Margarita는 개발사 Banyango가 2026년 1월에 오픈소스로 공개한 Markdown 확장 기반의 에이전틱 프로그래밍 언어이자 프롬프트 템플릿 프레임워크입니다. 이 도구는 대형 언어 모델(LLM)을 활용한 프롬프트 엔지니어링(Prompt engineering)이 복잡해질수록 텍스트가 거대해지고 관리가 불가능해지는 스파게티 프롬프트(Spaghetti prompt) 문제를 근본적으로 해결하기 위해 개발되었습니다. 웹 프론트엔드 개발에서 React가 복잡한 HTML 문서 구조를 작은 컴포넌트(Components) 단위로 분할하여 조립하고 재사용하듯이, Margarita는 에이전트의 프롬프트 조각들을 파일 단위로 모듈화하여 조립할 수 있는 아키텍처를 도입했습니다. 사용자는 표준적인 Markdown 포맷을 그대로 유지하면서, 그 내부에 동적 변수 삽입, 조건문(Conditionals) 처리, 반복문(Loops) 등 프로그래밍 문법을 심어 LLM에게 주어질 지시문을 동적으로 구성해 나갈 수 있습니다. 기존의 프롬프트 관리 방식은 LLM의 확률론적 응답 방식에 전적으로 의존함으로써 발생하는 비결정론적(Non-deterministic) 작동과 지시 사항 누락이라는 치명적인 한계를 극복하지 못했습니다. 특히 복잡한 논리 흐름을 따르는 다단계 에이전트 워크플로우에서는 모델이 중간 지시를 임의로 생략하거나 정해진 출력 스키마를 이탈하는 오류가 빈번히 발생했습니다. Margarita는 프롬프트에 직접적인 스크립트 실행 규칙을 부여하여 실행의 엄밀성을 확보합니다. 상태 관리(State management) 기능과 메모리(@memory) 보존 메커니즘을 지원하여 매 단계마다 LLM이 유지해야 할 정보와 수행해야 할 도구 호출(Tool calling)을 명시적으로 제어합니다. 이러한 방식은 LLM의 가벼운 즉흥적 답변 성향을 줄이고 시스템 동작의 예측 가능성과 일관성을 비약적으로 높여줍니다. 생명과학 연구나 임상 시험 분석과 같이 높은 규제 수준과 정밀도가 요구되는 도메인에서 Margarita는 매우 가치 있는 컴패니언 프레임워크 역할을 수행할 수 있습니다. 예를 들어 수천 페이지에 달하는 유전체 분석 논문이나 임상 실험 결과 보고서에서 특정 단백질 도메인 정보와 약물 상호작용 지표를 추출하고자 할 때, Margarita의 조건식을 활용해 특정 바이오 마커(Biomarkers)가 감지된 경우에만 정밀 추출 템플릿을 활성화하고 반복문으로 다중 시퀀스 데이터를 순차 처리하는 에이전틱 워크플로우를 완벽하게 통제할 수 있습니다. 아울러 로컬 환경에서 구동하는 Ollama 플랫폼이나 안전한 GitHub Copilot CLI 인프라와의 결합을 기본적으로 지원하기 때문에, 클라우드 전송이 민감한 환자 의료 정보나 비공개 전임상 데이터를 외부 노출 위험 없이 로컬 하드웨어에서 안전하게 처리할 수 있는 결정론적(Deterministic) 파이프라인의 구축을 가능하게 만듭니다. 또한, 이 프레임워크는 소프트웨어 엔지니어링 개발 환경에 친화적인 개발자 경험(Developer experience)을 제공합니다. 기존의 일반 텍스트용 프롬프트 파일 관리와 달리, 변수의 주입과 렌더링 과정을 단순한 CLI 도구 명령을 통해 검증할 수 있으며 에이전트 스크립트(.mgx)의 디버깅도 용이합니다. 이를 통해 연구 데이터 분석가와 소프트웨어 엔지니어는 자신이 구축한 AI 에이전트 프롬프트에 대해 버전 관리(Version control)와 단위 테스트(Unit testing)를 용이하게 수행하여 프로젝트 라이프사이클 전반에 걸쳐 신뢰성을 높일 수 있습니다.