# \#multi-agent-system **URL:** https://discuss.pytorch.kr/tag/multi-agent-system/5373.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [AgentField: AI 에이전트를 API와 마이크로서비스처럼 운영하기 위한 오픈소스 컨트롤 플레인](https://discuss.pytorch.kr/t/agentfield-ai-api/10248)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 18, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/agentfield-ai-api/10248 "2026-05-18T09:30:17Z")
AgentField 소개 AgentField는 AI 에이전트를 일반적인 API나 마이크로서비스처럼 빌드하고, 운영하고, 확장하기 위해 만들어진 오픈소스 컨트롤 플레인(Control Plane)입니다. 챗봇이나 단순 프롬프트 오케스트레이터 수준을 넘어, 백엔드 시스템 안에서 실제 의사결정을 내리는 에이전트가 필요해질수록 라우팅, 비동기 실행, 사용자 승인, 분산 메모리, 신원·정책 같은 인프라가 함께 요구됩니다. AgentField는 이러한 요구를 한곳에서 다루기 위해 Go 기반의 컨트롤 플레인과 Python·Go·TypeScript용 SDK를 함께 제공하며, 개발자가 작성한 함수(Function)를 자동으로 REST 엔드포인트로 노출하고, 호출 사이의 라우팅과 추적, 그리고 암호화 기반 감사 기록까지 일괄적으로 처리하도록 설계되어 있습니다. AgentField가 다른 멀티 에이전트 프레임워크와 구분되는 가장 큰 지점은 "에이전트를 인프라로 다룬다"는 관점입니다. 각 에이전트는 시작과 동시에 W3C DID(분산 신원자)와 Ed25519 키 쌍을 부여받아 자체적인 암호화 신원(Cryptographic Identity)을 가지게 되며, 다른 에이전트나 서비스에 보내는 모든 호출은 서명되고 검증 가능한 자격 증명(Verifiable Credentials)으로 기록됩니다. 이 덕분에 "어떤 에이전트가, 언제, 무슨 권한으로, 어떤 결정을 내렸는가"를 사후에도 변조 불가능한 형태로 추적할 수 있고, "재무 태그가 붙은 에이전트만 이 함수를 호출할 수 있다"와 같은 정책을 인프라 수준에서 강제할 수 있습니다. 이 프로젝트는 Apache 2.0 라이선스로 공개되어 있으며, 현재 GitHub에서 Go 코드 기반으로 빠르게 성장하고 있는 인프라 계열 오픈소스 중 하나입니다. Claude Code, Codex CLI, Gemini CLI, OpenCode 같은 다중 턴 코딩 에이전트를 작업 실행기로 호출할 수 있는 Harness 기능, LiteLLM을 통한 100여 종 … --- ## [에이전틱 비즈니스 프로세스 관리(APM): AI 에이전트의 조직 내 자율적 업무 수행을 위한 프레임워크 (feat. IBM Research, SAP, Oxford)](https://discuss.pytorch.kr/t/apm-ai-feat-ibm-research-sap-oxford/9360)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 11, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/apm-ai-feat-ibm-research-sap-oxford/9360 "2026-04-11T03:30:22Z")
Agentic Business Process Management 개요 연구 소개 및 배경 대규모 언어 모델(LLM)과 AI 에이전트 기술이 빠르게 발전하면서, 기업의 업무 프로세스에 자율적 에이전트를 도입하려는 시도가 늘어나고 있습니다. 하지만 자율적으로 의사결정을 내리는 에이전트를 조직의 업무에 배치하면, 규정 위반이나 의도하지 않은 결과가 발생할 위험도 함께 커집니다. 이러한 위험을 어떻게 체계적으로 관리할 것인가가 핵심 과제입니다. 비즈니스 프로세스 관리(Business Process Management, BPM)는 조직 내 업무 활동을 체계적으로 설계, 실행, 모니터링, 개선하는 방법론으로 수십 년간 발전해 왔습니다. 그러나 전통적인 BPM은 사전에 정의된 워크플로우를 자동화하는 데 초점을 맞추고 있어, 자율적으로 판단하고 행동하는 AI 에이전트를 관리하기에는 한계가 있습니다. 이 논문은 IBM Research, SAP, University of Oxford, Sapienza Universita di Roma 등 18명의 연구자가 공동으로 작성한 매니페스토로, 에이전틱 비즈니스 프로세스 관리(Agentic Business Process Management, APM) 라는 새로운 패러다임의 개념적 기초를 제시합니다. APM은 자율적 에이전트가 조직의 업무 프로세스를 실행할 때 이를 효과적으로 관리(governance)하기 위한 BPM의 확장입니다. Dagstuhl 세미나 #25192에서의 논의를 기반으로, APM 시스템이 갖추어야 할 핵심 역량과 연구 과제를 체계적으로 정리하고 있습니다. APM의 핵심 개념: 프레임된 에이전시(Framed Agency) 자동화가 아닌 자율성 APM에서 가장 중요한 구분은 자동화(automation) 와 자율성(autonomy) 의 차이입니다. 자동화는 사전 정의된 규칙을 그대로 실행하는 것인 반면, 자율성은 에이전트가 주어진 프로세스 프레임(frame) 안에서 상황에 맞게 스스로 판단하고 행동하는 것을 의… --- ## [\[2026/01/19 ~ 25\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-01-19-25-ai-ml/8819)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 1\ **마지막 업데이트:** [1월 27, 2026, 2:11오후 UTC](https://discuss.pytorch.kr/t/2026-01-19-25-ai-ml/8819 "2026-01-27T14:11:11Z")
\[2026/01/19 ~ 25\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 수동적 응답을 넘어선 "에이전틱 추론(Agentic Reasoning)"의 전방위 확산: 이번 주 가장 두드러진 특징은 LLM을 단순한 질의응답 도구가 아닌, 스스로 계획하고 행동하는 '에이전트'로 재정의하려는 시도입니다. "에이전틱 추론 서베이" 논문은 환경과의 상호작용을 통해 스스로 진화하는 에이전트의 로드맵을 제시했으며, Agentic-R은 검색(Retrieval) 과정 자체를 에이전트의 다단계 추론에 최적화하여 답변의 유용성을 극대화했습니다. 특히 TritorX나 Agentic EDA와 같이 반도체 설계(ASIC)나 커널 생성 등 전문적인 공학 분야에 에이전트를 도입하여 복잡한 워크플로우를 자율화하려는 시도가 눈에 띕니다. 이는 AI가 인간의 지시를 기다리는 수준을 지나, 특정 도메인 내에서 문제 해결을 주도하는 독립적인 운영체제(OS)와 같은 역할을 수행하기 시작했음을 시사합니다. :two: 데이터와 모델의 "자기 주도적 진화(Self-Evolution)"와 확장: 학습 방식에 있어서는 고정된 데이터셋을 탈피하여, 에이전트가 직접 경험을 쌓으며 성장하는 '진화적 패러다임'이 핵심으로 부상했습니다. EvoCUA는 수만 개의 샌드박스 환경에서 합성된 경험을 통해 컴퓨터 사용 능력을 스스로 강화하며, UFT는 인간의 가이드(SFT)와 모델의 자율적 탐색(RFT)을 통합해 추론 성능의 수렴 속도를 기하급수적으로 높였습니다. 또한 STEM은 고정된 연산 구조 대신 임베딩 모듈을 통해 파라미터를 유동적으로 확장함으로써, 긴 문맥에서도 더 많은 지식을 안정적으로 처리할 수 있는 구조적 유연성을 확보했습니다. 이러한 연구들은 모델이 배포된 이후에도 외부 환경과의 피드백 루프를 통해 끊임없이 성능을 개선할 수 있는 '살아있는 시스템'으로 진화하고 있음을 보여줍니다. … --- ## [\[2026/01/12 ~ 18\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-01-12-18-ai-ml/8742)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [1월 18, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-01-12-18-ai-ml/8742 "2026-01-18T21:30:58Z")
\[2026/01/12 ~ 18\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 단순 생성을 넘어선 "강화학습(RL)의 고도화"와 추론 능력 강화: 이번 주 선정된 논문들에서는 강화학습(RL)을 단순히 모델을 정렬(Alignment)하는 도구가 아니라, 복잡한 추론과 문제 해결 능력을 극대화하는 핵심 메커니즘으로 활용하고 있습니다. MATTRL은 추론 단계(Test-Time)에서 다중 에이전트 간의 협력을 강화하기 위해 텍스트 경험을 주입하는 방식을 제안했고, UARL은 희소하지만 창의적인 해결 전략에 보상을 주어 모델의 탐색 능력을 높였습니다. 또한 Foresight Learning은 시간의 흐름에 따른 실제 결과(Outcome)를 검증 가능한 보상으로 활용하여, 인공지능이 보다 실질적이고 예측 가능한 추론을 하도록 유도합니다. :two: 자율적 "에이전트(Agent)" 시스템으로의 진화와 평가의 자동화: 단순한 질의응답을 넘어, 계획을 수립하고 도구를 사용하며 스스로를 평가하는 '에이전트' 중심의 연구가 두드러집니다. Agent-as-a-Judge는 기존의 LLM 기반 평가가 가진 한계를 넘어, 계획 수립과 도구 사용을 통해 평가의 신뢰성을 높이는 새로운 패러다임을 제시했으며, Agentic Search 서베이는 검색과 추론을 결합한 능동적인 정보 탐색 에이전트의 발전 방향을 다루고 있습니다. 이는 AI가 단일 모델로서 기능하기보다, 복잡한 워크플로우를 스스로 제어하는 시스템으로 발전하고 있음을 시사합니다. :three: 현실 세계와의 연결 - "인과성(Causality)", "세계 모델", "구조화된 지식": 모델이 통계적 상관관계를 넘어 물리적 법칙과 인과관계를 이해하고 구조화된 지식을 활용하려는 시도들이 계속되고 있습니다. Causal RL은 인과 추론을 강화학습에 통합하여 환경 변화에 강건한 모델을 만드는 방법을 모색하며, Latent … --- ## [(Open) Agent Spec: 오라클(Oracle)이 제안하는, AI 에이전트 및 에이전트 시스템을 위한 공개 명세 프로젝트](https://discuss.pytorch.kr/t/open-agent-spec-oracle-ai/7939)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 12, 2025, 12:00오후 UTC](https://discuss.pytorch.kr/t/open-agent-spec-oracle-ai/7939 "2025-10-12T12:00:00Z")
Agent Spec 소개 Agent Spec는 오라클(Oracle)에서 공개 및 제안하는 공개된 사양(Open Specification)으로, AI 에이전트(Agent)와 에이전트 기반 시스템(Agentic System)을 플랫폼에 구애받지 않고 정의하고 구성할 수 있도록 하는 표준화된 구성 언어(Configuration Language) 를 지향하고 있습니다. 오늘날 다양한 AI 에이전트 프레임워크(예: LangChain, CrewAI, ReAct 등)가 등장하면서, 각 프레임워크마다 에이전트를 정의하는 방식이 제각각이라는 문제가 생겼습니다. Agent Spec은 이러한 호환성의 단절을 해소하기 위해 등장한 통합 스펙을 목표로 합니다. 먼저, Agent Spec은 ‘컴포넌트(component)’라는 기본 단위를 통해 에이전트의 구조와 동작을 정의합니다. 각 컴포넌트는 에이전트의 기능, 설정 속성(property), 동작 의미(semantics)를 명세적으로 기술하며, 이를 통해 다양한 플랫폼 간의 일관된 해석이 가능합니다. 이러한 표준 사양은 에이전트 구성 요소를 YAML 포맷으로 직렬화(serialization) 및 역직렬화(deserialization) 할 수 있도록 설계되어 있으며, 여러 프로그래밍 언어에서 SDK로 구현될 수 있습니다. 즉, Agent Spec은 “AI 에이전트의 HTML”과도 같은 역할을 합니다. 플랫폼 독립적인 기술 언어로서, 각기 다른 프레임워크가 동일한 명세를 이해하고 실행할 수 있게 만듭니다. Agent Spec은 LangChain의 LCEL(LangChain Expression Language) , OpenAI의 Function Calling Schema , Microsoft의 Semantic Kernel Config 등과 유사한 목적을 가집니다. 하지만 LangChain LCEL은 LangChain 생태계 내에서만 동작한다는 한계가 있으며, Function Calling Schema는 LLM API를 중심으… --- ## [OpenAI, 에이전트를 구축 / 배포 / 최적화할 수 있는 에이전트 구성 및 관리 플랫폼인 AgentKit 공개](https://discuss.pytorch.kr/t/openai-agentkit/7919)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 7, 2025, 6:00오전 UTC](https://discuss.pytorch.kr/t/openai-agentkit/7919 "2025-10-07T06:00:35Z")
AgentKit 소개 OpenAI가 새롭게 발표한 AgentKit은 개발자와 기업이 AI 에이전트를 쉽게 구축하고, 배포하며, 최적화할 수 있도록 지원하는 통합 툴 세트입니다. 지금까지 에이전트를 구축하기 위해서는 여러 도구를 조합해야 했고, 버전 관리가 어려운 오케스트레이션, 복잡한 커넥터 설정, 수동 평가 파이프라인, 프롬프트 튜닝, 그리고 프런트엔드 개발에만 수 주가 걸리는 등의 비효율적인 과정이 필수였습니다. AgentKit은 이러한 문제를 해결하고 단일 플랫폼에서 모든 작업을 시각적으로 관리할 수 있는 환경을 제공합니다. AgentKit의 중심이 되는 3가지 주요 구성 요소들은 다음과 같습니다: 에이전트 빌더(Agent Builder): 에이전트를 그리는 시각적 워크플로우 설계 도구로, 일종의 캔버스와 같습니다. 개발자는 이 Agent Builder를 사용하여 여러 에이전트들을 시각적으로 연결하여 복잡한 작업 흐름(Workflow)을 구성할 수 있습니다. 데이터 및 도구 연결 허브(Connector Registry): 조직의 관리자는 Connector Registry에서 여러 데이터 소스 및 외부 도구들의 연결 상태를 한곳에서 파악하고 관리할 수 있습니다. Connector Registry는 단순한 API Key를 관리하는 수준이 아닌, 에이전트가 접근할 수 있는 리소스에 대한 통합적인 정책을 지정하고 관리합니다. 대화도구(ChatKit): ChatKit은 제품이나 서비스에 에이전트형 대화 UI를 빠르게 통합(embed)할 수 있는 도구입니다. ChatKit을 사용하여 웹 사이트나 애플리케이션 내에서 자연스럽게 AI Agent와 대화하는 환경을 구성할 수 있습니다. 이와 함께, OpenAI는 평가(Evals) 기능도 확장하여 데이터셋 생성, 자동 평가, 프롬프트 최적화, 타사 모델 평가 등을 지원합니다. 이는 에이전트 성능을 보다 정확하게 측정하고 개선할 수 있게 합니다. AgentKit은 OpenAI가 2024년 3월에… --- ## [\[2025/09/29 ~ 10/05\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2025-09-29-10-05-ai-ml/7911)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 5, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/2025-09-29-10-05-ai-ml/7911 "2025-10-05T21:30:23Z")
\[2025/09/29 ~ 10/05\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 정보의 진실성 및 신뢰성 향상: 여러 논문에서 정보의 정확성과 신뢰성을 높이기 위한 다양한 접근 방식이 제안되고 있습니다. 예를 들어, "Incentive-Aligned Multi-Source LLM Summaries"에서는 Truthful Text Summarization (TTS) 프레임워크를 통해 정보의 진실성을 보장하고, "AgentMaster"에서는 다중 에이전트 시스템을 활용하여 신뢰할 수 있는 정보 검색과 분석을 지원합니다. :two: 다중 에이전트 시스템의 발전: 여러 연구에서 다중 에이전트 시스템(MAS, Multi-Agent System)의 활용이 증가하고 있으며, 이는 복잡한 작업을 해결하는 데 큰 도움이 되고 있습니다. "TUMIX"와 "AgentMaster" 논문에서는 다양한 도구를 활용한 에이전트 간의 협업과 상호작용을 통해 성능을 향상시키는 방법을 제시하고 있습니다. :three: 지식 주입 및 지속적인 학습: "How to inject knowledge efficiently?"와 "Continual Learning for VLMs" 논문에서는 도메인 지식을 효과적으로 주입하고, 비정상적인 데이터에서 지속적으로 학습하는 방법에 대한 연구가 진행되고 있습니다. 이러한 연구들은 모델의 성능을 향상시키고, 기존 지식을 잃지 않도록 하는 데 중점을 두고 있습니다. ARE: 에이전트 환경 및 평가의 확장 / ARE: Scaling Up Agent Environments and Evaluations 논문 소개 Meta Superintelligence Lab이 공개한 Meta Agents Research Environments (ARE)는 에이전트 환경의 확장 가능성을 높이고, 합성 또는 실제 애플리케이션의 통합을 지원하며, 에이전트의 조… --- ## [DeepCode: Multi-Agent System(MAS) 기반의 오픈 에이전틱 코딩(Open Agentic Coding) 플랫폼](https://discuss.pytorch.kr/t/deepcode-multi-agent-system-mas-open-agentic-coding/7563)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 25, 2025, 5:30오전 UTC](https://discuss.pytorch.kr/t/deepcode-multi-agent-system-mas-open-agentic-coding/7563 "2025-08-25T05:30:35Z")
DeepCode 소개 DeepCode는 홍콩대학교 데이터 인텔리전스 연구실(HKU Data Intelligence Lab)에서 개발한 AI 기반 코드 생성 플랫폼으로, 연구 논문이나 자연어로 된 요구사항을 생산 가능한 코드로 자동 변환하는 것을 목표로 합니다. 이 프로젝트는 단순한 코드 생성기를 넘어서, 여러 AI 에이전트를 조율하는 \*\*멀티에이전트 시스템(Multi-Agent System)\*\*을 통해 개발 전 과정을 지원합니다. 즉, 논문 속 알고리즘 구현부터 프론트엔드, 백엔드까지 자동으로 생성하여 연구자와 개발자의 부담을 크게 줄여줍니다. 특히 연구자는 논문 구현에 소요되는 시간을 절약할 수 있고, 개발자는 반복적인 코딩 작업을 대신 자동화할 수 있습니다. 또한 제품팀은 아이디어에서 프로토타입까지의 시간을 단축시켜 빠르게 검증 가능한 결과물을 얻을 수 있습니다. 이런 특성 덕분에 DeepCode는 학계와 산업계 모두에서 활용할 수 있는 강력한 개발 도구로 주목받고 있습니다. DeepCode의 핵심 철학은 “Where AI Agents Transform Ideas into Production-Ready Code”라는 슬로건에서도 드러나듯, 아이디어와 텍스트를 실제 동작하는 코드로 전환하는 것입니다. 이를 위해 문서 이해, 아키텍처 설계, 코드 생성, 품질 보증 등을 담당하는 다양한 특화 에이전트들이 협업하여 하나의 파이프라인을 완성합니다. DeepCode와 비슷한 영역의 도구로는 GitHub Copilot, Replit Agent, Cursor IDE 플러그인 등이 있습니다. 그러나 이들 대부분은 코드 자동완성이나 단일 함수 수준의 보조에 가까운 반면, DeepCode는 논문에서부터 웹 애플리케이션까지 아우르는 프로젝트 단위 코드 자동화를 지원합니다. 특히 연구 논문을 코드로 변환하는 Paper2Code, 텍스트 설명을 기반으로 프론트엔드와 백엔드를 자동 구현하는 Text2Web과 Text2Backend 기능은 기존 툴에서 보기 어려운 차별…