쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 10월 30일 (금)까지3636건
10건 · "멀티 에이전트"조건 지우기 ×
001▲ 10 · 댓글 1확산 언어 모델로 리서치 속도 6배 가속화심화된 리서치 시스템은 계획, 증거 수집, 종합, 수정을 반복하는데 종단간 지연이 상용 활용에 큰 병목이다.AI · 머신러닝 · DiffResearch: Accelerating Deep Research with Diffusion Language Models
Key Point자동 회귀 모델 기반의 현재 리서치 시스템이 느린 이유를 근본적으로 해결하는 대안 기술을 제시하며, 실제로 6배 속도 개선과 품질 유지를 동시에 달성했기 때문이다.
핵심 요약
- 심화된 리서치 시스템은 계획, 증거 수집, 종합, 수정을 반복하는데 종단간 지연이 상용 활용에 큰 병목이다.
- 기존 대부분의 프로덕션 시스템은 자동 회귀(AR) 언어 모델에 기반하며 좌에서 우로의 디코딩 방식을 사용한다.
- DiffResearch는 확산 언어 모델(dLLM)을 모든 단계의 핵심에 놓는 오픈 멀티 에이전트 리서치 프레임워크다.
전체 요약 9문장 읽기 →AI · 머신러닝 · Which Agent's Skill Should Change? Group-Relative Credit Assignment for Evolving Multi-Agent Teams
Key Point멀티 에이전트 시스템에서 실제로 성능을 올린 스킬을 정확히 찾아내는 것이 학습 효율을 크게 좌우하기 때문에, 기존 방법의 신용 할당 문제를 해결하는 GRSE의 접근이 의미 있다.
핵심 요약
- 협력하는 언어 모델 에이전트는 재사용 가능한 스킬을 수정해 가중치 업데이트 없이 개선할 수 있으나, 공유 팀 보상을 책임 있는 에이전트와 스킬로 추적해야만 한다.
- 기존 방법은 각 실행 경로에 나타난 스킬을 신용 할당하지만, 나타남이 책임은 아니므로: 성공한 실행에서 활성화된 해로운 스킬도 긍정적 신용을 받는다.
- GRSE(Group-Relative Skill Evolution)는 비교를 통해 행동 신용을 할당하며, GRPO에서 영감을 받아 같은 스킬 라이브러리 하에서 각 질문을 여러 번 실행하고 실행들을 대조해 에이전트-스킬 쌍을 신용하며 실패를 구조화된 진단한다.
전체 요약 6문장 읽기 →AI · 머신러닝 · Harness^2: Recursive Agent Harnessing for an Open World
Key Point하네스 개선의 일반화 가능성이 높아져 더 많은 LLM 에이전트 애플리케이션에서 성능 향상을 기대할 수 있기 때문이다.
핵심 요약
- LLM 에이전트의 성능은 모델뿐 아니라 실행 하네스에도 의존하는데, 미지의 과제가 많은 실제 환경에서는 신뢰할 수 있는 검증기가 없어 하네스를 개선하기 어렵다.
- Harness²는 과제 수준과 하네싱 수준에서 두 단계 재귀를 통해 이 문제를 해결하는 프레임워크다.
- 과제 수준 재귀는 Propose-Probe-Compose 단계에서 대비 학습으로 최적 하네스를 찾으며, 병렬·순차 재귀로 더 확장할 수 있다.
전체 요약 5문장 읽기 →AI · 머신러닝 · Docker Agent
Key Point멀티 에이전트 협업과 다양한 AI 모델을 YAML 하나로 관리하면서 패키징·배포할 수 있어, AI 에이전트 개발의 진입장벽을 크게 낮춘다.
핵심 요약
- Docker가 AI 에이전트를 선언형 YAML 설정으로 만들고 실행할 수 있는 Docker Agent를 공개했다.
- Docker CLI 플러그인으로 제공되며 코드 작성 없이 에이전트 정의, 도구 할당, 실행이 가능하다.
- 여러 전문화된 에이전트가 작업을 자동으로 위임하는 멀티 에이전트 아키텍처를 지원한다.
전체 요약 11문장 읽기 →AI · 머신러닝 · Autumn-27/ARTEX · Go
Key PointLLM 멀티 에이전트가 자동으로 공격 사슬을 완성하는 시스템의 구조와 작동 방식이 어떻게 설계되었는지 이해할 수 있으며, 침투 테스트 자동화 분야의 실제 구현 사례를 볼 수 있다.
핵심 요약
- 바이두 'agent+' 공방 챌린지 우승 프로젝트로, Go 백엔드와 Next.js 프론트엔드로 구성된 자동화된 침투 테스트 시스템을 오픈소스로 공개했다.
- LLM 기반 다중 에이전트 아키텍처로 설계되어 있으며, 온라인 데모를 통해 대시보드, 임무 관리, 자산 맵핑 등의 기능을 직접 체험할 수 있다.
- 핵심은 '탐색 그래프'와 '자산 그래프'라는 이중 구조로, 목표 달성 과정과 실제 발견한 자산을 독립적으로 추적하면서 앵커 포인트로 연결한다.
전체 요약 12문장 읽기 →AI · 머신러닝 · One month coding with GLM 5.3 Flash
Key Point개발 조직이 효율적인 LLM 모델을 선택할 때 직면하는 실제 비용 구조와 예상 외 변수들을 구체적 사례로 보여주며, 에너지·비용 절감을 위한 실질적 전략을 제시한다.
핵심 요약
- Wagtail 팀이 9월 한 달간 GLM 5.3 Flash 모델만 사용하는 도전을 진행했으나, 총 2B 토큰 중 절반만 해당 모델로 처리했다.
- 첫 2주는 계획대로 GLM 5.3 Flash만 사용해 $68, 365g 탄소 배출, 4kWh 에너지 소비로 예산 내에서 운영했다.
- 실험용 MCP 서버 프로토타입에서 잘못된 모델을 선택해 450M 토큰, $150, 5kWh 에너지를 하루 밤사이에 소비하는 예상 외 비용이 발생했다.
전체 요약 8문장 읽기 →AI · 머신러닝 · LongCat-DeepResearch Technical Report
Key Point장문 이해와 복잡한 멀티 에이전트 협력이 요구되는 심층 리서치 보고서 자동화 시스템이 오픈소스 진영의 주요 모델에 도입되는 기술 방향을 보여준다.
핵심 요약
- Hugging Face가 LongCat-DeepResearch 시스템을 발표했으며, 이는 강화된 LongCat 모델과 멀티 에이전트 워크플로우를 결합한 심층 연구 시스템이다.
- 워크플로우는 전역 계획과 상세 조사를 분리하고 섹션 단위의 수정을 조율한다.
- 여러 계획 에이전트가 먼저 외부 자료를 탐색하고 ResearchSpec이라 불리는 실행 가능한 연구 계획을 수립한다.
전체 요약 10문장 읽기 →AI · 머신러닝 · TNT-Likely/PanWatch · Python
Key Point자체 서버 배포로 투자 데이터 프라이버시를 확보하면서도 AI 멀티 에이전트가 복합 분석을 자동화해주는 방식이 기존 투자 앱과 다르다.
핵심 요약
- 자체 호스팅 가능한 AI 투자 보조 도구로, TradingAgents 멀티 에이전트를 통합해 기술·감정·뉴스·펀더멘털 분석가 4명이 투자 판단을 논의하고 풍험 관리 후 최종 결정안을 도출한다.
- A주·홍콩주·미국주 실시간 감시, 복수 계좌 통합 관리, 기술 지표 공명 분석(MACD/RSI/KDJ), 조건부 가격 알림을 제공하며 결론을 Telegram·WeChat·DingTalk 등 채널로 푸시한다.
- Docker 한 줄 명령으로 배포되며, 보유 주식 데이터가 제3자를 거치지 않고 로컬에서만 처리되어 프라이빗하다.
전체 요약 4문장 읽기 →AI · 머신러닝 · 666ghj/MiroFish · Python
Key Point대규모 언어모델과 멀티 에이전트 기술이 결합된 예측 도구의 실제 활용 가능성을 보여주며, 의사결정자와 콘텐츠 제작자 모두를 위한 새로운 시뮬레이션 방식을 제시한다.
핵심 요약
- 다중 에이전트 기술 기반의 AI 예측 엔진 'MiroFish'가 공개되었다.
- 뉴스·정책안·금융 신호 같은 실제 데이터를 입력하면 고충실도 디지털 세계를 자동 구성하고, 독립적 성격과 장기 기억을 가진 수천 개 에이전트가 상호작용하며 사회진화를 시뮬레이션한다.
- 동적으로 변수를 주입해 미래 궤적을 정확히 추론할 수 있으며, '신의 시점'에서 정책과 홍보를 위험 없이 테스트하는 의사결정 실험실로 활용 가능하다.
전체 요약 6문장 읽기 →AI · 머신러닝 · ruvnet/ruflo · TypeScript
Key Point에이전트 기반 자동화를 원하는 개발자에게 기존의 개별 도구 학습 부담 없이 통합된 플랫폼으로 멀티 에이전트 시스템을 구축하는 새로운 방식을 제시합니다.
핵심 요약
- Claude Code/Codex를 위한 에이전트 메타-하니스로, 100개 이상의 전문화된 에이전트를 제공하고 다중 에이전트 스웜을 조직하며 자율 워크플로우를 조정합니다.
- 메모리 기능으로 세션 간 학습을 저장하고, RAG 통합으로 지능형 검색을 지원하며, 페더레이션 커뮤니케이션으로 여러 머신의 에이전트가 안전하게 협력합니다.
- npx ruflo init 명령어로 초기화하면 자동으로 에이전트가 스웜을 조직하고, 성공한 패턴을 학습하고, 백그라운드에서 작업을 조정하며 사용자는 일반 코딩만 계속합니다.
전체 요약 5문장 읽기 →