AI 에이전트 메모리와 컨텍스트: 하나의 API, 인프라는 제로 (2026년 7월)

2026-07-24

프로덕션 AI 에이전트를 구축하려면 무엇보다 먼저 메모리 문제를 해결해야 합니다. 모든 주요 모델 API는 상태를 유지하지 않고, 모든 세션은 빈 상태에서 시작하며, 기억된 컨텍스트의 모든 토큰에는 비용이 발생합니다. Jenova Agent API는 단 한 번의 통합 뒤에서 완전 관리형 메모리, 컨텍스트, 스토리지 및 오케스트레이션을 제공하여 이 전체 엔지니어링 계층을 제거합니다. 데이터베이스를 하나도 프로비저닝하지 않아도 에이전트가 세션 전반에 걸쳐 사용자를 기억합니다.

✅ 모든 세션에 무제한 대화 메모리와 컨텍스트 내장 — Redis, Postgres, 직렬화 코드 불필요
✅ 내장 RAG를 갖춘 완전 관리형 스토리지 — 프로비저닝, 튜닝, 확장할 벡터 데이터베이스 불필요
✅ 하나의 엔드포인트로 모든 최첨단 모델 사용 — OpenAI, Anthropic, Google, xAI, Qwen 등
✅ 70개국 이상에서 30,000명 이상의 사용자가 검증한 프로덕션급 인프라

2026년에 관리형 메모리가 이토록 중요한 이유를 이해하려면, 직접 구축할 때 실제로 무엇이 필요한지와 대부분의 에이전트 프로젝트가 출시 전에 실패하는 이유를 살펴보는 것이 좋습니다.

사용자 선호도, 이전 대화, 작업 이력, 지식 베이스, 단기 및 장기 메모리 저장소를 포함하는 AI 에이전트 메모리 아키텍처

빠른 답변: AI 에이전트 메모리와 컨텍스트 관리는 무엇인가요?

AI 에이전트 메모리는 에이전트가 세션 전반에서 대화 이력, 사용자 선호도, 프로젝트 컨텍스트를 유지할 수 있게 하는 인프라입니다. 컨텍스트 관리는 매 호출 시 모델의 제한된 창에 무엇을 넣을지 결정하며, 프로덕션급 시스템은 이 두 가지를 모두 자동으로 처리합니다.

관리형 메모리 계층의 핵심 기능:

세션과 사용자별로 구분되는 영구 단기 및 장기 메모리
자동 컨텍스트 윈도잉 — 수동 트리밍, 정리 또는 요약 로직 불필요
업로드한 지식 베이스 전반의 내장 검색(RAG)을 처음부터 끝까지 관리
공급자 변경과 모델 업그레이드 후에도 유지되는 모델 독립적 메모리

문제: 에이전트 메모리가 스택에서 가장 어려운 부분인 이유

대규모 언어 모델은 ‘근본적으로 상태를 유지하지 않으며 상호작용 사이의 정보를 보존하지 않습니다.’ 이 때문에 개발자는 대화 이력, 사용자 선호도, 세션 간 컨텍스트를 위한 맞춤형 메모리 시스템을 구축해야 합니다(AWS). 연구 결과도 이 문제의 심각성을 확인합니다. LLM은 ‘고정된 컨텍스트 윈도우와 불충분한 메모리 관리로 인해 중대한 과제에 직면’하며(EMNLP 2025), 통합 메모리는 증가하는 추론 비용과 함께 여전히 활발한 연구 과제입니다(arXiv, 2026).

하지만 에이전트가 실제로 기억하게 만드는 일은 놀랄 만큼 어렵습니다.

상태를 유지하지 않는 모델 API는 호출 사이의 모든 것을 잊음
컨텍스트 윈도우 제한은 가장 이른 지시사항을 조용히 삭제함
토큰 비용은 기억하려는 모든 정보와 함께 증가함
외부 상태 저장소는 직접 설계, 보안 설정 및 확장해야 함
검색 파이프라인은 지속적인 튜닝 없이는 성능이 저하됨

상태를 유지하는 세상 속의 상태 비저장 API

모든 주요 모델 API는 응답을 반환한 뒤 이를 잊습니다. 사용자 선호도, 프로젝트 컨텍스트, 이전 대화를 세션 전반에서 회상하는 영구 메모리를 구현하려면 Redis 클러스터, Postgres 데이터베이스, 맞춤 직렬화 계층, 그리고 토큰 제한을 넘지 않기 위한 신중한 컨텍스트 윈도잉 등 외부 상태 관리가 필요합니다.

사용자가 치르는 비용은 큽니다. AWS는 세션 중간에 고객의 은퇴 목표를 잃어버리는 에이전트와 정립된 코딩 스타일 선호도를 잊어버리는 코딩 어시스턴트를 문서화했습니다. 그 결과 ‘대화는 연속적이고 발전적인 흐름이 아니라 단절되고 반복적으로 변합니다’(AWS).

조용한 컨텍스트 윈도우 삭제

컨텍스트 윈도우가 가득 차면 가장 오래된 토큰부터 삭제됩니다. 오류 메시지도, 경고도 없습니다. 한 사례에서는 스페인어 전용 지원 봇이 8번의 대화 턴 동안 정상 작동하다가 시스템 지시사항이 조용히 윈도우 밖으로 밀려나면서 영어로 답변하기 시작했습니다(AI Outlooks).

128K~1M 토큰 — 현재 컨텍스트 윈도우의 범위이며, 모두 유한합니다(AI Outlooks)

가드레일, 출력 형식 규칙, 사용자의 원래 요구사항까지 모두 조용히 제거될 후보입니다. 그리고 그 사실을 알려주는 것은 아무것도 없습니다.

컨텍스트 비용은 규모에 따라 누적됩니다

기억하는 모든 토큰은 매번의 호출마다 비용을 지불해야 하는 토큰입니다.

$2.00~$15.00 — 고급 모델에서 100만 토큰을 처리하는 비용(DataNorth)

월 $1,800 — 최첨단 모델에서 2,000토큰 시스템 프롬프트 하나를 하루 10,000회 재전송하는 비용(AI Outlooks)

최첨단 모델의 전체 윈도우를 채우면 요청당 입력 토큰 비용만 $3.00~$5.00가 듭니다. 이를 매일 수천 개의 세션에 곱하면, 순진한 ‘전체 이력 전송’ 방식의 메모리는 스택에서 가장 비용이 큰 항목이 됩니다.

회상은 스토리지 문제가 아니라 엔지니어링 문제입니다

원시 대화 데이터를 저장한다고 해서 메모리가 되는 것은 아닙니다. 지능적인 추출과 구조화된 정리가 없으면 개발자는 적절한 대화 턴에 적절한 정보를 제시하기 위한 복잡한 시스템을 구축해야 합니다(AWS).

텍스트가 윈도우에 들어가더라도 모델은 긴 입력의 처음과 끝에 가장 안정적으로 주의를 기울입니다. 중간에 있는 콘텐츠는 부분적으로 무시됩니다. 이는 Liu 등이 문서화한 ‘중간 정보 손실’ 효과입니다(AI Outlooks). 검색 품질, 청크 배치, 관련성 순위 지정은 그 자체로 독립된 엔지니어링 분야가 됩니다. 이 때문에 OpenAI는 컨텍스트 트리밍, 압축 인지 세션, 상태 주입을 다루는 메모리 패턴 전용 세션을 운영합니다(OpenAI Build Hour).

유지보수는 끝나지 않습니다

메모리 인프라는 결코 완성되지 않습니다. 메모리 대시보드, 투명성 제어, 편집 및 삭제 기능은 이제 기본적으로 기대되는 기능이 되고 있으며(The New Stack), 이 범주는 주요 클라우드 기업들이 자체 관리형 메모리 서비스를 출시할 만큼 커졌습니다(Cloudflare).

프로토타입에서는 직접 구축한 메모리도 관리할 수 있습니다. 하지만 장기 실행 컨텍스트를 가진 수백 명의 동시 사용자를 지원하려면, 자체 확장 과제와 장애 모드를 지닌 독립적인 엔지니어링 프로젝트가 됩니다. 바로 이 문제를 없애기 위해 Jenova Agent API가 만들어졌습니다.

솔루션: Jenova Agent API

Jenova Agent API는 완전 관리형 에이전트 인프라 서비스입니다. LLM API, 메모리 저장소, 벡터 데이터베이스, 오케스트레이션 프레임워크로 이루어진 직접 구축 스택을 단 한 번의 통합으로 대체합니다. 에이전트 지시사항을 정의하고, 모델을 선택하고, 지식 베이스를 업로드하고, 도구를 구성하면 됩니다. 메모리와 컨텍스트는 기본으로 제공됩니다.

직접 구축 에이전트 메모리 스택	Jenova Agent API
세션 상태용 Redis/Postgres 및 맞춤 직렬화	모든 세션에 내장된 무제한 메모리와 컨텍스트
수동 컨텍스트 트리밍, 정리 및 요약 로직	모든 호출에서 자동으로 관리되는 컨텍스트
벡터 데이터베이스 프로비저닝, 임베딩, 인덱싱 및 확장	내장 RAG를 갖춘 완전 관리형 스토리지
모델 공급자별 별도 SDK, 키, 속도 제한	단 한 번의 통합으로 모든 모델 사용 — 종속성 없음
자체 호스팅 오케스트레이션 그래프 및 재시도 로직	프로덕션급 인프라에서 검증된 오케스트레이션

메모리 및 컨텍스트

모든 세션에 무제한 대화 메모리와 컨텍스트가 내장되어 있습니다. 외부 상태 저장소, 직렬화 코드, 컨텍스트 윈도우 엔지니어링이 필요 없습니다. 에이전트는 세션 전반에서 사용자 선호도, 이전 상호작용, 장기 실행 프로젝트 컨텍스트를 자동으로 기억합니다.

외부 데이터베이스를 사용해 영구 대화 상태를 구현하는 데 수주를 보낸 개발자라면, 이것만으로도 전체 엔지니어링 작업 범주와 지속적인 인프라 비용을 없앨 수 있습니다.

내장 RAG를 갖춘 완전 관리형 스토리지

검색 기능이 내장된 관리형 관계형 및 벡터 데이터베이스를 제공합니다. 문서와 지식 베이스를 업로드하면 API가 청킹, 임베딩, 인덱싱, 검색을 처리합니다. 프로비저닝, 튜닝 또는 확장해야 할 벡터 데이터베이스가 없습니다.

이는 프로덕션 RAG가 단순한 유사도 검색보다 훨씬 더 많은 것을 요구하기 때문입니다. 문서 처리, 청킹 전략, 인덱스 유지보수, 권한 인식 검색이 필요하며(IBM), 이 모든 것은 모델 학습 데이터 외부의 신뢰할 수 있는 지식 베이스에 기반해야 합니다(AWS). 이 인프라 뒤의 검색 계층은 독립적으로도 검증되었습니다. Pinecone은 자사의 서버리스 아키텍처가 Jenova에 ‘에이전트 메모리, 문서 RAG, 에이전트 간 지식 재사용을 위한 안정적이고 낮은 지연 시간의 검색 계층’을 제공한다고 설명합니다(Pinecone).

모든 모델 사용

하나의 자격 증명으로 OpenAI, Anthropic, Google, xAI, Qwen 등의 모델을 활용해 에이전트를 구동하세요. 문서 중심 에이전트에는 더 큰 컨텍스트 윈도우를 선택하고, 대량 세션에는 더 저렴한 모델을 선택할 수 있습니다. 마이그레이션 작업이나 공급자별 키 관리 없이 자유롭게 전환할 수 있습니다.

메모리 계층은 전환 후에도 유지됩니다. 다음 요청을 어떤 모델이 처리하든 사용자 선호도와 이력은 지속됩니다.

에이전트 오케스트레이션

다단계 추론, 도구 호출, 검색, 응답 합성이 모두 플랫폼 내부에서 이루어집니다. 구축하거나 유지보수할 맞춤 그래프 정의, 상태 스키마, 워크플로 DAG가 없습니다. 에이전트가 달성해야 할 무엇을 정의하면, 인프라가 어떻게 수행할지 결정합니다.

도구 및 MCP

플랫폼 네이티브 도구와 모든 원격 MCP 서버를 통한 무제한 도구 통합을 기본 제공하며, Gmail, Google Calendar, Drive, Search, Notion 등을 즉시 사용할 수 있습니다. 래퍼 코드, 인증 흐름 연결 작업, 오류 처리 보일러플레이트가 필요 없습니다.

프로덕션급

안정적인 API와 함께 프로덕션 트래픽을 위해 구축된 완전 관리형 인프라입니다. 서버, 컨테이너, 확장 정책, 가동 시간 모니터가 필요 없습니다. 70개국 이상에서 30,000명 이상의 사용자로 프로덕션 환경에서 검증되었습니다.

홀로그램 API 인터페이스, 데이터 스트림 및 시스템 통합 아이콘으로 에이전트 메모리 API를 통합하는 개발자

구축할 수 있는 것

이 API는 자체 제품 내 기능으로 상태 유지형 에이전트를 출시하는 개발자를 위해 설계되었습니다. 아래의 각 사례는 메모리를 우선시하는 애플리케이션으로, 메모리 인프라를 건드리지 않고 구축 및 출시할 수 있습니다.

모든 고객을 기억하는 AI 기반 지원

제품 문서와 티켓 이력으로 학습된 지원 에이전트를 구축하세요. 세션 메모리가 상호작용 전반에서 각 고객의 전체 지원 여정을 추적하므로, 더 이상 ‘계정 번호를 다시 말씀해 주시겠어요?’라고 물을 필요가 없습니다.

플랫폼이 문서 인덱싱과 검색을 관리
MCP를 통해 티켓 관리 및 CRM 시스템 연결
상태 관리에 한 분기를 쓰는 대신 며칠 안에 출시

장기적 컨텍스트를 갖춘 임베디드 금융 자문가

수개월에 걸친 대화 전반에서 각 고객의 보유 자산, 위험 허용도, 목표를 기억하는 포트폴리오 자문가를 핀테크 대시보드 안에 출시하세요.

내장 메모리가 자문 관계를 자동으로 유지
비용 최적화를 위해 쿼리 복잡도별로 모델 전환
한 번의 통합으로 전체 대화형 경험 구동

모든 학생을 추적하는 개인화 튜터

각 학생의 학습 진도, 취약 영역, 선호도가 세션 전반에서 유지되는 적응형 학습 에이전트를 배포하세요. 외부 상태 저장소나 학생별 데이터베이스 행을 관리할 필요가 없습니다.

검색을 다시 설계하지 않아도 지식 베이스 업데이트를 즉시 배포
관리형 인프라에서 수천 명의 동시 학습자로 확장
Redis, Postgres, 맞춤 직렬화 없이 학습 진도를 지속적으로 보존

정책에 근거한 컴플라이언스 에이전트

내부 정책 문서와 감사 추적에 연결된 규제 에이전트를 구축하세요. 직원은 요구사항을 질의하고 조직 고유의 프레임워크에서 인용한 답변을 받을 수 있으며, 후속 질문에서도 대화 컨텍스트가 유지됩니다.

모바일 앱을 위한 건강 및 습관 동반자

각 사용자의 루틴, 제약 사항, 이력을 기억하는 웰니스 동반자를 iOS 또는 Android 앱에 출시하세요. 이는 단순한 챗봇과 코치의 차이를 만듭니다.

API 키를 발급받고 몇 분 안에 첫 번째 에이전트를 출시하세요.

작동 방식: API 키에서 상태 유지형 에이전트까지 4단계

1단계: API 키 발급

계정을 만들고 플랫폼 대시보드에서 API 키를 생성하세요. 하나의 자격 증명으로 모든 모델 공급자와 구축하는 모든 에이전트를 사용할 수 있으므로, 공급자별 키 관리가 필요 없습니다.

2단계: 에이전트 구축 또는 선택

자체 지시사항, 선호 모델, 지식 베이스, 도구 구성으로 맞춤 에이전트를 정의하거나 사전 구축된 에이전트로 시작하세요. 에이전트의 메모리 동작은 별도로 구성하는 기능이 아니라 플랫폼에 본질적으로 내장된 기능입니다.

3단계: 크레딧 추가

계정에 크레딧을 충전하세요. 사용량은 호출당 잔액에서 차감됩니다. 인프라 청구서, 벡터 데이터베이스 청구서, 백그라운드에 숨어 있는 Redis 클러스터 비용이 없습니다.

4단계: 호출 실행

단 한 번의 POST 요청으로 오케스트레이션, 메모리, 검색, 도구를 포함한 전체 에이전트가 실행됩니다. 후속 호출에서 동일한 session_id를 전달하면 에이전트는 정확히 이전 상태부터 이어서 처리합니다.

bash
curl -X POST https://api.jenova.ai/v1/chat \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "agent_id": "your-support-agent",
    "message": "What issues has this customer reported before, and how were they resolved?",
    "session_id": "session-abc-123"
  }'

구성할 메모리 저장소도, 작성할 컨텍스트 윈도우 로직도 없습니다. 전체 엔드포인트 사양, 요청/응답 스키마, SDK 세부 사항은 API 문서에서 확인할 수 있습니다.

결과 및 사용 사례

💼 고객을 기억하는 지원 기능을 출시하는 3인 SaaS 팀

시나리오: 3,000명의 고객을 보유한 B2B SaaS 스타트업이 3명의 엔지니어링 팀으로 각 계정의 이력을 기억하는 AI 지원 기능을 필요로 합니다.

기존 방식: 오케스트레이션 프레임워크를 선택합니다. 문서용 벡터 데이터베이스를 프로비저닝합니다. Redis 또는 Postgres로 대화 메모리를 구축합니다. 컨텍스트 윈도잉, 호스팅, 확장, 모니터링을 처리합니다. 첫 고객 대면 응답이 나오기 전까지 수개월의 인프라 작업이 필요합니다.

Jenova Agent API: 지원 지시사항과 에스컬레이션 규칙을 정의하고, 문서를 업로드하고, MCP를 통해 티켓 관리 시스템을 연결합니다. 영구 세션 메모리가 첫날부터 모든 고객에게 연속적인 지원 이력을 제공합니다.

✅ 수개월이 아닌 며칠 만에 프로덕션 배포
✅ 프로비저닝하거나 유지보수할 메모리 시스템 또는 벡터 데이터베이스 없음
✅ 엔지니어는 에이전트 연결 작업이 아닌 제품 개발에 집중

📊 백엔드 팀 없이 자문가를 출시하는 핀테크

시나리오: 한 핀테크 기업이 프리미엄 대시보드 기능으로 AI 포트폴리오 분석을 도입하려 합니다. 두 명의 백엔드 엔지니어는 에이전트 인프라 경험이 없습니다.

기존 방식: 오케스트레이션 프레임워크를 학습하고, 상태 유지형 자문 워크플로를 구축하고, 지속적인 고객 관계를 위한 메모리 영속성을 구현하고, 금융 문서용 RAG를 프로비저닝해야 합니다. 또한 장기 컨텍스트 처리만으로도 100만 토큰당 $2.00~$15.00가 드는(DataNorth) 상황에서, 기억하는 모든 포지션에 따라 증가하는 토큰 비용까지 감당해야 합니다.

Jenova Agent API: 도메인 지시사항으로 금융 자문가 에이전트를 구성하고, MCP를 통해 시장 데이터를 연결하면 내장 메모리가 모든 자문 대화 전반에서 포트폴리오 컨텍스트를 유지합니다.

✅ 학습, 호스팅, 유지보수할 오케스트레이션 프레임워크 없음
✅ 코드 변경 없이 모델 전환을 통한 비용 최적화
✅ 기본 제공되는 장기 고객 메모리

📱 대규모 적응형 튜터링을 배포하는 EdTech 앱

시나리오: 30,000명의 학생을 지원하는 모바일 교육 앱이 교육과정 지식과 학생별 진도 추적 기능을 갖춘 4개 과목의 개인화 튜터를 필요로 합니다.

기존 방식: 과목별 에이전트 구성, 외부 데이터베이스의 학생별 메모리 영속성, 교육과정용 벡터 스토리지, 모델 라우팅, 그리고 컨텍스트를 잃지 않고 30,000개의 동시 상태 유지형 세션을 보존할 인프라가 필요합니다.

Jenova Agent API: 교육과정별 지시사항과 자료를 갖춘 과목별 튜터 에이전트를 만드세요. 세션 메모리는 각 학생의 진도를 자동으로 보존하고, RAG는 업로드 시 교육과정을 인덱싱합니다.

✅ 외부 상태 저장소 없이 지속되는 개인화 학습 컨텍스트
✅ 검색을 다시 설계하지 않고 배포하는 지식 베이스 업데이트
✅ 첫날부터 제공되는 프로덕션급 동시성

🎯 4개 고객사의 메모리 인프라를 대체하는 에이전시

시나리오: 한 개발 에이전시가 의료 분류, 법률 계약 검토, 이커머스 탐색, 엔터프라이즈 검색 등 4개 고객사를 위한 AI 기능을 구축하고 있습니다. 직접 구축하면 고객사마다 메모리 저장소, RAG 파이프라인, 호스팅을 중복 구축해야 합니다.

기존 방식: 각각 고유한 장애 모드를 지닌 4개의 별도 메모리 아키텍처, 4개의 검색 스택, 4세트의 확장 및 유지보수 의무가 필요합니다.

Jenova Agent API: 하나의 통합, 하나의 API 키로 해결됩니다. 고객사별 도메인 특화 지시사항, 모델, 지식 베이스, 도구를 갖춘 맞춤 에이전트가 모두 동일한 관리형 메모리 인프라에서 실행됩니다.

✅ 단일 통합으로 무제한 고객 프로젝트까지 확장
✅ 고객사별 공급자 관리 없이 고객사별 모델 선택
✅ 인프라 복제가 아닌 제품 로직에 투자하는 엔지니어링 시간

FAQ

Jenova Agent API는 직접 구축한 Redis 또는 Postgres 환경과 비교해 메모리를 어떻게 다르게 처리하나요?

메모리와 컨텍스트가 모든 세션에 내장되어 있으므로 외부 상태 저장소, 직렬화 코드, 컨텍스트 윈도우 엔지니어링이 필요 없습니다. 플랫폼이 영속성, 검색, 윈도잉을 자동으로 관리하여 직접 구축한 스택에서 장애가 가장 많이 발생하는 계층을 제거합니다. 자세한 내용은 API 문서에서 확인할 수 있습니다.

API에서 사용할 수 있는 모델은 무엇인가요?

에이전트는 단 한 번의 통합으로 OpenAI, Anthropic, Google, xAI, Qwen 등의 모델을 사용할 수 있습니다. 에이전트별로 모델을 선택하고 자유롭게 전환할 수 있으며, 새 모델이 출시되어도 공급자 종속이나 마이그레이션 작업이 없습니다.

API 요금과 크레딧은 어떻게 작동하나요?

사용량은 크레딧 기반입니다. 계정에 크레딧을 추가하면 각 API 호출이 잔액에서 차감됩니다. 별도의 인프라, 데이터베이스 또는 메모리 저장소 비용이 없으며 관리형 스택이 포함되어 있습니다. 현재 요금은 플랫폼 페이지에서 확인하세요.

통합은 얼마나 어려운가요?

통합은 API 키 발급, 에이전트 구축 또는 선택, 크레딧 추가, 호출 실행의 4단계 흐름입니다. 단 한 번의 POST 요청으로 오케스트레이션, 메모리, RAG, 도구를 포함한 완전한 에이전트가 실행됩니다. LangGraph 또는 CrewAI 같은 프레임워크는 필요하지 않습니다.

에이전트가 세션 전반에서 사용자를 무기한 기억할 수 있나요?

예. 일관된 session_id를 전달하면 에이전트가 세션 전반에서 대화 이력, 선호도, 프로젝트 컨텍스트를 자동으로 유지합니다. 메모리는 무제한이며 각 요청을 처리하는 모델과 독립적으로 지속됩니다.

API는 프로덕션 환경에 준비되어 있나요?

예. 이 인프라는 프로덕션 트래픽을 위해 구축된 안정적인 API를 갖춘 완전 관리형 서비스이며, 플랫폼은 70개국 이상에서 30,000명 이상의 사용자로 프로덕션 환경에서 검증되었습니다.

결론

AI 에이전트 메모리와 컨텍스트 관리는 프로덕션 에이전트 프로젝트의 성패를 좌우하는 지점입니다. 상태를 유지하지 않는 API, 조용히 줄어드는 컨텍스트 윈도우, 누적되는 토큰 비용, 지속적인 엔지니어링을 요구하는 검색 파이프라인이 그 이유입니다. 직접 구축하는 길은 에이전트가 사용자 가치를 제공하기도 전에 전체 상태 유지형 인프라 계층을 구축하고 유지보수해야 한다는 의미입니다.

Jenova Agent API는 세션별 무제한 메모리와 컨텍스트, 내장 RAG를 갖춘 완전 관리형 스토리지, 모든 최첨단 모델, 프로덕션급 인프라를 단 한 번의 통합으로 제공하여 이 스택을 대체합니다. 에이전트를 정의하고, 호출하고, 출시하세요. API 문서로 구축을 시작하거나, Jenova Agent API 플랫폼에서 키를 발급받거나, Jenova에서 전체 플랫폼을 살펴보세요.