쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 2일 (월)까지 3748건
18건 · "멀티에이전트 시스템"조건 지우기 ×
001 03:10 ▲ 105 · 댓글 42 마인크래프트에서 AI 에이전트 군단이 관료주의에 빠져 실패 Y Combinator와 Olam Labs 연구팀이 마인크래프트에서 수백 개의 AI 에이전트 군단을 배포해 협력 및 갈등 시나리오를 테스트했다. AI · 머신러닝 · AI agent swarms in Minecraft fail to build civilization, drown in bureaucracy
Key Point AI 에이전트 군단의 협력 메커니즘과 잠재적 위험성을 게임 환경에서 직접 실험한 결과로, 실제 AI 시스템 개발 시 예상할 수 있는 문제점을 보여준다.
핵심 요약
Y Combinator와 Olam Labs 연구팀이 마인크래프트에서 수백 개의 AI 에이전트 군단을 배포해 협력 및 갈등 시나리오를 테스트했다. 게임 환경에서의 에이전트 상호작용을 분석함으로써 실제 AI 군단 관련 사건들을 이해하고 개선점을 찾는 것이 연구 목표다. 최근 AI 에이전트 군단의 사례로는 1,000개 에이전트가 수백 개의 수학 문제를 해결한 성공 사례와 OpenAI-Hugging Face의 위험한 사건이 언급된다. 전체 요약 4문장 읽기 → 002 21:11 당일 +573 AI 엔지니어링 입문부터 실전까지, 93개 프로젝트 모음 LLM, RAG, AI 에이전트 기초부터 실제 애플리케이션까지 다루는 종합 학습 저장소이다. AI · 머신러닝 · patchy631/ai-engineering-hub · Jupyter Notebook
Key Point 실무 AI 개발에 필요한 LLM, RAG, 에이전트 기술을 체계적으로 배울 수 있는 현성 프로젝트 모음집이다.
핵심 요약
LLM, RAG, AI 에이전트 기초부터 실제 애플리케이션까지 다루는 종합 학습 저장소이다. 난이도별로 초급 22개, 중급 48개, 고급 23개 프로젝트로 구성되어 있으며, 초급자는 OCR 앱과 간단한 RAG 구현부터 시작할 수 있다. 중급 단계에서는 CrewAI 기반 에이전트 워크플로우, 음성 AI, 고급 RAG, MCP(Model Context Protocol) 기술을 학습한다. 전체 요약 7문장 읽기 → 003 09:11 ▲ 107 · 댓글 39 마인크래프트에서 50개 AI 에이전트의 협력 생존 시뮬레이션 AI 얼라인먼트의 핵심 과제인 다중 에이전트 동역학을 연구하기 위해 Y Combinator와 Olam Labs가 마인크래프트와 Mindustry에서 에이전트 집단의 동작을 실험했다. AI · 머신러닝 · We ran AI agent swarms in Minecraft and Mindustry
Key Point AI 에이전트 집단이 인간과 유사한 정치·경제 조직(계층, 배급 체계, 규칙)을 자동 생성하며 협력하는 모습을 보여주어, 미래 멀티에이전트 시스템의 가능성과 위험성을 이해하는 데 직결된다.
핵심 요약
AI 얼라인먼트의 핵심 과제인 다중 에이전트 동역학을 연구하기 위해 Y Combinator와 Olam Labs가 마인크래프트와 Mindustry에서 에이전트 집단의 동작을 실험했다. 마인크래프트 실험(Civ50)에서 50개의 GPT-6.1 Sol 에이전트를 3시간 동안 '번영하는 문명 구축' 목표로 실행했다. 에이전트들은 처음 90초 안에 도달 가능한 모든 나무를 채취하는 행동을 보였고, 디렉토리 순서에 기초한 계층 구조가 형성되어 Ada가 사실상 지도자로 등장했다. 전체 요약 12문장 읽기 → 004 18:11 ▲ 12 · 댓글 2 계층형 멀티에이전트 시스템, 온폴리시 증류로 학습 성능 향상 계층형 멀티에이전트 시스템에서 리더(Leader)가 태스크를 할당하고 서브에이전트들이 이를 수행할 때, 최종 답변만으로는 서브에이전트에 대한 직접적 피드백을 얻기 어렵다는 문제가 있다. AI · 머신러닝 · MultiAgent-OPD: End-to-End Training of Hierarchical Multi-Agent Systems with On-Policy Distillation
Key Point 멀티에이전트 시스템의 계층적 학습 문제를 해결하는 새로운 방식으로, 간접 피드백만으로도 효과적인 공동 학습이 가능함을 보여준다.
핵심 요약
계층형 멀티에이전트 시스템에서 리더(Leader)가 태스크를 할당하고 서브에이전트들이 이를 수행할 때, 최종 답변만으로는 서브에이전트에 대한 직접적 피드백을 얻기 어렵다는 문제가 있다. MultiAgent-OPD는 온폴리시 증류(on-policy distillation)와 강화학습을 결합해 리더-서처-앤서 팀을 엔드투엔드로 공동 학습한다. 먼저 정답 정확성을 기준으로 서처-앤서 워크플로에서 교사 모델을 학습시킨다. 전체 요약 6문장 읽기 → 005 18:11 ▲ 13 · 댓글 2 다중 에이전트 협력을 위한 추상적 '마음 이론'을 잠재 공간에서 학습 다중 에이전트 협력에서 정확한 마음 이론(Theory-of-Mind, ToM)을 형성하려면 여러 파트너 상태를 동시에 추론해야 하는데, LLM 에이전트의 텍스트 표현으로는 하나의 상태만 효과적으로 표현되는 문제가 있다. AI · 머신러닝 · ToM2Vec: Continuous Theory-of-Mind Tokens for Multi-Agent Coordination
Key Point LLM 기반 멀티에이전트 시스템에서 파트너의 의도를 정확히 파악해야 하는 협력 작업에 새로운 접근법을 제시하며, 잠재 공간 추론이 텍스트보다 효과적임을 실증적으로 보여준다.
핵심 요약
다중 에이전트 협력에서 정확한 마음 이론(Theory-of-Mind, ToM)을 형성하려면 여러 파트너 상태를 동시에 추론해야 하는데, LLM 에이전트의 텍스트 표현으로는 하나의 상태만 효과적으로 표현되는 문제가 있다. 이를 해결하기 위해 ToM2Vec을 제안했으며, 이는 고정된 예산의 연속 추론 토큰을 통해 풍부한 잠재 공간에서 추상적인 마음 이론을 학습한다. 학습 중에는 파트너의 실제 생각을 감독 신호로 사용하여 ToM 토큰이 이를 추상화하고 일치시키도록 훈련된다. 전체 요약 8문장 읽기 → 006 00:11 ▲ 13 · 댓글 1 AI 에이전트, 텍스트 해석 전 숨겨진 신호로 소통 확산 언어모델(Diffusion Language Model)은 답변을 연속적인 상태들의 수열을 거쳐 생성하지만, 기존 다중 에이전트 시스템은 이 중간 상태들을 버리고 텍스트 디코딩 후에만 통신한다. AI · 머신러닝 · Hidden Messages Between Diffusion Language Model Agents: Causal Evidence for Latent Communication
Key Point 기존 AI 에이전트는 텍스트만 주고받지만, 이 연구는 모델이 텍스트 생성 전 내부 신호로도 소통 가능함을 보여 멀티에이전트 시스템 설계의 근본적인 재검토를 요구한다.
핵심 요약
확산 언어모델(Diffusion Language Model)은 답변을 연속적인 상태들의 수열을 거쳐 생성하지만, 기존 다중 에이전트 시스템은 이 중간 상태들을 버리고 텍스트 디코딩 후에만 통신한다. 연구진은 한 에이전트의 확산 과정이 다른 에이전트에게 숨겨진 메시지를 전달할 수 있는지, 그리고 수신 에이전트가 실제로 그 메시지의 의미를 사용하는지 검증했다. 송신 에이전트는 노이징 제거 상태(denoising state)를 4개의 압축된 벡터로 변환하고, 수신 에이전트는 자신의 문맥과 생성 궤적을 유지하면서 이를 수용한다. 전체 요약 8문장 읽기 → 007 18:11 ▲ 37 · 댓글 4 LLM 에이전트, 학습 데이터를 자동으로 개선하는 시스템 언어모델 에이전트가 지도학습 미세조정(SFT) 시 학습 데이터 개선에 가장 많은 시간을 쓰지만, 기존 시스템은 고정된 풀에서 행을 선택하거나 생성기를 호출하는 단 한 가지 방식만 제공한다. AI · 머신러닝 · AutoSFT: An Agentic System for Automated Data Research in Supervised Fine-Tuning
Key Point 자동화된 데이터 개선이 단일 기능 강화가 아니라 다각적 접근에 달려 있다는 점을 보여주며, 실제 개선 수치(IFEval +6.5~+9.9)로 멀티에이전트 방식의 실질적 효과를 입증한다.
핵심 요약
언어모델 에이전트가 지도학습 미세조정(SFT) 시 학습 데이터 개선에 가장 많은 시간을 쓰지만, 기존 시스템은 고정된 풀에서 행을 선택하거나 생성기를 호출하는 단 한 가지 방식만 제공한다. 연구팀은 인간 데이터 엔지니어처럼 비율 조정, 가지치기, 수리, 교체, 합성 등 다양한 데이터 조작 기능을 수행할 수 있는 에이전트 시스템을 설계했다. 단일 에이전트 방식은 비율 조정 하나의 행동만 반복하며 컨텍스트를 낭비해 성능이 개선되지 않았다. 전체 요약 7문장 읽기 → 008 03:12 ▲ 33 · 댓글 2 다중 에이전트 갈등 평가 벤치마크 CLASHarness 공개 Vision-language 모델이 멀티에이전트 시스템에 배포되면서 실무 협업처럼 불완전한 정보, 모순된 지시, 권한 경쟁 등 갈등 상황을 다루는 능력이 중요해졌다. AI · 머신러닝 · CLASHarness: Benchmarking Multi-Agent Conflict in Computer Use via a Controllable and Verifiable Generation Pipeline
Key Point 멀티에이전트 AI 시스템이 실제 협업 환경의 불완전한 정보와 갈등을 제대로 처리하지 못하는 근본적 한계를 드러낸 평가 지표이므로, 안정적인 에이전트 시스템 개발의 방향을 가늠하는 데 필요하다.
핵심 요약
Vision-language 모델이 멀티에이전트 시스템에 배포되면서 실무 협업처럼 불완전한 정보, 모순된 지시, 권한 경쟁 등 갈등 상황을 다루는 능력이 중요해졌다. 기존 벤치마크는 협력적 환경을 가정하므로 갈등 해결 능력을 평가하기 어렵고, 수동 작성은 복잡 시스템에서 확장 불가능하며 LLM 생성은 일관성 결여와 답안 유출 문제가 있다. CLASHarness는 600개 멀티라운드 과제로 검증 가능한 에이전트 갈등을 생성하는 제어 가능한 프레임워크로, 계층적 시나리오 계획과 8단계 검증 파이프라인을 결합해 모든 과제가 구성상 해결 가능함을 보장한다. 전체 요약 7문장 읽기 → 009 00:11 ▲ 11 · 댓글 1 다른 언어모델 간 심볼 공유로 학습 없이 정보 전달 다중 에이전트 시스템에서 언어모델들이 협업할 때 내부 상태를 공유하려면 보통 학습된 번역기나 모델 호환성 가정이 필요하다. AI · 머신러닝 · Share the Symbol, Not the Vector: Training-Free Fact Communication Across Language Models
Key Point 언어모델 멀티에이전트 시스템에서 학습이나 전용 번역기 없이도 다양한 모델 아키텍처 간 정보를 정확하게 전달할 수 있는 단순하고 확장 가능한 방법이 제시됐다.
핵심 요약
다중 에이전트 시스템에서 언어모델들이 협업할 때 내부 상태를 공유하려면 보통 학습된 번역기나 모델 호환성 가정이 필요하다. SYNC(Symbol-Indexed Neural Communication)는 공유 단어 리스트의 인덱스를 주고받는 방식으로 세밀 조정 없이 이질적인 모델들을 연결한다. 발신 모델은 질문을 보지 않고 자신이 볼 수 있는 설명만으로 객체마다 단어를 선택해 인덱스를 보내고, 수신 모델은 자신의 활성화에서 한 번 계산한 단어 방향 벡터를 이용해 숨겨진 상태에 사실을 기록한다. 전체 요약 10문장 읽기 → 010 21:12 당일 +131 Rust로 만든 고성능 AI 코딩 에이전트 jcode 공개 GitHub Trending에 오른 jcode는 Rust로 작성된 고성능 AI 코딩 에이전트 프레임워크로, RAM 효율성과 응답 속도를 극도로 최적화했다. AI · 머신러닝 · 1jehuang/jcode · Rust
Key Point 메모리 사용량을 1/10 이하로 줄이고 응답 속도를 200배 이상 개선한 오픈소스 AI 에이전트가 나왔으므로, 로컬 개발 환경에서 가볍게 AI 코딩 어시스턴트를 운영하거나 대규모 멀티에이전트 시스템을 구축하려는 개발팀에게 중요한 선택지가 될 수 있다.
핵심 요약
GitHub Trending에 오른 jcode는 Rust로 작성된 고성능 AI 코딩 에이전트 프레임워크로, RAM 효율성과 응답 속도를 극도로 최적화했다. 단일 세션 메모리 사용량은 27.8MB(임베딩 비활성화)부터 167.1MB(활성화)로, Claude Code 386.6MB 대비 약 2~14배 적으며, 10개 세션 병렬 실행 시에도 260.8MB로 경쟁 제품 대비 압도적이다. 부팅부터 첫 프레임까지 14.0ms, 첫 입력까지 48.7ms로 다른 도구(Claude Code 3436.9ms)의 1/200~1/70 수준의 극도로 빠른 응답성을 제공한다. 전체 요약 10문장 읽기 → 011 09:11 ▲ 10 · 댓글 3 생물 진화 원리로 LLM 멀티에이전트 시스템 테스트 최적화 LLM 기반 멀티에이전트 시스템(MAS)은 복합 작업에 특화된 에이전트들을 조율하지만, 효과적인 워크플로우를 사전에 설계하기 어렵다. AI · 머신러닝 · Inherit-MAS: Test-Time Evolution of Multi-Agent Systems through Workflow and Execution Inheritance
Key Point 복합 작업을 처리하는 멀티에이전트 LLM 시스템의 워크플로우 최적화와 실행 효율성 문제를 동시에 해결한 새로운 접근법으로, 토큰 사용량을 대폭 줄이면서 성능을 높인다.
핵심 요약
LLM 기반 멀티에이전트 시스템(MAS)은 복합 작업에 특화된 에이전트들을 조율하지만, 효과적인 워크플로우를 사전에 설계하기 어렵다. Inherit-MAS는 워크플로우와 실행 단계에서 '상속'을 명시적으로 구현해 테스트 시점의 진화를 효율화했다. 메타 모델이 워커 에이전트 워크플로우를 합성하고(역할·통신·권한 선언), 별도의 판사 모델이 실행 결과를 평가하고 결함을 진단한다. 전체 요약 8문장 읽기 → 012 21:11 당일 +144 도커의 AI 에이전트 런타임 오픈소스 공개 Docker가 AI 에이전트 구축 및 실행 도구인 docker-agent를 오픈소스로 공개했다. AI · 머신러닝 · docker/docker-agent · Go
Key Point AI 에이전트를 YAML로 선언적으로 정의하고 실행하는 도구가 등장해, 복잡한 멀티에이전트 시스템을 코드 없이 구축할 수 있게 되었다.
핵심 요약
Docker가 AI 에이전트 구축 및 실행 도구인 docker-agent를 오픈소스로 공개했다. YAML 설정 파일만으로 코드 없이 AI 에이전트를 정의하고 실행할 수 있으며, docker CLI 플러그인으로 `docker agent` 명령으로 사용한다. 다중 에이전트 아키텍처를 지원해 여러 전문화된 에이전트가 자동으로 작업을 분배하고 협력하며 복잡한 문제를 해결할 수 있다. 전체 요약 10문장 읽기 → 013 18:33 ▲ 10 · 댓글 1 쿼리마다 다른 에이전트 구조 자동 설계하는 SHIFT 발표 멀티에이전트 시스템의 역할·명령어·도구·통신 구조(harness)는 각 쿼리에 따라 달라져야 하는데, 기존에는 추론 시 여러 옵션을 실행하거나 수동으로 설계해야 했다. AI · 머신러닝 · Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction
Key Point 마이크로소프트·구글 같은 기업들도 멀티에이전트 워크플로우를 점점 더 활용하고 있는 가운데, 각 질문에 맞는 최적의 에이전트 구조를 비용 효율적으로 자동 설계하는 방법이 제시되었기 때문이다.
핵심 요약
멀티에이전트 시스템의 역할·명령어·도구·통신 구조(harness)는 각 쿼리에 따라 달라져야 하는데, 기존에는 추론 시 여러 옵션을 실행하거나 수동으로 설계해야 했다. SHIFT는 로컬 LLM 아키텍트가 탐색으로부터 harness 구성 정책과, 실행 결과로부터 정확도 대비 실행 비용을 예측하는 가치함수를 학습한다. 각 쿼리마다 Monte Carlo tree search가 이 예측값들을 이용해 harness를 구성하므로, 실행 과정을 탐색 루프 밖으로 옮긴다. 전체 요약 7문장 읽기 → 014 03:11 ▲ 57 · 댓글 2 여러 LLM을 조합한 멀티에이전트, KV 캐시 공유로 10배 빠르게 Llama, Mistral 등 서로 다른 모델을 조합하는 멀티에이전트 LLM 시스템에서, 송신자의 처리된 문맥을 수신자가 다시 처리(prefill)하는 중복 비용이 발생한다. AI · 머신러닝 · Prefill-Free Cross-Family KV Cache Transfer for Heterogeneous Multi-Agent LLMs
Key Point 서로 다른 LLM을 조합하는 멀티에이전트 시스템에서 구조적 차이를 극복하고 캐시 재사용으로 최대 10배의 속도 향상을 달성한 방식이 처음 제시되었습니다.
핵심 요약
Llama, Mistral 등 서로 다른 모델을 조합하는 멀티에이전트 LLM 시스템에서, 송신자의 처리된 문맥을 수신자가 다시 처리(prefill)하는 중복 비용이 발생한다. 논문은 HeteroFold라는 방식을 제안했다. 토큰화·모델 깊이·KV 표현의 차이를 처리하면서 양쪽 모델을 그대로 두고 KV 캐시를 다른 모델 족으로 이전한다. HeteroFold는 구조를 정렬하고, 송신자의 캐시를 수신자 공간으로 매핑한 뒤, 수신자의 동작을 유지하도록 보정한다. 전체 요약 6문장 읽기 → 015 06:11 ▲ 24 · 댓글 2 거대한 정보 공간에서 멀티에이전트 협력을 효율화하는 ANTMAN 정보 검색 에이전트들이 처리할 수 없을 정도로 큰 정보 공간에서 동작하는데, 기존 멀티에이전트 시스템은 정보 공간을 정적으로 분할하면서 조정 비용이 필요한 쿼리 요구사항이 아니라 분할 방식에 따라 증가하는 문제가 있다. AI · 머신러닝 · ANTMAN: Adaptive Need Tracking for Multi-Agent Navigation in Large Information Spaces
Key Point 대규모 정보 공간에서 멀티에이전트 협력의 확장성 문제를 근본적으로 해결하는 기법으로, 문맥 크기 증가에 따른 조정 비용 증가를 크게 억제할 수 있다.
핵심 요약
정보 검색 에이전트들이 처리할 수 없을 정도로 큰 정보 공간에서 동작하는데, 기존 멀티에이전트 시스템은 정보 공간을 정적으로 분할하면서 조정 비용이 필요한 쿼리 요구사항이 아니라 분할 방식에 따라 증가하는 문제가 있다. ANTMAN은 해결되지 않은 정보 요구사항을 실행 시점의 협력 단위로 삼는 적응형 조정 프레임워크를 제시한다. Need Graph라는 수정 가능한 그래프를 유지하여 해결되지 않은 요구사항, 축적된 증거, 이전 시도, 검색 진행 상황을 추적한다. 전체 요약 8문장 읽기 → 016 00:11 ▲ 27 · 댓글 2 모델이 자기 맥락을 관리하는 CLM 제안 언어 모델이 자신의 맥락을 파일처럼 다루며 자유롭게 업데이트하도록 하는 Context Language Models(CLMs)를 제안했다. AI · 머신러닝 · Context Language Models
Key Point LLM의 장문맥 처리 방식을 근본적으로 바꾸는 접근법으로, 맥락 관리 오버헤드를 줄이면서 멀티에이전트 시스템 구현도 용이하게 한다.
핵심 요약
언어 모델이 자신의 맥락을 파일처럼 다루며 자유롭게 업데이트하도록 하는 Context Language Models(CLMs)를 제안했다. CLM은 맥락에서 유지할 정보를 학습하고, 여러 에이전트의 맥락이 파일로 공존하는 멀티에이전트 시스템으로 자연스럽게 확장된다. 기존 모델로 제로샷 구축한 CLM은 여러 벤치마크에서 기존 최고 성능 대비 우수한 결과를 냈다: BrowseComp-Plus에서 11.4% 높은 정확도에 21.5% 적은 연산량, 12시간 EdgeBench에서 5% 높은 점수에 59% 적은 연산량. 전체 요약 7문장 읽기 → 017 00:11 당일 +517 Claude와 Codex를 함께 관리하는 멀티에이전트 시스템 OpenRig OpenRig는 YAML로 정의된 에이전트 팀 토폴로지를 `rig up` 하나의 명령으로 부팅하는 오픈소스 다중에이전트 하네스로, Claude Code와 Codex를 동일 시스템으로 통합 관리한다. AI · 머신러닝 · mvschwarz/openrig · TypeScript
Key Point Claude Code와 Codex 같은 여러 에이전트를 한 팀으로 조율해야 하는 개발자·AI 운영자에게, 터미널 창 폭증 없이 YAML 선언과 CLI 명령으로 멀티에이전트 시스템을 구축·관리할 수 있는 구체적 도구를 제공한다.
핵심 요약
OpenRig는 YAML로 정의된 에이전트 팀 토폴로지를 `rig up` 하나의 명령으로 부팅하는 오픈소스 다중에이전트 하네스로, Claude Code와 Codex를 동일 시스템으로 통합 관리한다. tmux 세션을 기반으로 로컬 데몬·CLI·터미널 UI·MCP 서버로 구성되며, 에이전트들이 각자 터미널 세션에서 독립 실행되면서도 팀 협조를 중앙에서 조율한다. RigSpec 정의로 pods·edges·지속성 정책을 선언하고, Seat(역할 기반 주소)와 Pod(공유 지침과 컨텍스트)를 통해 에이전트 간 안정적 관계를 유지한다. 전체 요약 12문장 읽기 → 018 22:29 ▲ 17 · 댓글 2 중앙 조율 없는 1,024개 에이전트 협력 시스템 Agensh 다중 에이전트 시스템은 병렬 처리로 복잡한 작업의 지연 시간을 줄일 수 있으나, 기존 프레임워크는 중앙 조율자의 용량 제약으로 확장성이 제한된다. AI · 머신러닝 · Agensh: Scaling Organizational Intelligence to 1,024 Agents
Key Point 중앙 조율자 없이도 수백~수천 개 에이전트를 효율적으로 협력시킬 수 있다면, 복잡한 문제 해결에서 에이전트 시스템의 확장성 문제를 근본적으로 해결할 수 있는 가능성을 보여주는 연구다.
핵심 요약
다중 에이전트 시스템은 병렬 처리로 복잡한 작업의 지연 시간을 줄일 수 있으나, 기존 프레임워크는 중앙 조율자의 용량 제약으로 확장성이 제한된다. Agensh는 중앙 조율자 없이 워커들이 자율적으로 협력하는 멀티에이전트 시스템으로, 공유 워크스페이스·메시지 인터페이스·공유 컨텍스트로 구성된 인프라를 통해 비동기 방식으로 작동한다. 워커들은 지속적으로 컨텍스트를 수집하고 서브태스크를 자동할당하며, 행동을 취하고 발견을 공유하고 결과를 검증하고 진행률을 병합한다. 전체 요약 7문장 읽기 → 
