# \#pi-coding-agent

**URL:** https://discuss.pytorch.kr/tag/pi-coding-agent/7445.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [Jeff-Code: 0.8B 결정 모델이 턴마다 사고 여부를 골라 Qwen3.8-27B의 작업당 시간을 32% 줄인 Pi 포크](https://discuss.pytorch.kr/t/jeff-code-0-8b-qwen3-8-27b-32-pi/12122)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [10월 8, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/jeff-code-0-8b-qwen3-8-27b-32-pi/12122 "2026-10-08T06:30:36Z")

</div>

핵심 요약 Jeff-Code는 Pi 코딩 에이전트를 포크한 연구용 코드입니다. 0.8B 결정 모델 Jeff가 Qwen3.8-27B의 매 턴 앞에서 두 가지를 정합니다. 파일 읽기나 코드 검색 같은 정보 수집 단계를 자기가 먼저 실행할지, 이번 턴에 Qwen의 사고 모드를 켤지입니다. 6개 벤치마크에서 짝지은 과제 1,242개를 실행했습니다. 통과율은 62.8%와 62.4%로 차이가 확인되지 않았습니다(-0.2%p, 95% 구간 -2.6 ~ +2.1). 과제당 시간은 0.68배였고, JeffHub 소개 페이지의 "47% 빠름"은 이 값의 역수입니다. 전체 과제 시간의 합계는 0.86배로 덜 줄었습니다. 평가 로그를 보면 Qwen 턴의 74.1%가 사고 없이 돌았고, Qwen 턴 82,435번에 비해 Jeff가 대신 실행한 단계는 2,600번이었습니다. 사고를 모든 턴에서 끄면 더 빠르지만 통과율이 7.6%p 떨어졌습니다. 수치는 저장소 관리자가 낸 평가 보고서 기준이며, 보고서 머리에는 중간(INTERIM) 표시가 있습니다. 두 어댑터는 Qwen3.8-27B와 Jeff v1.3 베이스 조합에서만 측정되었고, Terminal-Bench 2.0에서는 속도 향상이 뚜렷하지 않았습니다. Jeff-Code 소개 Jeff-Code는 로컬에서 실행하는 27B 추론(reasoning) 모델 코딩 에이전트의 시간을 줄이려는 프로젝트입니다. 큰 모델이 매 턴마다 하던 판단 중 일부를 0.8B 결정 모델에게 넘기는 방식입니다. Qwen3.8-27B 같은 추론 모델은 행동 하나를 고르기 전에 사고(thinking) 토큰을 먼저 생성합니다. 그런데 코딩 에이전트의 턴 중 상당수는 파일 하나를 열거나 폴더 목록을 보는 일처럼 깊은 사고가 필요 없는 일입니다. Jeff-Code는 이런 턴을 골라내는 일을 작은 모델에게 맡깁니다. 여기서 판단을 맡는 모델이 Jeff입니다. Jeff는 Qwen3.5-0.8B를 미세조정(fine-tuning)한 결정 모델(Decision Model) …

---

## [Gemma 4와 Pi Coding Agent로 완전히 로컬에서 실행하는 코딩 에이전트 만들기 (feat. LM Studio)](https://discuss.pytorch.kr/t/gemma-4-pi-coding-agent-feat-lm-studio/10009)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [5월 3, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/gemma-4-pi-coding-agent-feat-lm-studio/10009 "2026-05-03T03:30:36Z")

</div>

로컬 코딩 에이전트가 필요한 이유 지난 1~2년 동안 Claude Code, Cursor, Aider, OpenAI Codex 등 다양한 코딩 에이전트가 등장하면서, 개발자들이 터미널과 에디터에서 LLM을 일상적으로 활용하는 흐름이 자리잡았습니다. 그러나 이러한 도구 대부분은 클라우드 기반의 프론티어 모델(GPT, Claude, Gemini 등)에 의존하기 때문에, 작업 중인 코드와 파일 컨텍스트가 외부 서버로 전송된다는 점, 그리고 토큰 사용량에 비례해 비용이 발생한다는 점은 여전히 현실적인 부담으로 남아 있습니다. 이러한 맥락에서 최근 들어 다시 주목받고 있는 흐름이 바로 로컬 코딩 에이전트(local coding agent) 입니다. Llama 3, Qwen 3, DeepSeek-V3, 그리고 Gemma 4에 이르기까지, 오픈 가중치(open-weight) 모델들이 함수 호출(function calling), 시스템 프롬프트, 사고(thinking) 모드 등 에이전트 워크로드에 필수적인 기능을 점차 갖추면서, 노트북이나 워크스테이션에서 로컬로 실행하는 것만으로도 실용적인 코딩 도우미를 구성할 수 있게 되었습니다. 이번 글에서는 Patrick Loeber가 자신의 블로그에 정리한 가이드를 바탕으로, LM Studio와 Mario Zechner가 만든 미니멀 터미널 코딩 에이전트인 Pi(pi-coding-agent), 그리고 Google의 Gemma 4 26B A4B 모델을 결합하여 완전히 로컬에서 동작하는 코딩 에이전트를 구축하는 방법을 단계별로 살펴봅니다. 모든 추론이 사용자의 하드웨어에서 이루어지므로 데이터 외부 유출 우려가 없고, API 비용 또한 발생하지 않는다는 것이 가장 큰 장점입니다. 핵심 구성 요소: LM Studio + Pi Agent + Gemma 4 원문이 제안하는 권장 셋업은 다음과 같이 세 가지 컴포넌트의 조합입니다. 모델 서버: LM Studio가 모델 다운로드, 양자화, OpenAI 호환 로컬 API 서버 노출까지…
