쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 22일 (일)까지 5067건
8건 · "에이전트 제어"조건 지우기 ×
001 03:11 당일 +117 AI 에이전트가 당신의 스마트폰을 직접 제어한다 Claude Code, Codex 등 AI 에이전트가 스마트폰을 화면 터치, 스크롤, 타이핑으로 직접 제어할 수 있는 Phone Harness 프로젝트를 공개했다. AI · 머신러닝 · phone-harness/phone-harness · Python
Key Point 실제 기기를 AI가 직접 조작하는 환경이 가능해져, 에이전트 기반 스마트폰 자동화가 현실이 되었다.
핵심 요약
Claude Code, Codex 등 AI 에이전트가 스마트폰을 화면 터치, 스크롤, 타이핑으로 직접 제어할 수 있는 Phone Harness 프로젝트를 공개했다. iPhone은 macOS의 iPhone 미러링 윈도우를 통해, Android는 macOS·Linux·Windows에서 adb로 연결된다. 설정 시 iPhone은 macOS 15+, iOS 18+, 접근성 및 화면 녹화 권한이 필요하고, Android는 adb와 USB 디버깅이 필요하다. 전체 요약 8문장 읽기 → 002 12:11 ▲ 10 · 댓글 3 AI 에이전트, 인간과의 역할 분담을 제대로 학습하나 언어 모델 에이전트가 능력이 증가하면서 인간의 도움 의존도가 낮아지는데, 이것이 협력 실패인지 올바른 역할 분담인지 구분하기 어렵다. AI · 머신러닝 · Who Takes the Lead? Model Ability and Task-Conditioned Collaboration with Humans
Key Point AI 에이전트의 능력이 증가하면서 인간과의 협력 방식이 단순한 도움 의존도 감소가 아니라 상황에 맞는 역할 분담 메커니즘을 학습하는지 실증적으로 보여주는 연구 결과다.
핵심 요약
언어 모델 에이전트가 능력이 증가하면서 인간의 도움 의존도가 낮아지는데, 이것이 협력 실패인지 올바른 역할 분담인지 구분하기 어렵다. 이를 체계적으로 조사하기 위해 연구팀은 공유된 목표 하에 에이전트와 인간을 놓고, 누가 이점을 가지는지 변화시키는 실험을 설계했다. 공유 제어 미로 과제에서 에이전트 제어 아바타와 인간 제어 아바타가 공동으로 최소 턴 수로 목표에 도달해야 하며, 에이전트가 매 턴마다 자신이 행동할지 인간에게 넘길지 결정한다. 전체 요약 7문장 읽기 → 003 00:11 ▲ 14 · 댓글 1 에이전트 제어 모델, 비용만 올리고 성능은 못 올려 AI 에이전트가 중단, 검증, 전략 변경 같은 소결정을 저비용 모델에 위임하는 추세 속에서, 특수 설계된 결정 모델 Jev 1.13이 Claude Sonnet 5.5 에이전트를 더 싸게 돌릴 수 있는지 실험했다. AI · 머신러닝 · Good Judgment, Bad Advice: Decision-Model Controllers Raise Agent Cost Without Improving Success
Key Point 작은 모델을 에이전트 제어에 쓰면 비용이 줄 것이라는 가정이 현실 데이터에서 부정되었으며, 오프라인 성능이 좋아도 실제 배포에서는 역효과를 낼 수 있음을 보여준다.
핵심 요약
AI 에이전트가 중단, 검증, 전략 변경 같은 소결정을 저비용 모델에 위임하는 추세 속에서, 특수 설계된 결정 모델 Jev 1.13이 Claude Sonnet 5.5 에이전트를 더 싸게 돌릴 수 있는지 실험했다. Terminal-Bench 2.1의 21개 과제(315시험)에서 Jev는 성공률을 73.0%에서 73.0%로 유지하면서 시도당 비용을 19% 올렸다(기하평균 비율 1.19, 95% 신뢰구간 1.02-1.36). Jev는 Claude Haiku 5.5 소형 언어 모델보다 21% 싸웠지만 위약 대조(개발 단계 선택 빈도로 샘플링)보다는 22% 더 비쌌다. 전체 요약 6문장 읽기 → 004 03:11 ▲ 10 · 댓글 4 로봇 에이전트의 제어 로직을 경험으로 직접 개선하는 EMHO 기존 임보디드 에이전트(로봇 에이전트) 개선은 모델 학습에 집중하는데, 계획과 도구 사용을 관리하는 '에이전트 하네스(harness)'는 수동으로 설계된다. AI · 머신러닝 · EMHO: EMbodied Agent Harness Optimization via Experience Traces
Key Point 모델을 동결한 채 에이전트 제어 로직만 경험으로 개선하는 접근이 실제로 작동하는지 보여주는 논문이며, 현재 고정된 프롬프트와 휴리스틱에 의존하는 로봇 시스템의 한계를 개선하는 경로를 제시한다.
핵심 요약
기존 임보디드 에이전트(로봇 에이전트) 개선은 모델 학습에 집중하는데, 계획과 도구 사용을 관리하는 '에이전트 하네스(harness)'는 수동으로 설계된다. 새로운 EMHO 프레임워크는 모델을 고정한 채 실행 궤적(execution trajectories)과 과거 하네스 기록을 분석해 하네스를 반복적으로 개선한다. EMHO는 프롬프트 수정을 넘어 에이전트가 진행상황을 모니터링하는 방식, 비전 도구 활용, 환경 이해(grounding), 실패 대응 방식까지 수정한다. 전체 요약 6문장 읽기 → 005 09:11 ▲ 125 · 댓글 49 마이크로소프트, 의사결정 특화 AI 모델 공개 마이크로소프트가 구조화된 의사결정 작업에 특화한 'Microsoft-Decision-1' 모델을 발표했다. AI · 머신러닝 · Microsoft-Decision-1, our model for fast decision-making
Key Point 에이전트 AI가 실제 환경에서 행동하는 지금, 비용 효율적이면서도 빠른 의사결정 AI의 필요성이 높아지고 있으며, 마이크로소프트의 새 모델은 기존 LLM 대비 35배 빠르고 200배 저렴한 성능으로 업계의 선택 기준을 바꿀 수 있다.
핵심 요약
마이크로소프트가 구조화된 의사결정 작업에 특화한 'Microsoft-Decision-1' 모델을 발표했다. 이 모델은 기존 LLM이나 다른 의사결정 모델보다 빠르고 정확하게 라우팅, 분류, 우선순위 결정, 검증, 워크플로우 제어 등을 수행한다. 36개 벤치마크의 15만 개 질문에서 최고 정확도를 달성했으며, GPT-6 Sol보다 4.5배 빠르고 35배 빠른 응답 속도를 기록했다. 전체 요약 13문장 읽기 → 006 21:11 당일 +360 Windows에서 AI 에이전트 제어하는 MCP 서버 오픈소스 Windows-MCP는 LLM 기반 AI 에이전트가 Windows OS와 상호작용하도록 하는 경량 오픈소스 MCP 서버다. AI · 머신러닝 · CursorTouch/Windows-MCP · Python
Key Point AI 에이전트가 Windows 데스크톱을 네이티브하게 조종할 수 있는 오픈소스 표준이 등장했으며, 개발자들은 이를 자동화나 AI 통합 프로젝트에 즉시 활용할 수 있다.
핵심 요약
Windows-MCP는 LLM 기반 AI 에이전트가 Windows OS와 상호작용하도록 하는 경량 오픈소스 MCP 서버다. 파일 탐색, 애플리케이션 제어, UI 상호작용, QA 테스트 등의 작업을 자동화할 수 있으며, 컴퓨터 비전이나 특정 모델 학습 없이 모든 LLM과 호환된다. Python 3.13+ 환경에서 실행되며, Claude Desktop, Cursor, Perplexity, Gemini CLI 등 다양한 MCP 클라이언트에 연동 가능하고, PyPI를 통해 `uvx windows-mcp`로 설치할 수 있다. 전체 요약 9문장 읽기 → 007 06:11 ▲ 18 · 댓글 2 AI 에이전트 제어 로직 자동 최적화, MILO 프레임워크 AI 에이전트의 성능은 모델뿐만 아니라 실행을 제어하는 하니스 설계에 크게 좌우되는데, 이를 수작업으로 탐색하는 것이 비효율적이다. AI · 머신러닝 · MILO: Automated Harness Discovery via Orchestrated Multi-Agent Evolution
Key Point AI 에이전트의 프롬프트나 도구를 수작업으로 최적화하는 시대가 끝나고, 전체 제어 로직을 자동으로 발견·진화시키는 방법이 등장했으며, 기존 방법들보다 현저히 높은 성능 향상을 입증했다.
핵심 요약
AI 에이전트의 성능은 모델뿐만 아니라 실행을 제어하는 하니스 설계에 크게 좌우되는데, 이를 수작업으로 탐색하는 것이 비효율적이다. MILO는 에이전트 하니스와 그 발견 방법을 동시에 진화시키는 자동화 프레임워크로, 계층적 계보 메모리, 각 탐색 영역별 뮤테이터 에이전트, 그리고 검색 전략을 적응시키는 오케스트레이터로 구성된다. 버려진 변이를 부정 증거로 활용하는 계보 메모리, 전역 탐색 이력과 부모 피드백을 바탕으로 완전한 하니스를 재작성하는 뮤테이터 에이전트, 계보 이식과 종분화를 통해 검색을 적응시키는 오케스트레이터의 세 가지 메커니즘이 핵심이다. 전체 요약 7문장 읽기 → 008 15:11 ▲ 455 · 댓글 3 LLM 에이전트를 조합하는 'Raven' 프레임워크 공개 대규모언어모델 기반 AI 에이전트가 단일 도메인 작업을 넘어 장기·교차도메인 워크플로우로 확장되면서, 수동 설계로는 복잡도 관리와 도메인 일반성 확보가 어려워지고 있다. AI · 머신러닝 · Raven: The Harness of Harnesses for Composable Agentic Intelligence
Key Point LLM 에이전트 시스템이 점점 복잡해지면서 단일 설계로는 감당할 수 없는 상황에서, 여러 전문 에이전트를 자동으로 조합·진화시키는 새로운 패러다임이 제시됐으며, 복잡한 실무 작업을 처리하는 방식이 달라질 수 있다.
핵심 요약
대규모언어모델 기반 AI 에이전트가 단일 도메인 작업을 넘어 장기·교차도메인 워크플로우로 확장되면서, 수동 설계로는 복잡도 관리와 도메인 일반성 확보가 어려워지고 있다. Raven은 오픈소스 멀티에이전트 생태계로, 특정 모델과 도메인에 맞는 '하네스(harness, 에이전트 제어 구조)'를 자동으로 구축·진화시키며 각 모델-하네스 쌍을 조합 가능한 지능 단위로 취급한다. Host Agent가 목표를 분해하고 부작업을 전문 에이전트에 할당하며 실행 의존성을 조정하고, Host Archive와 EverOS가 경험을 보존하고, Skill Forge가 재사용 가능한 절차로 변환한다. 전체 요약 5문장 읽기 →