# \#self-evolution **URL:** https://discuss.pytorch.kr/tag/self-evolution/6451.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Agentic Harness Engineering(AHE): 관측 가능성 기반 코딩 에이전트 하네스의 자동 진화 프레임워크에 대한 연구](https://discuss.pytorch.kr/t/agentic-harness-engineering-ahe/9987)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 30, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/agentic-harness-engineering-ahe/9987 "2026-04-30T06:30:51Z")
에이전틱 하네스 엔지니어링(AHE) 소개 코딩 에이전트와 하네스의 중요성 숙련된 소프트웨어 엔지니어가 새로운 프로젝트에 합류하는 상황을 상상해 봅시다. 이 엔지니어의 역량은 프로그래밍 언어에 대한 지식뿐 아니라, 사용하는 IDE의 설정, 자동화 스크립트, 디버깅 도구, 그리고 이전 프로젝트에서 축적한 노하우에 의해서도 결정됩니다. AI 코딩 에이전트의 세계에서도 정확히 같은 원리가 작동합니다. 에이전트의 성능은 언어 모델의 지능만이 아니라, 그것을 둘러싼 도구와 환경의 설계에 크게 좌우됩니다. 최근 코딩 에이전트(coding agent)는 실제 GitHub 이슈 해결부터 복잡한 터미널 워크플로까지, 장기 소프트웨어 엔지니어링 작업에서 눈에 띄는 발전을 이루고 있습니다. SWE-bench, Terminal-Bench, MLE-bench 등 다양한 벤치마크에서 에이전트의 성능이 빠르게 향상되고 있으며, 이 발전은 단순히 기반 언어 모델의 능력 향상만으로 설명되지 않습니다. 에이전트 성능을 결정짓는 또 다른 핵심 요소가 바로 하네스(harness) 입니다. 하네스란 모델이 파일 시스템, 셸, 외부 서비스와 상호작용하는 방식을 중재하는 시스템 프롬프트, 도구(tool), 미들웨어(middleware), 스킬(skill), 장기 기억(long-term memory) 등의 구성 요소를 총칭합니다. Claude Code, OpenHands, SWE-agent 같은 시스템들이 보여주듯, 동일한 기반 모델을 사용하더라도 하네스 설계에 따라 벤치마크 성능이 크게 달라집니다. 기존 하네스 최적화 접근법의 한계 현재 하네스 개발은 대부분 수작업에 의존합니다. 사람이 에이전트의 실행 궤적(trajectory)을 직접 검토하고, 반복적인 실패 패턴을 식별한 후, 프롬프트나 도구를 수정하는 방식입니다. 하지만 기반 모델의 능력이 빠르게 발전하는 상황에서, 이 수동 루프는 비용이 높고, 확장이 어려우며, 과학적 연구로 발전시키기도 힘들다는 한계가 있습니다. 이를 자동화하려는 … --- ## [\[2026/02/02 ~ 08\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-02-02-08-ai-ml/8947)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [2월 8, 2026, 10:30오후 UTC](https://discuss.pytorch.kr/t/2026-02-02-08-ai-ml/8947 "2026-02-08T22:30:52Z")
\[2026/02/02 ~ 08\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 데이터 의존도를 낮추는 "자체 진화(Self-Evolution)"와 "자기 교정": 외부의 고품질 데이터에만 의존하던 기존 학습 방식에서 벗어나, 모델 스스로 데이터를 생성하고 오류를 수정하며 성장하는 연구들이 두각을 나타내고 있습니다. Dr. Zero는 훈련 데이터 없이 제안자(Proposer)와 해결자(Solver) 에이전트 간의 상호작용만으로 검색 능력을 스스로 진화시키는 프레임워크를 선보였고, SDPO는 외부 정답지 없이 모델 자신의 산출물을 '자기 교사(Self-teacher)'로 삼아 코딩과 수학 능력을 강화했습니다. 또한 SALE은 테스트 단계에서 스스로 전략을 수정하는 자기 개선(Self-improvement) 메커니즘을 도입했습니다. 이는 데이터 부족 문제를 해결하고 모델의 자생력을 높이려는 시도로 해석됩니다. :two: 단일 모델을 넘어선 "구조적 효율성"과 "에이전트 협업": 모델의 크기(Depth)를 키우는 경쟁보다, 에이전트 간의 협업 방식(Width)이나 정보 처리 구조를 최적화하여 효율을 높이는 접근이 강세입니다. WideSeek-R1은 단일 에이전트의 한계를 극복하기 위해 작업을 병렬로 수행하는 '폭 확장(Width scaling)'을 제안했고, DeepRead는 문서를 단순히 읽는 것이 아니라 구조적 좌표를 인식해 필요한 부분만 찾아 읽는 효율적인 방식을 택했습니다. 또한 Idea2Story는 실시간 추론의 부하를 줄이기 위해 오프라인에서 미리 지식 그래프를 구축하는 방식을 사용하여, 무거운 연산 비용을 줄이면서도 복잡한 과학적 발견을 가능하게 했습니다. :three: "고차원적 지능" 검증과 인간 중심의 "영향력 평가": 평가의 기준이 단순한 정답 맞히기를 넘어, 실제 연구 수준의 문제 해결 능력이나 물리적/공간적 이해도, 그리고 인간에… --- ## [\[2026/01/19 ~ 25\] 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. …