# \#llm-agent **URL:** https://discuss.pytorch.kr/tag/llm-agent/247.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Memento: 성공과 실패 사례를 별도 공간에 저장하는 방식으로, LLM 파인튜닝 없이 성능을 높이는 딥 리서치 에이전트](https://discuss.pytorch.kr/t/memento-llm/12309)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 27, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/memento-llm/12309 "2026-10-27T06:30:45Z")
핵심 요약 Memento는 LLM 가중치를 고치지 않고, 과거 과제의 (질문, 계획, 성공 여부)를 케이스 뱅크에 쌓아 다음 과제의 계획에 참고하게 하는 딥 리서치 에이전트입니다. 논문은 GAIA 검증(validation) 세트 87.88%(Pass@3)와 테스트(test) 세트 79.40%를 보고하지만, 사례 기반 추론(CBR)만 따로 더한 몫은 F1 기준 3.7~6.7점입니다. 공개된 모수(parametric) 메모리는 논문의 온라인 soft Q-learning이 아니라, 미리 모은 데이터로 SimCSE RoBERTa 분류기를 오프라인 학습하는 방식입니다. 성공 여부를 정답과 비교해 판정하므로, 정답이 있는 데이터셋에서 실험하려는 연구자에게 맞고 정답 없이 쓰는 배포 환경에는 그대로 옮기기 어렵습니다. Memento 소개 LLM 에이전트가 배포 뒤에도 나아지게 하는 방법은 크게 두 가지였습니다. 하나는 고정된 워크플로우와 반성(reflection) 프롬프트를 손으로 짜 두는 방식인데, 배포한 뒤에는 새 상황에 적응하지 못합니다. 다른 하나는 지도 학습이나 강화학습으로 LLM 파라미터를 직접 갱신하는 방식으로, 유연하지만 학습 데이터와 연산 비용이 커서 계속 갱신하기 어렵습니다. 이번에 소개하는 Memento는 그 사이에서 LLM은 고정하고, 에이전트가 과거에 성공하거나 실패한 사례를 메모리에 쌓아 비슷한 문제를 만났을 때 꺼내 쓰게 하는 딥 리서치 에이전트 프로젝트입니다. Memento는 이 아이디어를 사례 기반 추론(Case-Based Reasoning, CBR)으로 정리합니다. 새 과제가 들어오면 플래너(planner)가 케이스 뱅크(Case Bank)에서 비슷한 과거 사례를 찾아 프롬프트에 붙이고, 그 사례를 참고해 과제를 하위 과제로 나눕니다. 실행기(executor)는 MCP(Model Context Protocol) 클라이언트로서 검색, 크롤링(crawling), 문서 파싱, 코드 실행 도구를 호출해 하위 과제를 풉니다. 과제가 끝나면… --- ## [Harness²: 정답 라벨 없이 작업마다 에이전트 하네스를 고치고, 그 경험을 다음 작업에 넘기는 프레임워크 (feat. Google)](https://discuss.pytorch.kr/t/harness-feat-google/12231)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 20, 2026, 11:00오후 UTC](https://discuss.pytorch.kr/t/harness-feat-google/12231 "2026-10-20T23:00:16Z")
핵심 요약 Harness²는 모델 가중치를 고정한 채, 처음 보는 작업마다 에이전트 하네스(시스템 프롬프트, 스킬, 스크립트 등 8가지 파일)를 고쳐 보고 그 경험을 도메인별 라이브러리에 쌓아 다음 작업에 넘기는 프레임워크입니다. 정답 라벨이나 채점기 없이, 같은 작업을 고친 하네스로 다시 실행해 본 결과와 원래 실행을 비교한 행동 차이(behavioral contrast)만으로 어떤 수정을 남길지 정합니다. 논문에서 저자들은 한 번의 개선 단계로 WorkBuddy-Bench 최대 11.5점, JobBench 최대 4.5점, LAB 부분 통과율 최대 11.8%p 향상을 보고했습니다. 측정은 Google Cloud AI Research와 Northwestern University 저자들이 직접 했습니다. 공개된 코드는 Linux, Python 3.12, Google Cloud Vertex AI 설정을 전제로 합니다. 모델 없이 도는 로컬 데모는 바로 실행되지만, 벤치마크 실행은 작업마다 실행과 편집 세션을 여러 번 돌리므로 API 비용이 큽니다. Harness² 소개 LLM 에이전트의 성능은 모델만으로 정해지지 않습니다. 같은 모델이라도 어떤 시스템 프롬프트를 주는지, 어떤 도구 안내와 스킬, 스크립트를 붙이는지에 따라 결과가 크게 달라집니다. 이처럼 모델 바깥에서 에이전트의 행동을 정하는 실행 환경 전체를 하네스(harness)라고 부릅니다. Meta-Harness나 AHE(Agentic Harness Engineering) 같은 기존 자동 최적화 방법은 학습용 작업 묶음과 점수를 두고 미리 하네스를 탐색한 뒤 고정해 배포합니다. 그런데 실제 업무에서는 배포 뒤에 처음 보는 작업이 계속 들어오고, 그 작업에는 정답도 채점기도 없습니다. 이번에 소개하는 Harness²는 이런 환경에서 하네스를 작업마다 고치고, 그 개선 과정 자체를 다음 개선의 재료로 쓰는 재귀적 에이전트 하네싱(recursive agent harnessing) 프레임워크입니다. Ha… --- ## [LLM 에이전트의 외부화(Externalization)에 대한 리뷰 논문 (2/2): 프로토콜과 하네스 엔지니어링, 남은 과제](https://discuss.pytorch.kr/t/llm-externalization-2-2/12178)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 20, 2026, 10:30오전 UTC](https://discuss.pytorch.kr/t/llm-externalization-2-2/12178 "2026-10-20T10:30:58Z")
핵심 요약 Externalization in LLM Agents 리뷰의 2부입니다. 프로토콜은 호출 문법, 수명주기 규칙, 권한과 신뢰 경계, 탐색 메타데이터를 모델 밖의 명시적인 계약으로 옮깁니다. 저자들은 MCP, A2A, ACP, ANP, A2UI, AG-UI, UCP, AP2를 상호작용 대상에 따라 네 갈래로 정리합니다. 저자들은 하네스를 메모리, 스킬, 프로토콜이 함께 동작하는 인지 환경으로 정의합니다. 하네스 설계는 에이전트 루프와 제어 흐름, 샌드박스, 사람의 승인 게이트, 관찰 가능성, 설정과 권한 정책, 컨텍스트 예산 관리의 여섯 가지 차원으로 분석합니다. 세 모듈은 경험 증류, 실행 기록, 능력 호출, 능력 생성, 전략 선택, 결과 반영의 여섯 흐름으로 서로를 강화합니다. 같은 고리는 오염된 메모리 하나가 잘못된 스킬로, 다시 오염된 기록으로 확산되는 오류 증폭 경로가 되기도 합니다. 저자들은 지금의 벤치마크가 외부화의 기여를 체계적으로 과소 측정하고 그 이득이 어디서 왔는지 가려내지 못한다고 보고, 모델 교체 시 전이성, 유지보수성, 복구 견고성, 컨텍스트 효율, 거버넌스 품질을 새 평가 축으로 제안합니다. 다만 이 리뷰 자체도 실험으로 틀을 검증하지는 않았습니다. LLM 에이전트 외부화 리뷰 1부: 가중치에서 하네스로 옮겨 간 흐름, 메모리와 스킬의 외부화 LLM 에이전트 외부화 리뷰 2부: 프로토콜, 하네스 엔지니어링, 모듈 간 상호작용과 남은 과제 :point\_left: LLM 에이전트 외부화(Externalization) 리뷰 2부 소개 Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering은 메모리, 스킬, 프로토콜, 하네스 엔지니어링을 외부화(Externalization) 라는 하나의 관점으로 묶어 설명하는 리뷰 논문입니다. 저자들은 LLM 에이전트의 신뢰성이 모델 가중치를 바꾸는 일보다, 모델… --- ## [LLM 에이전트의 외부화(Externalization)에 대한 리뷰 논문 (1/2): 가중치에서 하네스로, 메모리와 스킬](https://discuss.pytorch.kr/t/llm-externalization-1-2/12177)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 20, 2026, 7:30오전 UTC](https://discuss.pytorch.kr/t/llm-externalization-1-2/12177 "2026-10-20T07:30:39Z")
핵심 요약 Externalization in LLM Agents는 상하이교통대학교 등 5개 기관 연구진이 정리한 54쪽 분량의 리뷰 논문입니다. 저자들은 최근 LLM 에이전트의 발전을, 모델 가중치를 바꾸는 일이 아니라 모델이 감당하던 인지 부담을 메모리, 스킬, 프로토콜, 하네스로 옮기는 외부화(Externalization) 로 설명합니다. 저자들은 Donald Norman의 인지적 인공물(Cognitive Artifact) 이론을 빌려 옵니다. 메모리는 회상을 재인으로, 스킬은 즉흥적인 생성을 검증된 절차의 조합으로, 프로토콜은 임기응변식 조정을 구조화된 계약으로 바꾼다는 것입니다. 하네스는 네 번째 외부화가 아니라 이 셋이 함께 동작하는 실행 환경으로 정의합니다. 1부에서는 에이전트의 능력이 가중치에서 컨텍스트, 하네스로 옮겨 간 흐름을 살펴봅니다. 이어서 메모리(작업 컨텍스트, 에피소드 경험, 의미 지식, 개인화 메모리), 스킬(작업 절차, 판단 휴리스틱, 규범적 제약)의 설계 공간을 다룹니다. 이 논문은 새로운 실험이나 벤치마크 없이 기존 연구와 제품을 해석하는 개념 틀이며, 스킬을 인지적 인공물로 보는 해석은 직접적인 실증이 아닌 주로 이론적인 해석이라고 저자들 스스로 밝히고 있습니다. LLM 에이전트 외부화 리뷰 1부: 가중치에서 하네스로 옮겨 간 흐름, 메모리와 스킬의 외부화 :point\_left: LLM 에이전트 외부화 리뷰 2부: 프로토콜, 하네스 엔지니어링, 모듈 간 상호작용과 남은 과제 LLM 에이전트 외부화(Externalization) 리뷰 소개 Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering은 메모리, 스킬, 프로토콜, 하네스 엔지니어링을 외부화라는 하나의 관점으로 묶어 설명하는 리뷰 논문입니다. 저자들은 LLM 에이전트가 점점 모델 가중치를 고치는 대신 모델 주변의 실행 환경을 다시 구성하… --- ## [Prime Intellect, 컨텍스트를 변수로 다루는 자기개선형 코딩 에이전트 Prime Agent 공개](https://discuss.pytorch.kr/t/prime-intellect-prime-agent/11544)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 7, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/prime-intellect-prime-agent/11544 "2026-08-07T09:30:50Z")
Prime Agent 소개 Prime Intellect가 공개한 Prime Agent 는 코딩과 장시간 자율 작업을 위한 오픈소스 에이전트 하네스(harness)로, 재귀 언어 모델(Recursive Language Model, RLM) 과 지속 개선 하네스(Continual Harness) 라는 두 가지 추상화 위에 설계되었습니다. 여기서 하네스란 모델 자체가 아니라 모델을 감싸고 도구 호출, 컨텍스트 관리, 서브 에이전트 실행을 조율하는 실행 환경을 뜻합니다. 최근 코딩 에이전트의 성능이 모델만이 아니라 하네스 설계에 크게 좌우된다는 점이 여러 벤치마크에서 확인되면서, 하네스 자체가 독립적인 연구 대상이 되고 있습니다. Prime Intellect가 문제로 지목한 것은 현재 널리 쓰이는 하네스들이 이전 세대 모델의 능력을 전제로 만들어졌다는 점입니다. 고정된 도구 호출 스키마(tool-calling schema)와 컨텍스트 압축(compaction)은 모델이 자신을 둘러싼 보조 코드(Scaffolding)를 활용하는 대신 그것을 우회하도록 만들고, 손으로 설계한 서브 에이전트와 프롬프트, 스킬, 메모리는 설계 시점에 한 번 정해진 뒤 실행 중에 배운 것을 반영하지 못합니다. 원문은 하네스가 "현재 모델의 능력을 외삽하여 다음 세대의 추론 패턴을 향해 나아가야 한다" 는 관점을 제시합니다. 이러한 맥락에서 Prime Agent가 택한 접근은 단순합니다. 모델에게 주는 도구를 하나로 줄이되, 그 하나를 지속되는 IPython 커널로 삼는 것입니다. 파일 조작, 셸 명령, 서브 에이전트 실행, 컨텍스트 관리가 모두 코드로 이뤄지므로, 모델은 자기 자신의 대화 이력을 변수처럼 다루고 서브 에이전트를 함수처럼 호출할 수 있습니다. 여기에 하네스의 상태(프롬프트, 스킬, 메모리, 서브 에이전트 명세)를 에이전트가 직접 생성하고 수정할 수 있게 열어 두면, 실행 중에 배운 것이 다음 턴과 다음 세션으로 이어집니다. 저자들은 이 두 추상화를 모델의 능력을 끌어내… --- ## [Adala: 정답 데이터로 스스로 학습하는 자율 데이터 라벨링 에이전트 프레임워크](https://discuss.pytorch.kr/t/adala/11240)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 15, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/adala/11240 "2026-07-15T03:30:04Z")
Adala 소개 Adala는 이름 그대로 Autonomous DAta (Labeling) Agent, 즉 자율 데이터 라벨링 에이전트를 만들기 위한 프레임워크입니다. 데이터 처리, 특히 다양한 형태의 데이터 라벨링 작업에 특화된 에이전트를 구현하는 데 초점을 맞추고 있습니다. 대규모 데이터셋에 라벨을 붙이는 작업은 반복적이고 비용이 많이 드는데, Adala는 이 과정을 사람이 직접 규칙을 다듬는 대신 에이전트가 스스로 학습하며 개선하도록 설계했습니다. Adala 에이전트가 자율적이라는 것은, 사람이 매번 프롬프트를 손보지 않아도 에이전트가 하나 이상의 스킬(skill)을 반복 학습으로 스스로 습득한다는 의미입니다. 이 학습 과정은 에이전트가 놓인 환경(environment)과 관찰, 반영(reflection)에 영향을 받습니다. 사용자는 정답 데이터셋(ground truth dataset)을 제공해 환경을 정의하고, 에이전트는 이를 기준으로 자신의 예측을 검증하며 스킬을 다듬습니다. 각 에이전트가 스킬을 학습하고 적용하는 실행 공간을 Adala에서는 런타임(runtime)이라 부르며, 이는 LLM과 같은 의미로 사용됩니다. Adala는 AI 엔지니어가 모듈화된 스킬로 프로덕션 수준의 에이전트 시스템을 설계하거나, 머신러닝 연구자가 복잡한 문제 분해와 인과 추론을 실험하거나, 데이터 과학자가 파이썬 노트북에서 대용량 데이터프레임을 전처리·후처리하는 등 다양한 용도로 활용할 수 있습니다. 본 게시물에서는 Adala의 자율 학습 방식과 스킬 실행 구조, 그리고 설치 및 기본 사용법을 정리합니다. Adala의 자율 학습 방식 Adala의 핵심은 에이전트가 정답 데이터를 기준으로 자신의 스킬을 반복해서 개선하는 학습 루프에 있습니다. 아래 그림은 분류(Classification) 스킬을 학습하는 과정을 보여줍니다. 학습 단계에서 환경은 입력으로 작동하며 에이전트에 정답 데이터셋을 제공합니다. 에이전트는 현재 스킬의 지시문(instructions)에 따… --- ## [page-agent: 자연어로 웹 화면을 조작하는 인페이지 GUI 에이전트 (feat. Alibaba)](https://discuss.pytorch.kr/t/page-agent-gui-feat-alibaba/11071)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 5, 2026, 4:30오전 UTC](https://discuss.pytorch.kr/t/page-agent-gui-feat-alibaba/11071 "2026-07-05T04:30:56Z")
page-agent 소개 웹 서비스에 AI 코파일럿을 붙이려면 보통 백엔드를 새로 짜거나, 별도의 브라우저 확장·헤드리스 브라우저를 띄우는 무거운 작업이 필요합니다. page-agent는 이 과정을 자바스크립트 한 줄로 줄이는 것을 목표로 하는 인페이지(in-page) GUI 에이전트입니다. 별도의 브라우저 확장이나 파이썬 런타임, 헤드리스 브라우저 없이, 웹 페이지 안에서 실행되는 자바스크립트만으로 사용자의 자연어 명령을 해석하고 화면의 버튼과 입력 필드를 직접 조작합니다. page-agent를 다른 브라우저 자동화 도구와 구분 짓는 지점은 스크린샷 기반 멀티모달 인식을 쓰지 않는다는 점입니다. 페이지의 DOM을 텍스트로 분석해 클릭·입력할 요소를 찾기 때문에 별도의 화면 캡처 권한이나 이미지 인식 모델이 필요 없습니다. 또한 특정 LLM 제공사에 종속되지 않고 사용자가 원하는 LLM을 직접 연결해 쓸 수 있도록 설계되어 있어, SaaS 코파일럿부터 반복적인 폼 입력 자동화, 접근성 보조까지 다양한 용도로 활용할 수 있습니다. 이 프로젝트는 Alibaba가 공개한 오픈소스로, README는 웹 자동화 에이전트 browser-use의 DOM 처리 구성 요소와 프롬프트 설계를 참고해 만들었다고 명시하고 있습니다. 2026년 7월 기준 GitHub에서 22,000개 이상의 스타를 받았으며, 최신 릴리스는 v1.10.0입니다. page-agent의 동작 원리 page-agent가 명령 하나를 처리하는 과정은 크게 네 단계로 나뉩니다. 먼저 사용자가 채팅창 형태의 입력창에 "로그인 버튼을 클릭해줘"처럼 하고 싶은 작업을 자연어로 적습니다. 이 문장은 사용자가 연결해 둔 LLM(예: Qwen, OpenAI 호환 모델 등)으로 전달되어 의도가 파악되고, 실행해야 할 동작으로 변환됩니다. 다음으로 page-agent는 현재 페이지의 DOM 트리를 텍스트 형태로 분석해 명령과 일치하는 버튼·입력 필드·링크 등의 요소를 찾습니다. 스크린샷을 찍어 … --- ## [Decepticon: 교전 규칙 안에서 실제 공격 체인을 수행하는 자율 레드팀 에이전트 프로젝트](https://discuss.pytorch.kr/t/decepticon/10468)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 30, 2026, 11:30오전 UTC](https://discuss.pytorch.kr/t/decepticon/10468 "2026-06-30T11:30:45Z")
Decepticon 소개 "AI 해킹 도구"라고 하면 보통 nmap을 한 번 돌리고 리포트를 출력하는 데모를 떠올리기 쉽습니다. Decepticon은 그런 스캐너가 아니라, 정찰(reconnaissance)부터 익스플로잇, 권한 상승, 측면 이동, 명령·제어(C2)까지 실제 공격자가 밟는 공격 체인(kill chain)을 자율적으로 수행하는 레드팀 에이전트입니다. PurpleAILAB이 LangChain/LangGraph 위에 구축했으며, 한국어 문서도 함께 제공합니다. Decepticon이 단순 자동화 도구와 다른 지점은 레드팀과 스크립트 키디를 구분하는 규율을 따른다는 점입니다. 패킷 하나가 나가기 전에 교전 규칙(Rules of Engagement, RoE), 작전 개념(ConOps), 충돌 방지 계획(Deconfliction Plan), 그리고 MITRE ATT&CK에 매핑된 작전 계획(OPPLAN)으로 이뤄진 완전한 교전 패키지를 먼저 생성하고, 모든 행동이 그 규칙 안에서 실행됩니다. 즉, 인가된 대상에 대해 정의된 규칙을 벗어나지 않는 것을 전제로 동작합니다. 이 프로젝트는 공격이 결국 방어를 위한 것이라는 관점을 분명히 합니다. 저자들은 공격 결과를 방어 개선으로 환원하는 "공격 → 방어 → 검증" 순환, 이른바 Offensive Vaccine 루프를 지향한다고 밝히고 있습니다. 자율 레드팀이 더 강한 방어로 가는 경로라는 시각입니다. Decepticon의 동작 방식과 아키텍처 Decepticon은 두 개의 네트워크를 분리한 구조로 동작합니다. LiteLLM, PostgreSQL, Skillogy, LangGraph 같은 관리 서비스는 항상 떠 있는 관리망(decepticon-net)에, 샌드박스와 C2 팀 서버, 표적은 작전망(sandbox-net)에 둡니다. 반면 웹 대시보드와 BloodHound CE, Sliver C2, Ghidra MCP 같은 전문 워크로드는 상시 구동되지 않고, 오케스트레이터가 필요할 때(op… --- ## [atlas-gic: 프롬프트를 가중치로 삼아 스스로 개선하는 멀티 에이전트 트레이딩 프레임워크](https://discuss.pytorch.kr/t/atlas-gic/10838)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 23, 2026, 8:30오전 UTC](https://discuss.pytorch.kr/t/atlas-gic/10838 "2026-06-23T08:30:06Z")
atlas-gic 소개 대규모 언어 모델을 어떤 작업에 맞춰 개선할 때 보통은 가중치를 다시 학습합니다. atlas-gic(ATLAS)은 이 발상을 뒤집어, 모델 가중치 대신 에이전트의 프롬프트를 조정 대상으로 두고 시장 성과를 기준으로 스스로 개선하는 멀티 에이전트 트레이딩 프레임워크입니다. General Intelligence Capital이 공개했으며, Andrej Karpathy가 제안한 오토리서치(autoresearch) 아이디어를 금융 시장에 적용한 사례입니다. 이 프로젝트의 핵심 관점은 한 문장으로 요약됩니다. 저자는 "에이전트 프롬프트가 가중치이고, 샤프지수(Sharpe ratio)가 손실함수이며, GPU는 필요 없다" 라고 설명합니다. 25개의 에이전트가 매일 시장을 두고 토론하고, 각 추천은 실제 결과와 대조해 점수가 매겨집니다. 성과가 가장 나쁜 에이전트의 프롬프트를 고쳐 보고, 성과가 개선되면 git 커밋으로 변경을 남기고 그렇지 않으면 되돌립니다. 다만 분명히 해 둘 점이 있습니다. 저장소는 프레임워크 구조와 오토리서치 루프 설계, 백테스트 결과, 방법론 문서, 그리고 일반적인 예시(placeholder) 프롬프트를 공개하지만, 실제로 학습된 에이전트 프롬프트와 CIO의 운용 규칙, 라이브 포지션, 인프라는 비공개입니다. PyTorchKR은 이번에 atlas-gic의 오토리서치 루프와 4계층 에이전트 구조, 다윈식 가중치, 그리고 공개된 백테스트 결과를 정리합니다. :warning: 이 글은 프롬프트 및 샤프 지수를 사용하여 스스로 개선하는 에이전트를 다중 에이전트 프레임워크 프로젝트를 소개하는 글로, 파이토치 한국 사용자 모임은 인공지능 기술이 금융 분야에서 어떻게 활용될 수 있는지 가능성과 그 방법에 대한 소개를 하는 것입니다. 즉, 어떠한 경우에도 파이토치 한국 사용자 모임 및 이 글은 투자를 권유, 제안, 또는 추천하려는 목적으로 작성한 것이 아님을 알려드리며, 투자에 대한 조언을 구성하지 않습니다. atlas-gic… --- ## [OM1: 로봇을 위한 모듈형 멀티모달 AI 런타임](https://discuss.pytorch.kr/t/om1-ai/10786)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 19, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/om1-ai/10786 "2026-06-19T09:30:15Z")
OM1 소개 OM1은 멀티모달 AI 에이전트를 디지털 환경과 물리 로봇 양쪽에서 만들고 배포하기 위한 모듈형 AI 런타임입니다. OpenMind가 개발했으며, 휴머노이드와 사족보행 로봇은 물론 폰 앱, TurtleBot 4 같은 교육용 로봇, 그리고 Gazebo와 Isaac Sim 같은 시뮬레이터까지 하나의 런타임으로 다룹니다. 에이전트는 웹 데이터, 소셜 미디어, 카메라 피드, LIDAR 같은 다양한 입력을 받아들이고, 이동·자율 주행·자연스러운 대화 같은 물리적 행동을 수행합니다. OpenMind는 OM1의 목표를 "다양한 형태(form factor)에 맞춰 쉽게 업그레이드하고 재구성할 수 있는, 사람 중심의 고성능 로봇을 손쉽게 만드는 것"으로 설명합니다. OM1의 핵심 차별점은 서로 다른 모듈이 사람의 언어(자연어)로 소통한다는 점입니다. 센서 입력을 자연어 캡션으로 바꾸고, 여러 LLM이 이 자연어를 주고받으며 상황을 이해하고 행동을 계획합니다. 이 접근은 OpenMind 팀의 기술 논문 "A Paragraph is All It Takes: Rich Robot Behaviors from Interacting, Trusted LLMs"에 정리되어 있습니다. 논문에 따르면 기본 시스템은 websocket과 ROS2 메시지 패싱으로 통신하는 네 개의 LLM으로 구성되며, 데이터 융합 주기가 1Hz, 중앙 데이터 버스가 사람 뇌 수준인 약 40 bits/s로 동작하는데도 여러 작업에서 풍부한 로봇 행동과 양호한 성능이 나타났습니다. 런타임 구현 측면에서 OM1은 원래 Python으로 만들어졌지만, 현재는 Go로 재작성된 버전이 기본입니다. OpenMind는 더 낮은 지연, 효율적인 동시성, 엣지 장치를 위한 작은 메모리 풋프린트, 그리고 단일 Go 바이너리로 배포할 수 있는 단순함을 Go 전환의 이유로 들고 있습니다. Python 버전은 저장소의 python 브랜치에서 여전히 받을 수 있지만 더 이상 유지보수되지 않습니다. OpenAI, xAI, D… --- ## [Open Agent SDK: CLI 없이 프로세스 내에서 실행되는 오픈소스 에이전트 SDK](https://discuss.pytorch.kr/t/open-agent-sdk-cli-sdk/10587)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 10, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/open-agent-sdk-cli-sdk/10587 "2026-06-10T03:30:08Z")
Open Agent SDK 소개 Open Agent SDK는 에이전트 루프 전체를 별도의 서브프로세스나 CLI 없이 애플리케이션과 같은 프로세스 안에서(in-process) 실행하는 오픈소스 Agent SDK입니다. 스스로를 claude-agent-sdk의 대안으로 소개하며, Anthropic API와 OpenAI 호환 API를 모두 지원합니다. CLI 의존성이 없기 때문에 클라우드, 서버리스, Docker, CI/CD 등 어디에든 그대로 배포할 수 있습니다. TypeScript 패키지(@codeany/open-agent-sdk)로 배포되며, 같은 구조의 Go 버전(open-agent-sdk-go)도 별도로 제공됩니다. 모델 선택도 유연합니다. apiType 은 모델 이름에서 자동 감지되어, gpt-, o1, o3, deepseek, qwen, mistral 등이 포함되면 OpenAI 호환 경로를 사용합니다. 덕분에 OpenAI, DeepSeek, Qwen, Mistral은 물론 OpenRouter 같은 Anthropic 호환 프록시까지 환경 변수 몇 개로 연결할 수 있습니다. Open Agent SDK의 아키텍처 Open Agent SDK는 애플리케이션 코드 바로 아래에 네 개의 계층을 쌓은 구조입니다. 위에서부터 차례로 진입점인 Agent 계층, 에이전트 루프를 도는 QueryEngine, 모델 API 차이를 흡수하는 Provider 계층, 그리고 실제 작업을 수행하는 도구·MCP 계층이 놓입니다. ┌──────────────────────────────────────────┐ │ 사용자 애플리케이션 │ │ import { createAgent } from '...' │ └────────────────────┬───────────────────────┘ │ ┌────────▼────────┐ │ Agen… --- ## [rtk: 코딩 에이전트의 LLM 토큰 소비를 줄여주는 Rust 기반 CLI 프록시](https://discuss.pytorch.kr/t/rtk-llm-rust-cli/10133)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 20, 2026, 3:00오전 UTC](https://discuss.pytorch.kr/t/rtk-llm-rust-cli/10133 "2026-05-20T03:00:47Z")
rtk 소개 LLM 기반 코딩 에이전트(Coding Agent)를 일상적으로 사용하는 개발자라면 한 번쯤 토큰 소비량에 놀란 경험이 있을 것입니다. Claude Code, Cursor, Codex, Gemini CLI 같은 도구는 셸(Shell) 명령을 실행하고 그 출력 전부를 다시 LLM의 컨텍스트(Context)에 넣어 다음 행동을 결정합니다. git status, cargo test, ls -la처럼 자주 호출되는 명령들은 출력에 노이즈가 많고, 컴파일러 경고나 빌드 로그처럼 본질적으로 반복적인 메시지가 컨텍스트의 큰 비중을 차지합니다. 그 결과 30분짜리 코딩 세션에서도 10만 토큰 이상이 단순한 출력 인용에 사용되며, 비용과 응답 속도, 그리고 컨텍스트 윈도우(Context Window)가 모두 함께 압박을 받게 됩니다. rtk는 이러한 상황을 해결하기 위해 셸 명령 출력을 LLM이 읽기 직전에 가로채어 압축하고 정리하는 CLI 프록시(Proxy)입니다. Rust로 작성된 단일 바이너리로 동작하며, 의존성 없이 한 번 설치하면 100여 개의 명령에 대해 사전 정의된 필터를 적용하여 토큰을 60~90% 줄여줍니다. 핵심 아이디어는 단순한 잘라내기(Truncation)가 아니라, 명령 종류별로 의미 있는 정보를 보존하면서 잡음만 걷어내는 것입니다. 예를 들어 git status는 카테고리별 파일 수만 남기고, git diff는 변경 라인 위주로 응축하며, cargo test나 pytest는 실패한 테스트만 추려서 보여주는 식의 방식이 적용됩니다. rtk는 Claude Code, Cursor, Gemini CLI, Codex, Windsurf, Cline, OpenCode, OpenClaw 등 12개 주요 코딩 에이전트와 통합되며, 각 에이전트의 훅(Hook) 시스템을 활용해 사용자가 명령을 의식적으로 바꾸지 않아도 자동으로 rtk가 적용되도록 합니다. 명령 실행 자체는 기존 셸 도구가 그대로 처리하고, rtk는 그 출력을 한 번 더 가공해 에이전… --- ## [RunbookHermes: Hermes Agent 기반의 증거 중심 AIOps 인시던트 대응 에이전트](https://discuss.pytorch.kr/t/runbookhermes-hermes-agent-aiops/10096)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 7, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/runbookhermes-hermes-agent-aiops/10096 "2026-05-07T21:30:37Z")
RunbookHermes 소개 운영 환경에서 결제 시스템 장애 같은 인시던트(Incident)가 발생하면, 메트릭(Metrics)·로그(Logs)·트레이스(Traces)·배포 이력 같은 증거를 모으고, 가설을 세우고, 위험한 조치는 승인을 받아 점검(Checkpoint) 후 실행하며, 복구 검증과 사후 회고까지 마쳐야 합니다. 단순히 챗봇 형태의 에이전트(Agent)가 답을 내놓는 것만으로는 운영 책임 영역을 다루기에 부족합니다. RunbookHermes는 NousResearch의 Hermes Agent 런타임을 바탕으로, 이러한 인시던트 대응 워크플로우를 도메인 레이어로 얹은 오픈소스 AIOps 에이전트입니다. 이 프로젝트의 설계 의도는 명확합니다. Hermes Agent의 런타임 루프, 프로바이더 라우팅(Provider Routing), 도구 시스템, 메모리 프로바이더, 컨텍스트 엔진(Context Engine), 스킬 시스템, 게이트웨이 구조, 안전 경계(Safety Boundary)를 그대로 계승한 위에, AIOps에 필요한 인시던트 정의·증거 수집·승인 게이트·롤백·복구 검증·런북 학습 같은 기능을 별도의 플러그인 계층으로 추가하는 방식입니다. 결과적으로 별도의 데모 대시보드가 아니라, Hermes Agent의 강점을 그대로 살린 운영 가능한 수준의 AIOps 시스템을 목표로 합니다. 또한 RunbookHermes는 모델이 환각(Hallucination)으로 답을 메우는 것을 막기 위해 결정론적 증거(Deterministic Evidence)와 모델 보조 분석(Model-Assisted Analysis)을 분리합니다. 증거 수집과 안전 게이트는 결정론적으로 동작하고, 모델은 운영자에게 보여 줄 인시던트 요약·근본 원인 설명·운영자용 액션 요약 같이 가독성을 높이는 부분에 한정해 사용됩니다. 모델 프로바이더가 설정되어 있지 않으면 모델 보조 요약은 비활성화되며, 핵심 워크플로우는 모델 없이도 동작합니다. RunbookHermes의 시스템 구성 … --- ## [\[청년취업사관학교 서초캠퍼스\] LLM Agent를 활용한 서비스 기획 및 제작 과정 교육생 모집](https://discuss.pytorch.kr/t/llm-agent/10080)
**Author:** [@nodecrew](https://discuss.pytorch.kr/u/nodecrew)\ **댓글:** 0\ **마지막 업데이트:** [5월 6, 2026, 8:18오전 UTC](https://discuss.pytorch.kr/t/llm-agent/10080 "2026-05-06T08:18:01Z")
AI의 등장, 대체될 것인가 활용할 것인가? 망설이면 대체되고, 배우면 주도합니다. 도구를 사용하는 사람은, 더 좋은 도구의 등장을 반가워합니다. 이제는 LLM이 대체할 수 있는 능력이 아닌, LLM을 활용할 수 있는 능력을 배워야 할 시간입니다. 신청하기(클릭) 수료생들의 생생한 후기가 궁금하다면? :backhand\_index\_pointing\_right:2기 후기(클릭) :backhand\_index\_pointing\_right:1기 후기(클릭) :black\_nib: 강사 소개 :black\_nib: 유태영 강사 삼성 청년 소프트웨어 아카데미(SSAFY) 1~7기 전임교수 새싹(SeSAC) 서초캠퍼스 2기 LLM Agent를 활용한 서비스 기획 및 제작 과정 강사 새싹(SeSAC) 서초캠퍼스 1기 AI 기반 데이터 분석가 양성과정 강사 동아일보 KDT 생성형 AI를 활용한 콘텐츠 크리에이터 양성과정 강사 데이터분석서비스 개발자 취업캠프 강사 멋쟁이사자처럼 5~6기 전체 대학생 온라인 강의 담당 강사 4차 산업혁명 선도인재 양성과정 강사 김선재 강사 삼성 청년 소프트웨어 아카데미(SSAFY) 2~5기 전임교수 코드잇 풀스택 부트캠프 2기, 4기, 7기, 10기, 14기 주강사 4차 산업혁명 선도인재 양성과정 강사 코드잇 프로덕트 디자인 웹 파트 주강사 LLM 기반 AI 서비스 풀스택 개발 실무 경험 보유 :sparkles: 이 강의를 통해서 :sparkles: 기초부터 다지는 탄탄한 프로그래밍 능력을 갖출 수 있어요. 다양한 서비스들을 연결해서 파편화되어 있는 업무들을 한 번에 자동화하는 경험을 해볼 수 있어요. 작은 규모의 GUI Agent부터 큰 규모의 Code Base Agent까지 모두 설계 및 제작해볼 수 있어요. 비즈니스 문제에서 GPT(LLM)를 활용할 수 있어요. 데이터 분석 뿐만 아니라 다양한 LLM을 활용하는 업무 자동화 Workflow를 설계, 개발할 수 있어요. 3번의 프로젝트를 통해 배운 이론을 실무에 적용하고 포트폴리… --- ## [\[GN⁺\] 장기 실행 에이전트 - 에이전트가 며칠 동안 실행되면 무엇이 달라지는가](https://discuss.pytorch.kr/t/gn/10050)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 5, 2026, 12:30오후 UTC](https://discuss.pytorch.kr/t/gn/10050 "2026-05-05T12:30:49Z")
장기 실행 에이전트 글 소개 AI 에이전트가 단일 채팅 세션이 아닌 수일~수주간 자율 실행되며, 여러 컨텍스트 윈도우와 샌드박스를 넘나들고 실패에서 복구하며 중단 지점부터 재개하는 새로운 패러다임 등장 기존 에이전트는 컨텍스트 윈도우 소진, 자기 평가 과신, 이전 수정 사항 재도입 등 단일 세션의 구조적 한계에 부딪힘 Anthropic, Google, Cursor 등 주요 기업이 모델 루프, 실행 샌드박스, 세션 로그 분리 아키텍처로 수렴 중 장기 실행 에이전트의 핵심 과제는 영속 상태 관리, 자기 검증, 컨텍스트 압축이며, 이를 해결하는 다섯 가지 설계 패턴 제시 모델 자체보다 모델을 감싸는 상태, 세션, 구조화된 핸드오프 레이어가 실제 생산성 차이를 만드는 핵심 투자 영역 "장기 실행"의 세 가지 의미 Long-horizon reasoning: 많은 의존 단계에 걸쳐 계획, 실행하는 능력으로, 주로 모델 품질의 문제. METR의 time horizon 지표에 따르면 프론티어 모델이 50% 신뢰도로 완료 가능한 작업 시간이 2019년 이후 약 7개월마다 두 배로 증가 중이며, 이 추세가 유지되면 2028년에 일 단위, 2034년에 연 단위 작업 완료 가능 Long-running execution: 에이전트 프로세스가 수시간~수일 실행되며, 모델이 수천 번 호출될 수 있는 구조로, 주로 하네스(harness) 설계의 문제 Persistent agency: 단일 작업을 넘어 에이전트가 정체성을 유지하며 메모리를 축적하고 사용자 선호를 학습하는 형태. Google의 Memory Bank 이 대표적 사례 실제 프로덕션 에이전트는 세 가지가 결합되지만, 각각의 엔지니어링 문제와 해법은 상이 장기 실행 에이전트가 중요한 이유 10분 실행 에이전트는 질문 답변이나 소규모 버그 수정 수준이지만, 10시간 실행 에이전트는 전체 기능 개발, 6분기 동안 밀린 마이그레이션 완료, 주니어 애널리스트급 리서치 수행 가능 Anthropic의 Claude Sonnet … --- ## [Cognee: 지식 그래프와 벡터 검색을 결합하여 AI 에이전트에 장기 기억을 부여하는 오픈소스 지식 엔진](https://discuss.pytorch.kr/t/cognee-ai/9852)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 1, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/cognee-ai/9852 "2026-05-01T03:30:25Z")
Cognee 소개 현대 AI 에이전트와 챗봇이 가진 가장 근본적인 한계 중 하나는 기억의 부재입니다. 대부분의 LLM 기반 시스템은 대화 세션이 종료되면 모든 맥락을 잃어버리며, 다음 세션에서 동일한 정보를 처음부터 다시 학습해야 합니다. 벡터 데이터베이스를 활용한 RAG(Retrieval-Augmented Generation)가 이를 부분적으로 해결하지만, 단순 유사도 검색은 문서 간의 관계와 맥락적 연결을 포착하지 못하는 한계가 있습니다. Cognee는 지식 그래프(Knowledge Graph), 벡터 검색, 인지과학 원리를 결합하여 AI 에이전트에게 진정한 장기 기억(Persistent Memory)을 부여하는 오픈소스 지식 엔진입니다. 단순히 정보를 저장하고 검색하는 것을 넘어, 정보들 간의 관계를 그래프 구조로 표현하고 에이전트의 피드백을 통해 지속적으로 개선되는 동적 메모리 시스템을 제공합니다. Cognee의 핵심 설계 철학은 기억의 4가지 기본 연산인 기억하기(remember), 불러오기(recall), 잊기(forget), 개선하기(improve)를 명확한 API로 추상화하는 것입니다. 이를 통해 개발자는 복잡한 그래프 데이터베이스 쿼리나 벡터 임베딩 파이프라인의 세부 구현 없이도 에이전트에 장기 메모리를 손쉽게 통합할 수 있습니다. Python 3.10~3.13을 지원하며, Neo4j 그래프 데이터베이스와 다양한 벡터 데이터베이스를 백엔드로 활용합니다. Cognee의 주요 특징과 통합 옵션 Cognee는 다양한 멀티모달 데이터 형식(텍스트, PDF, URL, 코드, 이미지 등)을 통합된 파이프라인으로 처리하며, 온톨로지(Ontology) 기반 그라운딩을 통해 도메인 특화 지식 표현도 지원합니다. 에이전트 간 지식 공유(Cross-agent Knowledge Sharing)를 통해 여러 에이전트 인스턴스가 동일한 지식 베이스를 공유하고 협력할 수 있습니다. 주요 통합 환경: Claude Code 플러그인: cognee-… --- ## [GenericAgent: 3,300줄의 시드 코드에서 시작해 스스로 스킬을 성장시키는 자기 진화형 LLM 에이전트 프레임워크](https://discuss.pytorch.kr/t/genericagent-3-300-llm/9850)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 23, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/genericagent-3-300-llm/9850 "2026-04-23T06:30:29Z")
GenericAgent 소개 자율형 AI 에이전트의 실제 활용 가능성은 오래전부터 논의되어 왔지만, 기존 에이전트 프레임워크들은 수십만 줄에 달하는 복잡한 코드 기반과 수십만 개의 컨텍스트 토큰을 소비하는 무거운 구조로 인해 실용성에 한계가 있었습니다. 복잡한 환경 설정, 과도한 비용, 느린 반응 속도는 실제 개인 사용자나 소규모 팀이 자율 에이전트를 일상 업무에 적용하기 어렵게 만들었습니다. GenericAgent는 이러한 문제를 정면으로 해결하기 위해 탄생한 경량 자기 진화형 에이전트 프레임워크입니다. GenericAgent의 핵심 철학은 "최소한의 코드로 최대한의 능력"입니다. 약 3,300줄의 핵심 코드와 약 100줄의 에이전트 루프로 구성된 이 프레임워크는, 사전에 모든 기능을 코드에 내장하는 대신 실제 작업 수행 과정을 통해 스스로 능력을 성장시킵니다. 작업을 수행하면서 성공적인 실행 경로를 스킬(Skill)로 결정화(crystallize)하여 재사용 가능한 형태로 메모리에 저장하고, 다음에 유사한 작업이 발생했을 때 즉시 활용합니다. 이를 통해 에이전트는 사용할수록 더 강력하고 효율적으로 성장합니다. GenericAgent는 Claude, Gemini, Kimi, MiniMax 등 주요 LLM을 지원하며, 실제 브라우저 자동화(로그인 세션 유지), 터미널 제어, 파일 시스템 접근, 키보드/마우스 입력, 화면 비전, Android ADB 등 9가지 원자적 도구를 통해 시스템 수준의 컴퓨터 제어가 가능합니다. 기술 보고서는 arXiv:2604.17091에 공개되어 있으며, MIT 라이선스로 자유롭게 활용할 수 있습니다. GenericAgent의 자기 진화 메커니즘 GenericAgent의 가장 독창적인 특징은 계층적 메모리 시스템과 자기 진화 루프입니다. 에이전트는 새로운 작업을 만나면 탐색하고 실험하며 스스로 해결책을 찾아냅니다. 이 과정이 성공적으로 완료되면 해당 실행 경로를 재사용 가능한 스킬로 변환하여 메모리에 저장합니다. \[… --- ## [Deep Researcher Agent: 잠든 사이에도 24시간 딥러닝 실험을 자율 수행하는 LLM 에이전트 프레임워크](https://discuss.pytorch.kr/t/deep-researcher-agent-24-llm/9730)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 15, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/deep-researcher-agent-24-llm/9730 "2026-04-15T06:30:45Z")
Deep Researcher Agent 소개 Deep Researcher Agent는 도쿄대학교(The University of Tokyo)의 Xiangyue Zhang이 공개한, 딥러닝 실험을 24시간 자율적으로 수행하는 LLM 에이전트 프레임워크입니다. 논문 작성이나 코드 생성에 초점을 맞춘 기존 AI 연구 보조 도구들과 달리, 이 프로젝트는 가설 수립(hypothesis formation), 코드 구현, 학습 실행, 결과 분석, 그리고 반복적인 개선이라는 실험의 전체 수명 주기(full experiment lifecycle)를 대상으로 합니다. 연구자가 잠을 자거나 휴가를 떠난 사이에도 에이전트가 대신 하이퍼파라미터를 탐색하고, 학습을 실행하며, 로그를 해석해 다음 실험을 계획하는 방식으로 동작합니다. 실제 공개된 수치에 따르면 4개의 연구 프로젝트에서 500회 이상의 자율 실험 사이클을 수행했고, 한 프로젝트에서는 200회 이상의 자동 실험을 통해 기준선(baseline) 대비 52%의 지표 개선을 달성했다고 보고되어 있습니다. Deep Researcher Agent 프로젝트가 주목받는 이유는, LLM 에이전트를 24시간 상주시킬 때 가장 큰 걸림돌이었던 비용(cost) 문제를 정면으로 다뤘다는 점입니다. 대부분의 에이전트 프레임워크는 학습이 진행되는 동안에도 수 분 간격으로 LLM을 호출해 "지금 잘 돌아가고 있는지"를 점검하기 때문에 하루에 수십 달러 이상의 API 비용이 발생합니다. Deep Researcher Agent는 학습 중에는 LLM을 호출하지 않고 kill -0 $PID나 nvidia-smi, 로그 파일 tail 같은 운영체제 수준의 점검만 수행하는 Zero-Cost Monitoring 구조를 채택해, 8시간 학습을 포함한 24시간 사이클의 평균 LLM 비용을 $0.08 수준까지 낮췄다고 기술 보고서(Technical Report)에 명시되어 있습니다. LLM Active … --- ## [Parlant: LLM 에이전트 행동 제어 및 신뢰성 보장을 위한 오픈소스 행동제어 프레임워크 (Behavior Guidance Framework)](https://discuss.pytorch.kr/t/parlant-llm-behavior-guidance-framework/8946)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [2월 9, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/parlant-llm-behavior-guidance-framework/8946 "2026-02-09T03:30:23Z")
Parlant 소개 Parlant는 대규모 언어 모델(LLM) 기반의 에이전트가 비즈니스 로직과 가이드라인을 엄격하게 준수하도록 보장하는 오픈소스 행동 제어(Behavior Guidance) 프레임워크입니다. 현재 LLM 에이전트 개발의 가장 큰 난제는 모델의 확률적(Probabilistic) 특성으로 인해 발생하는 '예측 불가능성'입니다. 수많은 프롬프트를 통해 지시사항을 전달하더라도, 컨텍스트가 길어지거나 복잡한 상황이 닥치면 에이전트는 지시를 무시하거나, 환각(Hallucination)을 일으키거나, 예상치 못한 방식으로 도구를 호출하곤 합니다. Parlant는 이러한 문제를 해결하기 위해 프롬프트 엔지니어링에서 행동 엔지니어링(Behavior Engineering)으로의 전환을 제안합니다. 단순히 LLM에게 "친절하게 대답해"라고 말하는 대신, 에이전트가 따라야 할 규칙을 구조화된 데이터로 관리하고, 상황에 맞는 규칙만을 동적으로 인출하여 적용하는 Coherence Engine을 탑재했습니다. 이를 통해 개발자는 에이전트가 '무엇을 알고 있는지(Knowledge)'뿐만 아니라 '어떻게 행동해야 하는지(Behavior)'를 세밀하게 통제할 수 있습니다. Parlant 프레임워크는 고객 지원 챗봇, 사내 규정 준수 에이전트, 복잡한 워크플로를 수행하는 자율 에이전트 등 결정론적(Deterministic) 결과와 높은 신뢰성이 요구되는 엔터프라이즈 환경에 최적화되어 있습니다. 개발자는 Parlant를 통해 에이전트의 페르소나를 유지하면서도, 비즈니스 정책 변경 시 전체 프롬프트를 수정할 필요 없이 해당 가이드라인만 업데이트하면 되는 유연성을 확보할 수 있습니다. Parlant vs. 기존 LLM 개발 방식 비교 기존의 에이전트 개발 방식(Pure Prompting 또는 일반적인 Chain 프레임워크)과 Parlant의 접근 방식은 근본적인 아키텍처에서 차이가 있습니다. 기존 방식 (Monolithic Prompting) 은 시스템 프롬프트(S… --- ## [\[청년취업사관학교 서초캠퍼스\] LLM Agent를 활용한 서비스 기획 및 제작 과정 교육생 모집](https://discuss.pytorch.kr/t/llm-agent/8319)
**Author:** [@nodecrew](https://discuss.pytorch.kr/u/nodecrew)\ **댓글:** 0\ **마지막 업데이트:** [11월 28, 2025, 5:35오전 UTC](https://discuss.pytorch.kr/t/llm-agent/8319 "2025-11-28T05:35:41Z")
AI의 등장, 대체될 것인가 활용할 것인가? 망설이면 대체되고, 배우면 주도합니다. 도구를 사용하는 사람은, 더 좋은 도구의 등장을 반가워합니다. 이제는 LLM이 대체할 수 있는 능력이 아닌, LLM을 활용할 수 있는 능력을 배워야 할 시간입니다. 신청하기(클릭) :black\_nib: 강사 소개 :black\_nib: 유태영 강사 삼성 청년 소프트웨어 아카데미(SSAFY) 1~7기 전임교수 새싹(SeSAC) 서초캠퍼스 1기 AI 기반 데이터 분석가 양성과정 강사 동아일보 KDT 생성형 AI를 활용한 콘텐츠 크리에이터 양성과정 강사 데이터분석서비스 개발자 취업캠프 강사 멋쟁이사자처럼 5~6기 전체 대학생 온라인 강의 담당 강사 4차 산업혁명 선도인재 양성과정 강사 :sparkles: 이 강의를 통해서 :sparkles: 기초부터 다지는 탄탄한 프로그래밍 능력을 갖출 수 있어요. 다양한 서비스들을 연결해서 파편화되어 있는 업무들을 한 번에 자동화하는 경험을 해볼 수 있어요. 작은 규모의 GUI Agent부터 큰 규모의 Code Base Agent까지 모두 설계 및 제작해볼 수 있어요. 비즈니스 문제에서 GPT(LLM)를 활용할 수 있어요. 데이터 분석 뿐만 아니라 다양한 LLM을 활용하는 업무 자동화 Workflow를 설계, 개발할 수 있어요. 3번의 프로젝트를 통해 배운 이론을 실무에 적용하고 포트폴리오 준비까지 할 수 있어요. :wrapped\_gift: 수강 혜택 :wrapped\_gift: 점심 식대 10,000원 지원 도서 구매비 지원 무제한 간식과 커피 1:1 전담 잡코디 취업 상담 :white\_check\_mark: 수강 전 확인 사항 :white\_check\_mark: 교육 장소: 서울특별시 서초구 신반포로 지하 188 청년취업사관학교 서초캠퍼스 (고속터미널역 3번/4번출구 개찰구 통과 후 도보 1분 이내) 교육 기간: 2025. 12. 15 ~ 2026. 04. 03 지원 기간: ~ 2025. 12. 05 신청 대상… --- ## [\[GN⁺\] 에이전트를 직접 만들어봐야 하는 이유](https://discuss.pytorch.kr/t/gn/8158)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [11월 8, 2025, 11:00오전 UTC](https://discuss.pytorch.kr/t/gn/8158 "2025-11-08T11:00:07Z")
'에이전트를 직접 만들어봐야 하는 이유' 글 소개 LLM 에이전트는 단순히 개념으로 이해하기보다 직접 구현해봐야 작동 원리를 체감할 수 있는 기술 구조 불과 수십 줄의 Python 코드로 OpenAI Responses API를 이용해 대화형 에이전트를 만들 수 있으며, 여기에 도구 호출(tool call) 기능을 추가하면 자율적 행동이 가능 에이전트의 핵심은 상태 없는 LLM과의 반복 호출 루프이며, 대화 맥락(context)을 직접 관리함으로써 다중 회차 대화를 구현 Context Engineering은 실제 프로그래밍 과제 수준의 문제로, 토큰 한계 내에서 입력·출력·도구 설명을 최적화하는 설계 필요 현재 에이전트 설계는 열린 소프트웨어 공학 문제 공간으로, 개인 개발자도 실험을 통해 새로운 접근을 시도할 수 있는 영역 에이전트 작성의 단순함 LLM 에이전트는 복잡한 설정 없이 OpenAI Responses API 하나로 구현 가능 예시 코드에서는 context 리스트를 통해 사용자와 모델의 대화를 저장하고, 이를 반복 호출하여 ChatGPT와 같은 대화형 응답 생성 “좋은 성격”과 “나쁜 성격”을 가진 두 개의 컨텍스트를 만들어 다중 인격 대화를 시뮬레이션할 수 있음 LLM은 상태가 없으며, 대화의 연속성은 사용자가 관리하는 문자열 배열(context) 로 유지됨 이 단순한 구조만으로도 다중 회차 대화가 가능하며, LLM의 작동 원리를 직접 체험할 수 있음 도구(tool) 통합과 자율적 동작 에이전트에 ping 함수를 도구로 등록해 네트워크 연결 상태를 점검하는 기능 추가 OpenAI API는 JSON 형식으로 도구 정의를 요구하며, LLM이 필요 시 도구 호출을 요청하면 Python 코드가 이를 실행하고 결과를 다시 전달 LLM은 명시적 지시 없이도 여러 호스트(google.com, www.google.com, 8.8.8.8)를 자동으로 ping함 이는 LLM이 “도구 사용 권한”만으로도 자율적 판단을 수행했음을 보여줌 … --- ## [MiniMax M2 공개: MiniMax 팀이 공개한, 속도-성능-가격 균형을 맞춘 에이전트 전용 AI 모델](https://discuss.pytorch.kr/t/minimax-m2-minimax-ai/8073)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 29, 2025, 4:00오전 UTC](https://discuss.pytorch.kr/t/minimax-m2-minimax-ai/8073 "2025-10-29T04:00:02Z")
MiniMax M2 소개 MiniMax는 설립 초기부터 “모두를 위한 인공지능(Intelligence with Everyone)”이라는 비전을 바탕으로 발전해온 중국 기반 AI 스타트업입니다. 최근 MiniMax는 이 비전을 구체화한 새로운 모델 MiniMax M2를 공개하며 큰 주목을 받고 있습니다. M2는 “에이전트(Agent)”와 “코딩”을 위해 설계된 오픈소스 모델로, 성능과 비용, 속도 사이의 균형을 혁신적으로 재정의했습니다. MiniMax는 이를 통해 클로드(Claude) Sonnet 대비 가격은 8%, 속도는 2배 이상 빠른 모델을 무료로 공개했다고 발표했습니다. MiniMax-M2는 코드 생성과 복잡한 자동화 에이전트 작업을 동시에 수행할 수 있도록 설계되었습니다. 예를 들어 Shell 명령 실행, 브라우저 제어, Python 코드 해석기 호출, MCP 기반 도구 제어 등 다양한 작업을 안정적으로 수행합니다. 이러한 복합적인 도구 호출 능력은 단순한 챗봇을 넘어, “스스로 복잡한 업무를 완수하는 AI 에이전트”로의 진화를 상징합니다. MiniMax는 이 모델을 내부 개발팀의 실제 업무에 직접 활용하면서 모델의 한계를 다듬었다고 밝혔습니다. 개발자, 백엔드 엔지니어, 비즈니스 담당자들이 함께 모델을 테스트하고 실제 업무에 통합하는 과정을 통해, M2는 현실적인 문제 해결력과 실행 안정성을 확보했습니다. 이러한 과정은 단순히 대규모 언어모델(LLM)을 만드는 것이 아니라, AGI(범용 인공지능) 시대에 협력하는 ‘AI 네이티브 조직’을 구축하는 첫걸음으로 평가됩니다. MiniMax가 강조하는 부분은 ‘성능–속도–비용’이라는 불가능해 보이는 삼각 구도의 균형입니다. 해외 상위 모델들은 뛰어난 성능을 보이지만, 높은 가격과 느린 응답 속도가 단점으로 지적됩니다. 반면 국내 모델들은 비용 면에서 유리하나, 전반적인 추론 속도와 정확도에서 한계가 있었습니다. MiniMax M2는 이 두 극단 사이에서 적정 성능을 가진 가장 빠… --- ## [AMD Developer Cloud 사용 후기(LLM finetune Multi-task Agent)](https://discuss.pytorch.kr/t/amd-developer-cloud-llm-finetune-multi-task-agent/8007)
**Author:** [@MinuX\_exion](https://discuss.pytorch.kr/u/MinuX_exion)\ **댓글:** 0\ **마지막 업데이트:** [10월 23, 2025, 3:06오전 UTC](https://discuss.pytorch.kr/t/amd-developer-cloud-llm-finetune-multi-task-agent/8007 "2025-10-23T03:06:15Z")
파이토치 한국 사용자 모임에서 진행한 AMD Instinct™ MI300X GPU 무료 체험 이벤트를 통해 AMD GPU를 사용할 수 있는 좋은 기회를 얻게 되었습니다. 이를 기반으로 LLM RL Finetune(Multi-Task Agent)를 돌려보았습니다. \ 진짜 크고 빠른 압도적인 VRAM (192G): 100GiB+ 정도 되는 체크포인트 처리속도 정말 빠름 오픈소스 라이브러리들이 최근 AMD ROCm지원을 많이 해주고 있기에 개발에 용이 제공해주신 한정적 시간으로 인해 아쉬움 :joy: LLM RL Finetune(DPO) - Multi-Task Agent huggingface 라이브러리로 Describe, Explain, Plan and Select: Interactive Planning with Large Language Models Enables Open-World Multi-Task Agents을 해보았습니다. Open World Agent 실험에 걸맞는 8 MI300X의 경우 VRAM이 1536G VRAM으로 특히나 큰 장점으로 다가옵니다. 70B 크기의 모델도 무난하게 multi node training 가능 처음 환경 세팅 시간이 거의 들지 않고, 세팅 이후 version mismatch나 ROCm 커널 관련 이슈를 겪었지만 큰 코드 수정 없이 AMD 환경에서 실험. 소감 체크포인트 로딩과 추론 속도가 진짜 빠르고, 192GB 라는 아주 큰 VRAM은 너무나도 큰 장점입니다. 이번 AMD MI300X 무료 체험 이벤트를 통해 고성능 GPU(HPC), 대규모 Multi Task LLM 실험을 진행할 수 있었습니다. 정말 좋은 플랫폼을 직접 사용할 수 있어 좋은 기회였고, 앞으로도 이런 기회가 있다면 적극적으로 참여해보고 싶은 마음이 들게 된 것 같습니다. --- ## [500-AI-Agents-Projects: 500가지 이상의 AI Agent 프로젝트 사례들을 모아둔 GitHub 저장소](https://discuss.pytorch.kr/t/500-ai-agents-projects-500-ai-agent-github/7621)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [9월 1, 2025, 3:30오전 UTC](https://discuss.pytorch.kr/t/500-ai-agents-projects-500-ai-agent-github/7621 "2025-09-01T03:30:53Z")
500+ AI Agent Projects 소개 최근 AI 기술의 빠른 발전과 함께 ‘AI 에이전트(Agent)’라는 개념이 산업 전반에서 주목을 받고 있습니다. 에이전트란 단순히 정보를 처리하는 수준을 넘어, 스스로 환경을 이해하고 의사결정을 내려 작업을 수행할 수 있는 시스템을 의미합니다. 대표적으로 헬스케어에서 진단을 보조하거나, 금융 시장에서 거래를 자동화하는 등 기존 인력을 보완하고 업무 효율을 크게 높이는 역할을 하고 있습니다. GitHub의 500+ AI Agent Projects 저장소는 이러한 AI 에이전트의 실제 활용 사례를 한눈에 볼 수 있는 방대한 아카이브입니다. 산업별, 프레임워크별로 정리된 수많은 예시와 함께 오픈소스 코드 링크까지 제공하고 있어, 연구자나 개발자가 실제 프로젝트에 바로 응용할 수 있는 실질적인 가치를 제공합니다. 이 저장소가 중요한 이유는 단순히 예시를 모아놓은 것이 아니라, 각 산업군에서 AI 에이전트가 어떤 문제를 해결하고 어떤 방식으로 구현되는지를 명확히 보여준다는 점입니다. 의료, 금융, 교육, 제조업, 법률, 물류 등 거의 모든 분야에서 응용 사례가 포함되어 있어 AI가 사회 전반에 어떤 영향을 미치고 있는지 직관적으로 파악할 수 있습니다. 또한 Microsoft, LangChain, CrewAI 등 다양한 프레임워크를 활용한 예시도 있어, 개발자가 선호하는 기술 스택에 맞춰 학습하고 활용할 수 있습니다. 따라서 이 저장소는 AI 에이전트 개발에 관심 있는 사람이라면 반드시 참고할 만한 리소스이며, 단순히 아이디어를 얻는 것뿐 아니라 오픈소스 코드를 기반으로 직접 실험하거나 프로젝트에 도입할 수 있는 발판을 제공합니다. AI 에이전트 관련 자료는 인터넷에 다양하게 존재하지만, 대부분은 특정 산업에 한정되거나 연구 논문 중심으로 구성되어 실제 구현에 바로 활용하기 어렵습니다. 반면 이 프로젝트는 500개 이상의 구체적인 사례와 오픈소스 코드를 함께 제공하여 실용성이 매우 높습니다. 예를 들어,… --- ## [\[모집\] VESSL AI 무료 웨비나 🚀 에이전틱 AI 시대 기업의 생존 전략 (~8/26)](https://discuss.pytorch.kr/t/vessl-ai-ai-8-26/7544)
**Author:** [@vesslai](https://discuss.pytorch.kr/u/vesslai)\ **댓글:** 0\ **마지막 업데이트:** [8월 22, 2025, 2:14오전 UTC](https://discuss.pytorch.kr/t/vessl-ai-ai-8-26/7544 "2025-08-22T02:14:27Z")
안녕하세요, 베슬에이아이 (VESSL AI)팀입니다! 저희는 GPU 인프라부터 모델 파인튜닝, 에이전트 기반 운영에 이르기까지 AI 전 주기를 통합하고 관리하는 AI '오케스트레이션' 솔루션을 개발하고 있는 회사입니다. 이번 하반기 첫 웨비나에서는 베슬에이아이 안재만 대표님이 \<에이전틱 AI 시대 기업의 생존 전략\>을 주제로 인사이트를 나눠주실 예정입니다. :backhand\_index\_pointing\_right: 웨비나 신청하기 Form 에이전틱 AI 시대에 AI 혁신을 원하는 기업들은 무엇을 준비해야하는지를 에이전트를 위한 LLM 파인튜닝부터 인프라 운영까지 관점에서 알려드리니, 이번 기회를 놓치지 마세요. 베슬에이아이가 어떤 회사인지 궁금하다면, 클릭해 주세요! 베슬에이아이 블로그 | AI, LLM 활용 사례부터 트렌드까지 - VESSL AI 뉴스 --- ## [Biomni: 범용적인 목적의 바이오메디컬 AI 에이전트](https://discuss.pytorch.kr/t/biomni-ai/7246)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 12, 2025, 3:30오전 UTC](https://discuss.pytorch.kr/t/biomni-ai/7246 "2025-07-12T03:30:08Z")
Biomni 소개 오늘날 생명과학 및 의학 분야는 방대한 양의 데이터와 복잡한 분석 요구를 마주하고 있습니다. 이로 인해 연구자들은 단순한 데이터 처리부터 고도화된 가설 수립에 이르기까지 많은 시간과 노력을 들여야 하며, 이는 연구 속도와 효율성에 큰 제약으로 작용합니다. 이러한 문제를 해결하기 위해 최근에는 대형 언어 모델(LLM)과 자동화된 분석 기법을 기반으로 한 도구들이 연구 현장에 도입되고 있으며, Stanford에서 개발한 Biomni는 그 대표적인 사례입니다. Biomni는 생명과학 분야의 다양한 연구 작업을 자동으로 수행할 수 있도록 설계된 범용 바이오메디컬 AI 에이전트입니다. 특히 다양한 생물의학 서브필드에 걸쳐 광범위한 분석과 가설 생성 작업을 자동으로 처리할 수 있으며, 대형 언어 모델 기반의 추론, 검색 기반 계획(Retrieval-Augmented Planning), 코드 실행을 결합한 복합적인 시스템 구조를 갖추고 있습니다. 이를 통해 Biomni는 기존의 도구들보다 훨씬 정교하고 확장성 있는 지원을 제공하며, 연구 생산성 향상에 실질적인 기여를 할 수 있습니다. Biomni의 개발 목적은 단순한 데이터 분석 도구를 넘어, 과학자들이 실제 연구 질문을 자연어로 입력하고, 그것에 대한 실행 가능한 연구 플랜과 해석을 생성할 수 있는 \*\*“AI Assistant”\*\*로 진화하는 데 있습니다. 예를 들어, 특정 유전자의 기능을 밝히기 위한 CRISPR 실험 설계나, 단일세포 RNA 시퀀싱 데이터의 주석 작업, 화합물의 약물 특성 예측(ADMET 예측) 등 복잡한 생물의학 작업을 하나의 명령으로 실행할 수 있도록 설계되어 있습니다. Biomni 개요 Biomni는 생물의학 분야의 다양한 작업을 수행할 수 있는 범용적인 목적(General Purpose)의 AI 에이전트로, 다음과 같은 기능을 중심으로 구성됩니다: LLM 기반 자연어 이해: Claude 및 OpenAI LLM을 활용하여 자연어 명령을 이해하고 실행 계획 수립 검… --- ## [Cairn: GitHub 저장소와 연동하는 오픈소스 S/W 엔지니어링 자동화 에이전트(End-to-End SWE Agent)](https://discuss.pytorch.kr/t/cairn-github-s-w-end-to-end-swe-agent/7207)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 1, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/cairn-github-s-w-end-to-end-swe-agent/7207 "2025-07-01T21:30:33Z")
Cairn 소개 최근 대규모 언어 모델(LLM)의 발전에 따라 개발 업무 자동화에 대한 관심이 크게 증가하고 있습니다. 하지만 대부분의 개발 자동화 도구들은 상용 서비스로 제공되어 소스코드 접근성과 커스터마이징에 제한이 있습니다. 이러한 배경에서 등장한 Cairn은 오픈소스 기반의 백그라운드 에이전트 시스템으로, 개발자가 자신의 GitHub 저장소와 연동하여 End-to-End 소프트웨어 엔지니어링 업무를 자동화할 수 있도록 도와줍니다. Cairn은 사용자가 직접 소유하는 GitHub App을 통해 저장소에 대한 읽기/쓰기 권한을 제어하며, OpenAI, Anthropic, Gemini 등 다양한 LLM API와 연동이 가능합니다. 따라서 기존의 상용 제품들이 제공하는 자동화 기능을 로컬 환경에서 누구나 투명하게 사용할 수 있다는 점에서 큰 의미가 있습니다. 특히, 단순 코드 작성뿐 아니라 풀스택 작업 분해, 실시간 로그 관리, 저장소 분석 등 다양한 개발 업무를 자동으로 처리할 수 있어, 반복적이고 지루한 작업에서 벗어나 보다 창의적인 업무에 집중할 수 있습니다. Cairn은 초심자에게도 진입장벽이 낮도록 친절한 설치 가이드와 웹 인터페이스를 제공합니다. 백엔드는 FastAPI, 프론트엔드는 React 기반으로 구성되어 있으며, 로컬 환경에서 에이전트의 동작을 직접 확인할 수 있습니다. 이처럼 Cairn은 누구나 쉽게 접할 수 있으면서도, 강력한 커스터마이징과 확장성을 보장하는 오픈소스 AI 개발 자동화 플랫폼으로 자리매김하고 있습니다. 왜 Cairn이 중요한가? 소프트웨어 프로젝트의 규모가 커질수록 반복적인 작업과 코드 관리가 점점 복잡해집니다. 이 때, 단순 자동화 도구를 넘어 LLM과 결합된 에이전트 기반의 시스템이 도입된다면, 반복적인 개발 업무를 효율적으로 분산 및 자동화할 수 있습니다. Cairn은 이러한 흐름에 맞춰 “실제 코드 변경”과 “Pull Request 생성” 그리고 “작업 분할”까지 지원하는 에이전트들을 계층적으로 구성하여,… --- ## [OpenAI, 에이전트 제작을 위한 실전 가이드 문서 공개 \[PDF/영문/34p\]](https://discuss.pytorch.kr/t/openai-pdf-34p/6807)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 18, 2025, 8:23오전 UTC](https://discuss.pytorch.kr/t/openai-pdf-34p/6807 "2025-04-18T08:23:56Z")
OpenAI의 'A Practical Guide to Building Agents' 문서 소개 최근 몇 년 사이 LLM(Large Language Model)이 단순한 질의응답 수준을 넘어서, 도구를 사용하고 복잡한 의사결정을 내리며 멀티스텝 작업까지 수행할 수 있는 ‘에이전트(Agent)’로 진화하고 있습니다. OpenAI가 공개한 'A Practical Guide to Building Agents'라는 제목의 이 실전 가이드는 LLM 기반 에이전트를 처음 도입하고자 하는 제품·엔지니어링 팀에게 매우 실용적인 로드맵을 제공합니다. 특히, OpenAI의 Agents SDK를 사용하여 에이전트 설계의 핵심 구성부터 모델 선택, 오케스트레이션 패턴, 그리고 가드레일까지, 실무에 바로 적용할 수 있는 내용들로 구성이 되어있습니다. 에이전트는 단순한 챗봇과는 다릅니다. 사용자의 의도를 이해하고, 필요한 도구를 호출하며, 때로는 작업을 멈추거나 인간에게 넘기는 등, 꽤나 자율적인 행동을 할 수 있는 시스템입니다. 이 가이드는 그런 에이전트를 실무에 어떻게 적용할지, 어떤 구조로 설계할지, 어떤 리스크를 관리해야 하는지를 차근차근 안내합니다. 기존의 자동화가 실패했던 복잡하고 예외가 많은 업무에 LLM 에이전트를 도입하면, 훨씬 더 유연하게 대응할 수 있습니다. 예를 들어 고객 환불 요청 처리나 보안 검토 같은 업무에서 수백 가지 규칙보다, 상황에 맞는 판단이 중요할 때가 그렇습니다. 주요 내용 개요 (Executive Summary) 기술적 배경 (Technical Background) 핵심 개념 (Core Concepts) 에이전트란? 언제 에이전트를 구축해야 하는가? 구현 세부사항 (Implementation Details) 모델 구성 툴 설계 명령어 구성 오케스트레이션 패턴 (Orchestration Patterns) 단일 에이전트 다중 에이전트: 매니저 패턴 vs 분산 패턴 가드레일 (Guardrails) 향후 전망 및 실무 적용 (… --- ## [Sim Studio: 오픈소스 AI 에이전트 워크플로우 빌더](https://discuss.pytorch.kr/t/sim-studio-ai/6768)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 12, 2025, 9:00오전 UTC](https://discuss.pytorch.kr/t/sim-studio-ai/6768 "2025-04-12T09:00:04Z")
Sim Studio 소개 Sim Studio는 복잡한 AI 에이전트 워크플로우를 시각적으로 구성하고 실행할 수 있는 오픈소스 플랫폼입니다. Docker 기반의 간편한 설치와 다양한 통합 기능을 통해, AI 에이전트 개발을 보다 효율적으로 진행할 수 있습니다. Sim Studio는 Next.js 기반의 프론트엔드와 PostgreSQL, Drizzle ORM, ReactFlow, Zustand 등의 기술 스택을 활용하여, 사용자 친화적인 인터페이스와 강력한 기능을 제공합니다. Docker를 활용한 간편한 설치와 로컬 LLM과의 연동 기능을 통해, AI 에이전트 개발을 보다 효율적으로 진행할 수 있습니다. Sim Studio는 LangChain, Flowise, AutoGen 등과 유사한 AI 에이전트 프레임워크입니다. 그러나 Sim Studio는 시각적 워크플로우 편집기와 로컬 LLM 연동 기능을 제공하여, 사용자 경험과 확장성 면에서 차별화된 장점을 가지고 있습니다. Sim Studio는 Docker 이미지를 사용하거나, 소스코드로부터 설치하는 방법이 있으며, 직접 설치가 어려운 경우 클라우드 호스팅 버전을 사용할 수 있습니다. Sim Studio의 주요 기능 시각적 워크플로우 편집기: ReactFlow 기반의 UI를 통해 에이전트 블록을 드래그 앤 드롭으로 구성할 수 있습니다. 로컬 LLM 연동: Ollama를 활용하여 로컬에서 LLM을 실행하고, GPU/CPU 환경에 따라 유연하게 구성할 수 있습니다. 다양한 통합 기능: Google, GitHub OAuth, PostgreSQL, 이메일 인증 등 다양한 외부 서비스와의 통합을 지원합니다. 개발자 친화적인 구조: Next.js, Tailwind CSS, Zustand 등 현대적인 웹 기술 스택을 활용하여 개발자 경험을 향상시킵니다. 라이선스 Sim Studio 프로젝트는 Apache-2.0 License로 공개 및 배포되고 있습니다. :house: Sim Studio 공식 사이트 http… --- ## [OpenManus: 오픈소스 LLM 에이전트 프로젝트](https://discuss.pytorch.kr/t/openmanus-llm/6314)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [3월 8, 2025, 4:31오전 UTC](https://discuss.pytorch.kr/t/openmanus-llm/6314 "2025-03-08T04:31:04Z")
OpenManus 소개 Manus는 AI 기반의 에이전트 플랫폼으로 많은 관심을 받고 있지만, 초대 코드 없이 자유롭게 사용할 수 있는 OpenManus가 등장했습니다. 이 프로젝트는 MetaGPT의 일부 개발자들이 단 3시간 만에 만들어낸 것으로, 누구나 자신의 아이디어를 실행할 수 있도록 설계되었습니다. OpenManus는 OpenAI의 LLM을 활용한 에이전트 시스템으로, 사용자가 원하는 작업을 자동화할 수 있도록 도와줍니다. 기존의 폐쇄적인 시스템과 달리, OpenManus는 오픈소스로 제공되며, 사용자가 직접 API 키를 설정하여 원하는 방식으로 활용할 수 있습니다. OpenManus의 주요 특징은 다음과 같습니다: 초대 코드 없이 사용 가능: 기존 Manus는 초대 코드가 필요하지만, OpenManus는 자유롭게 다운로드하고 실행할 수 있습니다. 오픈소스 기반: 코드가 공개되어 있어 누구나 커스터마이징하고 개선할 수 있습니다. 빠른 실행 가능: 기본 설정을 마치면 한 줄의 명령어로 실행할 수 있습니다. MetaGPT 커뮤니티 기여: MetaGPT 개발자들이 직접 제작한 프로젝트로, 지속적인 개선이 기대됩니다. OpenManus 주요 기능 설치 및 실행이 간편: Conda 환경을 설정하고 몇 가지 파일을 수정하면 바로 실행 가능합니다. 사용자 설정 가능: config.toml 파일을 통해 LLM 모델, API 키, 토큰 수 등을 조정할 수 있습니다. 빠른 실행: 단일 명령어(python main.py)로 실행이 가능하며, 실험적인 기능을 위한 python run\_flow.py도 제공됩니다. 커뮤니티 지원: Discord 및 Feishu 그룹을 통해 다른 개발자들과 정보 교환이 가능합니다. 라이선스 OpenManus 프로젝트는 MIT 라이선스로 제공되며, 누구나 자유롭게 수정 및 배포할 수 있습니다. :github: OpenManus GitHub 저장소 https://github.c… [다음 페이지](https://discuss.pytorch.kr/tag/llm-agent/247.md?match_all_tags=true&page=1&tags%5B%5D=llm-agent)