Context Anchoring
Author: Rahul Garg | Source: https://martinfowler.com/articles/reduce-friction-ai/context-anchoring.html | Published: 2026-03-17
한 줄 요약
AI 코딩 세션 간 의사결정 컨텍스트를 외부 문서(feature document)로 외재화하여, 긴 대화에 의존하는 악순환을 끊고 세션 간 지속 가능한 공유 멘탈 모델을 구축하는 방법론이다.
핵심 주장/내용
- 개발자가 AI 대화를 지나치게 길게 유지하는 이유는 컨텍스트가 대화 안에만 존재하기 때문이며, 이는 오히려 모델의 recall 정확도를 저하시키는 악순환을 만든다
- “Lost in the Middle” 연구가 보여주듯, LLM은 긴 컨텍스트 중간에 위치한 정보를 크게 놓치며, 의사결정의 이유(why)가 결정 자체(what)보다 먼저 퇴색한다
- Feature document는 프로젝트 수준의 priming document와 구분되며, 기능별 결정/제약/미결 사항/진행 상태를 기록하는 살아있는 ADR(Architecture Decision Record) 역할을 한다
- 새 세션 시작 시 feature document를 로드하면 30초 만에 warm start가 가능하며, 팀원 간 독립적인 AI 세션에서도 공유 컨텍스트를 유지할 수 있다
- 다중 세션 기능 개발에서는 필수적이나, 단일 세션 단순 작업에는 오버헤드가 불필요하다
주요 수치 / 사실
- Feature document 약 50줄로 수백~수천 줄의 코드가 표현할 수 없는 의사결정 컨텍스트를 담을 수 있음
- 세션 재구축 시간: 45분 → 30초로 단축 (3번째 세션 기준)
- LLM의 컨텍스트 윈도우 중간부 recall 정확도가 양 끝 대비 유의미하게 하락 (Stanford/Berkeley 2023 연구)
관련 위키
Source: 원문 보기