ctx – 로컬 머신의 코딩 에이전트 히스토리를 검색하는 CLI 도구

Who Should Read

Claude Code, Cursor, Codex 같은 AI 코딩 에이전트를 일상적으로 사용하는 개발자 중, 에이전트가 이전에 했던 작업이나 결정을 매번 잊어버려서 반복 작업이 발생하는 상황에 처한 사람.

Core Mechanics

• 코딩 에이전트는 기본적으로 세션마다 새로 시작하기 때문에, 이전 세션에서 논의된 아키텍처 결정, 실패했던 접근 방식, 실행했던 커맨드, 테스트 결과 같은 맥락 정보를 다음 세션에서 활용하지 못한다.
• ctx는 각 에이전트 도구(Claude Code, Cursor, Codex 등)가 로컬에 저장하는 히스토리 파일을 읽어서 SQLite 데이터베이스로 인덱싱하고, 이후 에이전트가 CLI로 이전 세션을 검색할 수 있게 해준다.
• 설치는 `curl -fsSL https://ctx.rs/install | sh` 한 줄로 가능하고, 에이전트 세션에서 직접 활용하려면 `npx skills add ctxrs/ctx`로 에이전트 스킬로도 등록할 수 있다.
• raw 트랜스크립트(에이전트 대화 원본 텍스트)를 그대로 검색하는 것에 비해 토큰 효율이 최대 50배 높다고 밝히고 있다. 세션, 이벤트, 메타데이터로 구조화한 후 랭킹된 인용 결과를 반환하기 때문이다.
• raw 검색 방식은 토큰 소모가 너무 커서 사실상 히스토리를 활용하기 어려운 수준이 되는 경우가 많은데, ctx는 이 문제를 구조화된 인덱싱으로 해결한다.
• Codex, Claude Code, Cursor, 그리고 raw Agent 환경 각각에 맞는 마켓플레이스/플러그인 설치 방식을 지원하고 있다.
• 개발 과정에서 에이전트 트랜스크립트와 로그에 대한 표준 포맷/스펙이 필요하다는 것을 깨달았다고 개발자가 밝히고 있으며, ACP(런타임 이벤트 표준)와 유사한 표준화에 관심 있는 사람들과 논의하고 싶다고 언급했다.

Evidence

• Claude Code는 이미 `~/.claude` 디렉터리에 세션 기록을 저장하고, 거기서 `jq`나 `grep`으로 검색하도록 요청하면 잘 작동한다는 경험이 공유됐다. ctx 같은 별도 도구 없이도 어느 정도 가능하다는 반론이었지만, 토큰 효율이 더 좋은 구조화된 방식의 장점은 인정했다.
• 일부 에이전트(Claude Code 등)는 이미 이전 편집 내용을 diff 단위로 재구성하는 내장 도구가 있어서, 굳이 외부 도구가 필요한지 의문이라는 댓글도 있었다.
• 비슷한 목적으로 만들어진 대안 도구들이 댓글에서 소개됐다. `agentsview`(https://github.com/kenn-io/agentsview)와 SQLite 기반 대화 저장 및 검색 UI를 포함한 `Shelley`(https://github.com/boldsoftware/shelley)가 언급됐다.
• stale(오래된/낡은) 히스토리를 에이전트가 그대로 신뢰해버리는 문제가 어떻게 처리되는지에 대한 질문이 있었다. 오래전에 실패한 접근법이나 이미 바뀐 결정이 잘못 재활용될 수 있다는 우려다.
• 이 프로젝트를 포함해 LLM 관련 CLI 도구들이 'todo 리스트 튜토리얼'처럼 너무 많이 만들어지고 있다는 냉소적인 반응도 있었다. 해당 댓글 작성자 본인도 비슷한 도구를 만든 적 있다고 고백하면서 자조적으로 표현했다.

How to Apply

• Claude Code나 Cursor를 매일 사용하는데 새 세션마다 에이전트가 이전 논의를 모른다고 느낀다면, `curl -fsSL https://ctx.rs/install | sh`로 ctx를 설치하고 `npx skills add ctxrs/ctx`로 에이전트 스킬로 등록하면, 에이전트가 새 세션에서도 이전 결정이나 실패 이력을 참조하며 작업할 수 있다.
• 특정 기능을 에이전트와 여러 차례 작업했는데 같은 실수나 시도가 반복된다면, ctx로 과거 세션을 인덱싱해두고 새 세션 시작 시 에이전트에게 'ctx로 이 파일/기능 관련 이전 세션을 검색해봐'라고 지시하면 중복 작업을 줄일 수 있다.
• 에이전트 기반 개발 워크플로우를 팀에 도입하려는 경우, ctx가 채택하려는 에이전트 트랜스크립트 표준 포맷 논의(contracts/agent-history-v1)를 참고하면 자체 로깅이나 히스토리 관리 설계에 기준점으로 활용할 수 있다.

Code Example

# ctx 설치
curl -fsSL https://ctx.rs/install | sh

# 에이전트 스킬로 등록 (Claude Code, Cursor 등에서 직접 호출 가능)
npx skills add ctxrs/ctx

# 예: Claude Code 세션에서 수동으로 히스토리 검색 (ctx 없이)
# ~/.claude 디렉터리에서 jq/grep으로 직접 탐색하는 방식
ls ~/.claude
cat ~/.claude/<session-file>.json | jq '.messages[] | select(.content | contains("refactor"))'

Terminology

관련 논문

• Micro-Agent: Model API 내부 협업으로 Frontier 모델을 이기는 방법 (vLLM Semantic Router)

  vLLM 팀이 단일 모델 API 호출 뒤에서 여러 모델이 협업하는 'Micro-Agent' 개념을 공개했습니다. 별도의 에이전트 코드 없이 라우터 레이어에서 모델 조합을 실행해 GPT-4급 결과를 더 저렴하게 낼 수 있다는 아이디어입니다.

• Ornith-1.0: 에이전틱 코딩을 위한 자기 개선형 오픈소스 모델

  Gemma 4와 Qwen 3.5를 기반으로 파인튜닝한 코딩 특화 오픈소스 모델로, RL(강화학습)을 통해 스캐폴드(에이전트 실행 구조)까지 함께 최적화하는 방식을 주장하지만, 커뮤니티에서는 벤치마크 과최적화에 불과하다는 의심을 받고 있다.

• Tool-Augmented Agent에서의 Entity Binding 실패 분석

  AI 에이전트가 올바른 도구를 선택해도 잘못된 대상에 실행하는 'Entity Binding 실패' 문제를 정의하고, 이를 막는 실행 정책을 평가한 논문.

• Herdr: 터미널에서 여러 AI Agent를 한 번에 관리하는 Agent Multiplexer

  여러 AI 코딩 에이전트(Claude, Codex 등)를 하나의 터미널에서 동시에 실행·관리할 수 있는 Rust 기반 오픈소스 툴로, tmux처럼 세션이 유지되고 SSH로 원격 접속도 가능해 멀티 에이전트 워크플로우를 크게 단순화해준다.

• Ornith-1.0: 스스로 Scaffold를 생성하는 Agentic Coding LLM

  모델이 문제 풀이 전략(scaffold)을 직접 생성하고 개선하는 자기강화 학습 프레임워크를 적용한 오픈소스 코딩 특화 LLM으로, 9B 소형 모델부터 397B 대형 모델까지 라인업을 갖추고 SWE-Bench 등 주요 벤치마크에서 Claude Opus 4.7을 능가하는 성능을 보여줬다.

• Adrafinil – AI 에이전트가 작업 중일 때만 Mac을 깨어있게 유지하는 macOS 앱

  Claude Code, Codex, Cursor 같은 AI 코딩 에이전트가 실행 중일 때만 Mac의 절전 모드(뚜껑 닫힘 포함)를 막아주는 macOS 메뉴바 앱으로, 에이전트 세션이 끝나면 즉시 정상 절전으로 돌아온다.

Related Resources

• ctx GitHub 저장소 (원본)
• ctx 설치 스크립트
• agentsview - 유사한 에이전트 히스토리 뷰어
• Shelley - SQLite 기반 에이전트 대화 저장/검색 도구
• obliscence - 댓글 작성자의 유사 도구
• ctx Pi 지원 이슈