긴 작업을 못 버티는 이유는 모델 크기가 아니라 horizon일 수 있다
이 논문은 장기 상호작용 에이전트 학습의 병목을 추상적인 탐색 난이도가 아니라 horizon length 자체에서 찾고, macro action과 subgoal decomposition 같은 horizon reduction이 RL 안정성과 일반화까지 개선한다는 점을 실험적으로 보인다.
Tag
#Agents
Agents 태그가 붙은 글입니다.
HeavySkill은 에이전트 하네스의 복잡함을 병렬 추론과 요약이라는 내부 스킬로 환원한다
HeavySkill은 멀티에이전트 오케스트레이션의 성능 원천을 외부 시스템 복잡도보다 모델 내부의 heavy thinking 스킬로 재해석하며, 이를 병렬 추론과 순차적 숙의로 분해해 test-time scaling과 RLVR의 결합 지점을 제시한다.
RecursiveMAS는 멀티 에이전트 협업을 텍스트가 아니라 잠재 상태 재귀로 스케일링한다
RecursiveMAS는 여러 LLM 에이전트를 텍스트 메시지 체인 대신 잠재 상태 루프로 연결하고, RecursiveLink와 inner–outer loop 학습으로 시스템 전체를 공동 최적화해 정확도·속도·토큰 사용량을 함께 개선하려는 멀티 에이전트 프레임워크다.
CocoIndex는 에이전트의 신선한 컨텍스트를 배치가 아닌 상태 동기화 문제로 다룬다
cocoindex-io/cocoindex는 RAG와 에이전트용 인덱싱을 단순 임베딩 배치가 아니라 declarative target state와 incremental sync 문제로 재정의해, 코드·문서·회의록·PDF·Slack 같은 소스를 항상 최신 컨텍스트로 유지하려는 엔진이다.
Stet은 GPT-5.5와 Opus 4.7의 차이를 테스트 통과율 너머에서 드러낸다
Stet의 56개 실전 리포지토리 태스크 비교는 GPT-5.5가 Codex CLI에서 더 자주 ‘출하 가능한 패치’를 만들고, Opus 4.7은 Claude Code에서 더 작은 패치를 만들지만 통합 작업을 덜 마무리하는 경향이 있음을 보여 준다.
Context Mode는 AI 코딩 에이전트의 컨텍스트 병목을 운영체제처럼 다룬다
mksglu/context-mode는 MCP 도구 출력, 세션 압축, 상태 복구, 검색 기반 재주입을 하나의 실행 레이어로 묶어 Claude Code·Gemini CLI·Cursor·Copilot·OpenCode 같은 코딩 에이전트의 컨텍스트 낭비를 인프라 문제로 재정의한다.
Fincept Terminal은 금융 분석 터미널을 AI 에이전트 탑재 네이티브 데스크톱으로 다시 만든다
Fincept-Corporation/FinceptTerminal은 C++20·Qt6 네이티브 데스크톱 위에 임베디드 Python 분석, 100개 이상 데이터 커넥터, 브로커 연동, AI 에이전트, MCP 도구, 정량 분석 모듈을 얹어 블룸버그형 금융 터미널을 오픈소스+상용 라이선스 혼합 모델로 재구성하려는 프로젝트다.
Understand Anything은 코드베이스 이해를 인터랙티브 지식 그래프로 바꾼다
Lum1104/Understand-Anything은 코드·문서·Karpathy 스타일 위키를 멀티 에이전트 파이프라인으로 분석해 구조 그래프, 도메인 그래프, 검색, 온보딩, diff 영향 분석까지 연결하는 오픈소스 코드베이스 이해 플랫폼이다.
mckinsey-pptx는 컨설팅 덱 작성을 Claude Code 에이전트 작업으로 바꾼다
seulee26/mckinsey-pptx는 맥킨지 스타일 슬라이드 40종을 Python PPTX 엔진으로 구현하고, 그 위에 Claude Code 플러그인·서브에이전트·슬래시 커맨드를 얹어 사용자의 짧은 브리프를 실제 .pptx 파일로 변환하는 로컬 실행형 프레젠테이션 에이전트 프로젝트다.
DeepSeek-V4-Pro는 1M 컨텍스트를 49B 활성 경로로 밀어붙인다
DeepSeek-V4-Pro는 1.6T total / 49B activated MoE와 CSA·HCA 하이브리드 attention, mHC, Muon optimizer를 결합해 1M 토큰 문맥에서 추론 비용과 KV-cache를 크게 줄이면서도 코딩·추론·에이전트 성능을 함께 끌어올리려는 공개 모델이다.
MiMo-V2.5는 1M 컨텍스트·오디오·에이전트를 한 모델로 묶는다
Xiaomi의 MiMo-V2.5는 310B Sparse MoE에 비전·오디오 인코더와 에이전트 후학습을 결합해, 1M 컨텍스트와 네이티브 옴니모달 이해를 하나의 공개 모델로 밀어 넣은 릴리스다.
SkillsMP는 흩어진 SKILL.md 생태계를 검색 가능한 마켓플레이스로 바꾼다
SkillsMP는 GitHub 전역에 흩어진 SKILL.md 기반 에이전트 스킬을 수집해 의미 검색, 직군 분류, 카테고리 탐색, API 접근, 설치 가이드까지 한 화면으로 묶어 Claude Code·Codex·ChatGPT 시대의 스킬 발견 레이어를 만들고 있다.
Nemotron-Orchestrator-8B는 작은 8B 모델로 더 큰 에이전트 시스템을 지휘한다
NVIDIA의 Nemotron-Orchestrator-8B는 Qwen3-8B 기반의 경량 orchestrator를 RL로 학습시켜, 검색·코드 실행·전문 모델·거대 범용 모델을 상황별로 배치하며 GPT-5보다 더 높은 HLE 점수와 더 나은 비용 효율을 동시에 노린다.
oh-my-codex는 Codex CLI 위에 멀티에이전트 운영 레이어를 얹는다
oh-my-codex는 OpenAI Codex CLI를 대체하지 않고 그 위에 팀 실행, worktree 격리, 역할 프롬프트, 워크플로우 스킬, MCP 서버, HUD와 상태 관리까지 얹어 단일 코딩 에이전트를 운영 가능한 멀티에이전트 런타임으로 바꾸려는 오픈소스 프로젝트다.
Lazyweb은 디자인 영감을 에이전트용 검색 컨텍스트로 바꾼다
Lazyweb은 방대한 앱 스크린샷 라이브러리와 비교 페이지, 인스퍼레이션 카탈로그, 무료 MCP 엔드포인트, 에이전트용 스킬 배포 경로를 결합해 Claude Code·Codex·Cursor 같은 코딩 에이전트가 실제 UI 레퍼런스를 근거로 디자인 조사와 개선 제안을 하도록 만드는 디자인 컨텍스트 플랫폼이다.
Ruflo는 Claude Code를 다중 에이전트 운영 플랫폼으로 확장한다
ruvnet/ruflo는 Claude Code 위에 swarm coordination, persistent memory, self-learning loop, federation, 32개 플러그인, 300개 수준의 MCP 도구를 얹어 단일 코딩 도우미를 장기 기억과 협업 능력을 가진 에이전트 운영 플랫폼으로 바꾸려는 대형 오픈소스 프로젝트다.
Rowboat은 개인 업무 맥락을 로컬 지식 그래프로 축적한다
rowboatlabs/rowboat는 이메일·캘린더·미팅노트·웹 검색 결과를 로컬 마크다운 볼트와 지식 그래프로 축적한 뒤, 그 위에서 회의 준비, 이메일 초안, 문서 작성, PDF 덱 생성, 라이브 노트 업데이트를 수행하는 로컬 퍼스트 AI 동료(co-worker)를 지향한다.
LLM Wiki는 RAG를 축적형 지식 운영체제로 바꾸려 한다
unclejobs-ai가 포크한 LLM Wiki gist는 파일 업로드형 RAG 대신, LLM이 원문 소스를 읽고 지속적으로 갱신하는 마크다운 위키를 중간 계층으로 두어 개인·연구·팀 지식을 축적형 자산으로 운영하자는 패턴을 제안한다.
Open Design은 Claude Design을 로컬 에이전트 스튜디오로 다시 만든다
nexu-io/open-design은 Claude Design의 artifact-first 디자인 경험을 오픈소스로 재구성하면서, 여러 코딩 에이전트 CLI와 로컬 데몬, 디자인 시스템, 스킬 카탈로그, 샌드박스 프리뷰, HTML·PDF·PPTX·MP4 내보내기를 하나의 로컬 퍼스트 디자인 스튜디오로 묶으려는 프로젝트다.
paper2code는 논문 구현의 애매함을 코드 옆에 드러낸다
paper2code는 arXiv 논문을 구현할 때 LLM이 빈칸을 자신 있게 메워버리는 문제를 막기 위해, 구현 결과를 citation-anchored code·ambiguity audit·walkthrough notebook 형태로 출력하고 각 선택을 SPECIFIED, PARTIALLY_SPECIFIED, UNSPECIFIED로 분류하는 에이전트 스킬 프로젝트다.
AutoKernel은 GPU 커널 최적화를 에이전트 실험 루프로 바꾼다
AutoKernel은 PyTorch 모델을 프로파일링해 병목 GPU 커널을 추출한 뒤, Triton 또는 CUDA C++ 커널을 에이전트가 반복적으로 수정·벤치마크·유지/되돌리기 하도록 설계해 하룻밤 단위의 자동 커널 최적화를 가능하게 하려는 오픈소스 프레임워크다.
Superpowers는 코딩 에이전트에 방법론을 주입한다
obra/superpowers는 Claude Code, Codex, Gemini CLI, Cursor 같은 코딩 에이전트에 스킬 라이브러리와 강제 워크플로우를 주입해, 즉흥적인 프롬프트 코딩을 설계-계획-TDD-리뷰-마무리까지 이어지는 반복 가능한 개발 방법론으로 바꾸려는 프로젝트다.
Agent Lightning은 에이전트 실행과 학습을 분리해 RL을 붙인다
Agent Lightning은 기존 LangChain·OpenAI Agents SDK·AutoGen 기반 에이전트를 거의 수정하지 않고도 강화학습으로 최적화할 수 있게 하며, 이를 위해 실행 궤적을 통합 인터페이스로 수집하고 Training-Agent Disaggregation 구조로 학습 루프를 분리한다.
Hugging Face Skills는 에이전트용 AI 워크플로우를 패키지화한다
Hugging Face Skills는 모델 학습, 데이터셋 탐색, 평가, 로컬 추론 같은 AI 작업 지식을 SKILL.md 기반 패키지로 묶어 Claude Code, Codex, Gemini CLI, Cursor 사이에서 재사용 가능하게 만든다.
Agentic RAG는 검색 문제가 아니라 운영 문제다
RAG가 데모에서 제품으로 넘어가는 순간, 질문은 어떤 검색기가 더 좋은가에서 실패한 추론을 어떻게 발견하고 복구할 것인가로 바뀐다.