Awesome AI Anatomy: Claude Code, Dify, Browser Use 등 15개 AI 코딩 에이전트의 소스코드를 해부하는 오픈소스 분석 프로젝트

9bow · 4월 22, 2026, 9:30오전

Awesome AI Anatomy 소개

AI 코딩 에이전트(AI Coding Agent)들이 쏟아지고 있는 지금, 이들이 내부적으로 어떻게 설계되어 있는지 정확히 아는 사람은 많지 않습니다. 블로그 포스트나 공식 문서는 대개 기능 소개와 사용법에 집중하지만, 실제 소스코드 수준에서 어떤 아키텍처 패턴을 채택했는지, 어떤 설계 결정을 내렸는지는 직접 코드를 뜯어봐야 알 수 있습니다. Awesome AI Anatomy는 바로 이 작업을 체계적으로 수행하는 오픈소스 프로젝트입니다. Claude Code, Dify, Browser Use, OpenHands, Cline, DeerFlow, Goose, Codex CLI 등 현재 가장 주목받는 AI 에이전트들의 소스코드를 직접 분석하고, 아키텍처 다이어그램·설계 패턴·보안 분석을 문서화하여 주간 업데이트로 공개합니다.

Awesome AI Anatomy 프로젝트를 운영하는 @Neuzhou는 "표면적인 개요가 아닌 코드 수준의 참조(Code-Level Reference)"를 제공한다는 원칙을 철저히 지킵니다. 각 분석에는 실제 파일 경로, Mermaid 형식과 손으로 그린 PNG 다이어그램, 설계 결정의 근거, 그리고 모든 주장이 사실인지 검증한 로그가 포함됩니다. MIT 라이선스로 공개되어 있으며, 매주 화요일 새로운 분석이 추가됩니다.

Awesome AI Anatomy의 분석 방식

일반적인 "Awesome List"와 달리, 이 프로젝트의 각 분석 문서는 다음 요소를 포함합니다:

먼저 아키텍처 다이어그램으로 각 에이전트가 어떻게 구성 요소들을 연결하는지 시각화합니다. 다음으로 파일 경로와 함께 실제 코드를 인용하는 코드 수준 참조를 제공하며, 각 에이전트가 외부 시스템, 사용자 입력, 파일 시스템 등을 어떻게 처리하는지에 대한 보안 자세(Security Posture) 분석도 포함됩니다. 여러 프로젝트 간의 공통 패턴과 안티패턴을 비교하는 크로스 프로젝트 비교 표도 제공됩니다.

또한, 저장소에는 COMPARISON.md(전체 프로젝트 나란히 비교), CROSS-CUTTING.md(수평적 패턴 분석과 안티패턴), knowledge/(패턴과 메타데이터의 구조화된 데이터베이스)가 포함되어 있어 특정 주제를 깊이 파고들 수 있습니다.

Awesome AI Anatomy의 주요 분석 대상 및 핵심 발견

Claude Code (Anthropic): 타마고치가 숨어있는 코딩 에이전트

Claude Code는 GitHub에서 109K개의 별을 받은 Anthropic의 터미널 기반 코딩 에이전트입니다. 소스코드 분석에서 가장 주목할 만한 발견 중 하나는 18종의 가상 펫 종(Species)으로 구성된 완전한 다마고치(Tamagotchi) 시스템이 코딩 에이전트 내부에 숨겨져 있다는 점입니다. 이 외에도 도구 호출(Tool Call) 패턴, 시스템 프롬프트 구조, 그리고 대화 상태 관리 방식을 코드 수준에서 분석합니다.

Dify (136K Stars): 그래프온 엔진을 가진 오케스트레이션 프레임워크

Dify는 LLM 애플리케이션 구축을 위한 오케스트레이션(Orchestration) 프레임워크로, 분석에서는 내부의 그래프온(Graphon) 엔진 구조와 노드 간 데이터 흐름 방식, 다양한 LLM 백엔드를 추상화하는 방법이 드러납니다.

Browser Use (87K Stars): Chrome DevTools Protocol을 직접 활용

Browser Use는 LLM이 웹 브라우저를 제어할 수 있게 하는 프레임워크입니다. 분석을 통해 고수준의 브라우저 자동화 라이브러리를 래핑(Wrapping)하는 대신 Chrome DevTools Protocol(CDP)을 직접 사용하여 더 세밀하고 안정적인 제어를 구현한다는 사실이 밝혀졌습니다.

DeerFlow: LangGraph 취약점의 발원지

DeerFlow 분석에서는 LangGraph를 사용하는 모든 파생 에이전트에 영향을 미칠 수 있는 구조적 취약점이 발견되었습니다. 이 발견은 AI 에이전트 보안 연구에서 중요한 참고 자료가 됩니다.

Pi Mono: 스텔스 모드로 Claude Code 도구명 모방

Pi Mono 분석에서는 다른 에이전트(Claude Code)의 도구 이름을 몰래 모방하는 스텔스(Stealth) 모드가 발견되었습니다. 이러한 설계 결정이 왜 이루어졌는지, 어떤 의미를 갖는지를 코드 근거와 함께 분석합니다.

MiroFish: LLM 소셜 시뮬레이션으로 집단 지능 구현

MiroFish는 여러 LLM 인스턴스가 소셜 시뮬레이션(Social Simulation) 방식으로 상호작용하여 집단 지능(Collective Intelligence)을 구현하는 독특한 접근 방식을 채택하고 있습니다.

교차 분석: 공통 패턴과 안티패턴

여러 에이전트를 가로지르는 분석에서는 AI 에이전트 설계의 공통 패턴들이 드러납니다. 대부분의 에이전트는 도구 호출 루프(Tool Call Loop), 컨텍스트 창(Context Window) 관리, 오류 복구(Error Recovery) 메커니즘을 구현하고 있으나 세부 구현 방식이 크게 다릅니다. 반면 안티패턴으로는 지나치게 넓은 파일 시스템 접근 권한, 불충분한 입력 검증, 그리고 컨텍스트 창 오버플로우(Overflow) 처리 부재 등이 지적됩니다. 이 분석은 자체 AI 에이전트를 개발하거나 기존 에이전트를 평가하는 데 실질적인 가이드라인을 제공합니다.

라이선스

Awesome AI Anatomy 프로젝트는 MIT 라이선스로 공개되어 있어 개인 및 상업적 목적으로 자유롭게 사용할 수 있습니다.

Awesome AI Anatomy 프로젝트 홈페이지

Awesome AI Anatomy 프로젝트 GitHub 저장소

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~