM이 스스로 작업을 계획할 수 있게 하는 견고한 툴 라이브러리—를 해결함으로써 Manus가 성공한 이유를 설명합니다.
• AI 에이전트는 광범위한 최적화가 필요하기 때문에 제조 공정에 비유됩니다.
• Manus의 제품 전략은 **“하지 않을 것을 결정하는 것”**에 중점을 둡니다.

인터뷰 구간 빠른 링크:

Manus 및 모델 컨텍스트 프로토콜 (MCP)

Manus는 동적 툴 탐색이 Action Space를 오염시켜 캐시 히트율을 낮추고 비용을 증가시킬 수 있기 때문에 MCP 사용에 보수적인 접근을 취합니다. 제안된 개선점은 MCP를 네이티브 Action Space 외부에서 호출하는 것입니다.

MCP 과제

• 툴 정의가 컨텍스트 윈도우를 과부하 시킵니다.
• 중간 툴 결과가 추가 토큰을 소비합니다.

코드 실행의 장점

• 에이전트는 필요할 때 툴을 로드하고 실행 환경 내에서 데이터를 처리할 수 있습니다.
• 토큰 사용량 감소 → 비용 및 지연 시간 감소.
• 프라이버시 보호와 상태 관리가 향상됩니다.

구현 세부 사항

• TypeScript를 사용해 사용 가능한 툴의 파일‑트리를 생성합니다.
• 에이전트는 파일 시스템을 탐색하며 필요한 정의만 로드합니다.
• 데이터 필터링, 변환 및 프라이버시‑보존 작업을 가능하게 합니다.
• 상태 지속성 및 스킬 저장을 지원합니다.

보안 및 인프라

• 보안 샌드박스 환경에 리소스 제한 및 모니터링이 필요합니다.
• 이러한 운영 요구사항은 오버헤드와 보안 고려사항을 추가합니다.

Reference: “Code execution with MCP: Building more efficient agents” (Anthropic blog).
PDF on building agents (OpenAI)

AI 역량 수준

1. 대화형 AI / 챗봇
2. 인간 수준 문제 해결 / 추론기
3. 에이전트
4. 혁신가
5. 조직가

(See timestamp: )

언급된 영향력 있는 논문

• FLAN‑T5 – Scaling Instruction‑Finetuned Language Models

  • 11B FLAN‑T5 모델로 강력한 결과를 달성했습니다.
  • arXiv:2210.11416

• Word2Vec – Efficient Estimation of Word Representations in Vector Space

  • 텍스트를 의미적으로 연관된 벡터로 변환하는 효율적인 수학적 아키텍처를 도입하여 NLP 분야의 딥러닝 시대를 열었습니다.
  • arXiv:1301.3781

기업가 정신 인사이트

• “똑똑하지는 않지만, 할 일이 없는 사람들 그룹에서는 훌륭한 아이디어가 떠오른다.” (timestamp: )
• 인용: “모든 복잡한 문제에는 명확하고 단순하지만 틀린 답이 있다.” – H. L. Mencken