쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 30일 (금)까지 3636건
11건 · "에이전트 워크플로우"조건 지우기 ×
001 03:11 ▲ 305 · 댓글 239 구글, 사이버보안 강화한 제미니 4 카본 공개 구글이 제미니 4 카본을 발표했으며, 이는 최고 수준의 사이버보안 및 장기 작업 능력을 갖춘 최강 모델이다. AI · 머신러닝 · Gemini 4 Carbon
Key Point 사이버보안 방어 능력에서 대폭 개선된 최신 AI 모델이 출시되며, 취약점 탐지부터 패칭까지 보안 업무 자동화 수준이 크게 높아진다.
핵심 요약
구글이 제미니 4 카본을 발표했으며, 이는 최고 수준의 사이버보안 및 장기 작업 능력을 갖춘 최강 모델이다. 카본은 Artificial Analysis Intelligence Index v5.0에서 59점으로 1위를 차지했으며, 코딩과 에이전트 작업에서 큰 성능 향상을 보였다. 사이버보안 방어 벤치마크에서 SEC-bench Pro 취약점 탐지 88.2%, ExploitGym 악용 검증 54.8%, CWE-bench 패칭 71.0%을 달성했다. 전체 요약 14문장 읽기 → 002 00:11 ▲ 111 · 댓글 30 에이전트·터미널 멀티플렉서 Corgi 공개 Corgi는 여러 AI 에이전트(Claude, Code Codex, Pi 등)를 동시에 관리하는 터미널 멀티플렉서다. 기타 · Show HN: Corgi, a helpful {agent, terminal} multiplexer
Key Point AI 에이전트 워크플로우가 복잡해지면서 여러 에이전트를 효율적으로 관리할 새로운 도구가 나타나는 추세를 보여주며, 개발자 생산성 향상에 직결된다.
핵심 요약
Corgi는 여러 AI 에이전트(Claude, Code Codex, Pi 등)를 동시에 관리하는 터미널 멀티플렉서다. 각 에이전트의 상태(작동 중, 사용자 요청 대기, 완료, 유휴)를 시각화하며, 토큰 사용량과 활동 기록을 추적한다. tmux처럼 에이전트와 프로세스를 백그라운드에서 계속 실행할 수 있고, 파일 변경 사항을 한 번에 볼 수 있다. 전체 요약 6문장 읽기 → 003 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 → 004 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 → 005 03:11 ▲ 116 · 댓글 148 메타 뮤즈, 우수한 디자인으로 소비자 AI 시장 주도권 잡다 메타의 뮤즈는 기술적으로 새롭지 않지만 기존 AI 제품들의 복잡한 인터페이스를 단순하게 정리하여 성공했다. AI · 머신러닝 · What Meta got right with Muse
Key Point 소비자 AI 시장에서 기술 혁신보다 디자인, 메타포, 비즈니스 모델이 얼마나 중요한지 보여주며, 각 기업의 강점과 약점을 명확히 분석한다.
핵심 요약
메타의 뮤즈는 기술적으로 새롭지 않지만 기존 AI 제품들의 복잡한 인터페이스를 단순하게 정리하여 성공했다. 뮤즈는 모델 선택, 작업과 채팅 전환, MCP나 크론 작업 같은 개념을 모두 숨기고 하나의 채팅으로 통합해 단순성을 달성했다. 사용자에게 AI를 '자신의 개인용 도우미'라는 명확한 정신 모델을 제공하며, Jobs-To-Be-Done 프레임워크에 따라 도구 모음이 아닌 동료처럼 작동한다. 전체 요약 8문장 읽기 → 006 21:11 당일 +119 AI 코드 에디터용 워크플로우 스택 pstack 공개 Cursor의 pstack 스킬 스택을 Claude Code, Codex, Pi, OpenCode, Gemini 등 다양한 AI 에이전트 환경으로 포팅한 저장소다. AI · 머신러닝 · michael-denyer/pstack-claude · JavaScript
Key Point Claude Code와 다양한 AI 에이전트 환경에서 체계적인 에이전트 워크플로우를 바로 사용할 수 있게 되어, 버그 수정부터 배포까지 소프트웨어 개발 전 단계를 구조화된 방식으로 자동화할 수 있다.
핵심 요약
Cursor의 pstack 스킬 스택을 Claude Code, Codex, Pi, OpenCode, Gemini 등 다양한 AI 에이전트 환경으로 포팅한 저장소다. pstack은 에이전트의 코드 생성 결과를 개선하기 위한 의견 있는 워크플로우 모음으로, 버그 수정·기능 추가·리팩토링·성능 최적화·PR 관리·배포 등 다양한 작업 시나리오를 다룬다. 사용자가 `/skill:<이름>` 명령으로 스킬을 실행하거나 `/pstack:setup-pstack`으로 모델 기본값과 추론 난이도를 설정할 수 있다. 전체 요약 8문장 읽기 → 007 03:11 ▲ 184 · 댓글 63 클라우드플레어, 의사결정 특화 AI 모델 Clef 공개 클라우드플레어가 Jev Decision Index에서 1위를 차지한 의사결정 모델 Clef와 Clef-flash를 공개했고, 두 모델 모두 Apache 2.0 라이선스로 오픈소스화해 Hugging Face에서 배포 중이다. AI · 머신러닝 · Clef: Open-source decision models, and new RL fine-tuning platform
Key Point LLM의 비결정성과 느린 토큰 생성을 대체해 프로덕션 에이전트 워크플로우에서 실시간 의사결정이 필요한 개발자들에게 구체적인 선택지를 제공하며, 오픈소스 배포와 미세조정 플랫폼으로 커스터마이징 가능성을 연다.
핵심 요약
클라우드플레어가 Jev Decision Index에서 1위를 차지한 의사결정 모델 Clef와 Clef-flash를 공개했고, 두 모델 모두 Apache 2.0 라이선스로 오픈소스화해 Hugging Face에서 배포 중이다. 의사결정 모델은 입력에 따라 확률과 함께 타입이 지정된 구조화 출력을 생성해 에이전트가 자동으로 판단하고 실행하도록 돕는데, 예를 들어 고객 지원 메시지를 받아 긴급도와 담당팀을 분류한다. Clef는 이미지 분류도 가능한 비전 인코더를 갖춰 Jev(텍스트 분류만 지원)와 다르며, 64k 컨텍스트 윈도우(Jev는 32k)로 더 많은 입력을 처리할 수 있다. 전체 요약 12문장 읽기 → 008 18:11 ▲ 54 · 댓글 1 LongCat, 멀티 에이전트로 심층 리서치 보고서 자동 작성 Hugging Face가 LongCat-DeepResearch 시스템을 발표했으며, 이는 강화된 LongCat 모델과 멀티 에이전트 워크플로우를 결합한 심층 연구 시스템이다. AI · 머신러닝 · LongCat-DeepResearch Technical Report
Key Point 장문 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 → 009 06:11 ▲ 110 · 댓글 44 진짜 AI 제품이라면: 현재 도구들이 빠뜨린 핵심 기능 7가지 현재 AI 챗봇과 개발 도구는 자신의 한계를 인정하면서도 실제로는 그 한계를 보완할 도구를 제공하지 않아 진정한 생산성 도구로 기능하지 못한다. AI · 머신러닝 · What would a serious AI product look like?
Key Point 현재 ChatGPT, Claude 같은 주류 AI 제품이 자신의 오류 가능성을 인정하면서도 사용자가 검증할 도구를 제공하지 않는 구조적 결함을 지적하며, 생산적인 AI 도구가 갖춰야 할 7가지 핵심 기능과 조직 차원의 안전 절차를 구체적으로 제시한다.
핵심 요약
현재 AI 챗봇과 개발 도구는 자신의 한계를 인정하면서도 실제로는 그 한계를 보완할 도구를 제공하지 않아 진정한 생산성 도구로 기능하지 못한다. 모든 AI 제품이 오류를 생성할 수 있다고 명시하지만, 사용자가 검증할 수 있는 구조적 도구가 없다; 진지한 제품이라면 각 주장 옆에 검증 체크박스를 두고 2열 워크시트로 검토 기록을 남기도록 해야 한다. 인용 출처는 도메인 이름만 작은 글씨로 표시되고 중간에 끊기는 문제가 있다; 진지한 연구 도구라면 각 인용을 독립적 객체로 표시하고 출판일·작성자를 명시하며 원문 인용을 강조해야 한다. 전체 요약 13문장 읽기 → 010 22:29 당일 +107 AI 에이전트, 접근성 API로 모든 앱 조종하다 Rust로 만든 Agent Desktop은 OS 접근성 트리(accessibility tree)를 읽어 AI 에이전트가 데스크톱 앱을 안정적으로 조종할 수 있게 한다. AI · 머신러닝 · lahfir/agent-desktop · Rust
Key Point AI 에이전트가 픽셀 인식을 넘어 실제 UI 구조로 데스크톱을 조종하는 방식이 바뀌고 있으며, 안정적인 요소 참조와 재시도 가능성이 생산성 높은 자동화의 핵심이기 때문이다.
핵심 요약
Rust로 만든 Agent Desktop은 OS 접근성 트리(accessibility tree)를 읽어 AI 에이전트가 데스크톱 앱을 안정적으로 조종할 수 있게 한다. 픽셀 기반 추측 대신 실제 UI 구조를 파악하므로, 요소 참조(ref)가 안정적이고 작업 재시도가 안전하다. Rust 네이티브 CLI는 의존성이 없는 단일 바이너리이고, Python/Swift/Go/Ruby/Node/C 등에서 사용할 C-ABI cdylib도 제공한다. 전체 요약 13문장 읽기 → 011 16:56 ▲ 114 · 댓글 8 DeepSeek, KV 캐시 압축으로 추론 속도 420 토큰/초 달성 DeepSeek-v4.1 Flash는 552B 매개변수 멀티모달 모델로, 에이전트 워크플로우에서 증가하는 컨텍스트와 도구 호출로 인한 프리필 계산 부담을 해결하기 위해 설계됐다. AI · 머신러닝 · DeepSeek-v4.1 Flash: Pushing the Limits of KV Cache Compression
Key Point 에이전트 워크플로우에서 일반적인 병목인 장문맥 프리필 계산과 KV 캐시 저장 비용을 획기적으로 줄인 새로운 모델 아키텍처 설계가 장기 맥락 처리와 배포 비용 절감에 어떻게 영향을 미치는지 보여준다.
핵심 요약
DeepSeek-v4.1 Flash는 552B 매개변수 멀티모달 모델로, 에이전트 워크플로우에서 증가하는 컨텍스트와 도구 호출로 인한 프리필 계산 부담을 해결하기 위해 설계됐다. KV 캐시 압축을 위해 채널·시퀀스·레이어 세 차원에서 최적화를 진행했으며, 같은 시퀀스 길이에서 런타임 KV 캐시는 v4-Flash의 1/4, 영구 저장소는 1/8 수준으로 줄었다. Causal Encoder-Decoder(CED) 아키텍처를 도입해 프리필 단계에서 8B, 디코딩 단계에서 16B 매개변수만 활성화되도록 설계했으며, 이는 입력 중심의 에이전트 시나리오에 특히 효율적이다. 전체 요약 12문장 읽기 → 
