Research & Knowledge

작성자는 okou-ai/okou 저장소에 범위가 한정된 커넥터 마이그레이션 이슈를 열었으며, 이는 더 큰 HTTP-to-MCP 후보 목록(#36738)의 네이티브 하위 이슈입니다. 작성자는 okou-ai/okou-connectors에서 기존 `algolia` HTTP 커넥터(커밋 b2489d85에 고정)를 확인하고, HT

저자는 멀티 하네스 에이전트 서버를 위한 학습 루프의 전반부를 구축했다. 즉, 스위치, 폴더, 그리고 모든 실행이 시작되는 시드(seed)다. 구체적으로: (1) 에이전트 정의에 `learning: boolean` 필드를 추가했으며, true가 아니면 꺼져 있고, 각 리비전에 실려 편집 시 생략되어도 보존되며, 워크플로

그들은 Hopper 및 Blackwell GPU에서 mixture-of-experts 모델을 위한 프로덕션급 추론 경로를 원했고, attention, GEMM, MoE, 샘플링에 대해 여러 백엔드(FlashAttention-2/3, cuDNN, CUTLASS, TensorRT-LLM)를 갖춘 통합 API를 제공하는 Fla

저자는 Markdown/Git 지식 베이스 위에 대규모 초안 PR로 SecondBrain 2.0을 구축하면서, Markdown과 Git을 권위 있는 원본으로 유지하고 그 위에 서비스를 계층화했습니다. 위키가 주된 표면입니다: 반응형 Home 페이지, 브라우저 로컬 시작 페이지, 안전한 Markdown과 위키링크, 직접 U

그들은 pi(에이전트 루프, 멀티 프로바이더 API, TUI, 세션 트리, 컴팩션, 확장 모델을 갖춘 최소한의 에이전트 기반) 위에 계층화된 코딩 에이전트 스캐폴드인 little-coder를 만들었습니다. pi를 포크하는 대신 pi를 일반 의존성으로 유지하고 little-coder에 특화된 모든 것을 .pi/extensi

그들은 웹을 검색하고, 내부 문서를 읽고, 요약을 공유 지식 베이스에 작성할 수 있는 LangGraph 리서치 에이전트를 가지고 있었다. 배포하기 전에 그들은 가드레일을 원했다. 에이전트가 파괴적인 도구를 절대 호출할 수 없어야 하고, 모든 행동이 특정 에이전트 인스턴스에 귀속될 수 있어야 하며, 무슨 일이 일어났는지에

작성자는 `build_call_path`가 retained-parent 참조를 갖게 된 이후(#8435, #8437에서 수정됨)에도 `trace_crash` 프롬프트가 여전히 완전한 함수 dossier를 권장하고 있다는 점을 발견했습니다. 기존의 tool-design 감사는 도구와 카탈로그를 점검했지만, 에이전트가 실제로

Claude Code와 함께 Claude Octopus를 설치하고 일상적인 작업에는 평소의 Claude 네이티브 경로를 유지하면서, 두 번째 의견이 필요할 때만 에스컬레이션했다. 위험한 리팩터링에는 적대적 리뷰를 실행했다. 호스트 Claude Code가 계획과 diff를 생성하면, Octopus가 동일한 산출물을 여러 외

이들은 CUAWright(이전 명칭 Webwright)를 터미널 기반 하네스로 구축하여, 코딩 모델이 한 번에 하나의 클릭을 예측하는 대신 Playwright 브라우저 세션을 실행하고 페이지를 검사하며 스크립트를 작성할 수 있도록 했다. 브라우저 작업에는 `cuawright web`을, Ubuntu VM 데스크톱 작업에는

팀은 대규모 MoE 모델(DeepSeek-R1 671B, Qwen3, GLM-4.5)을 프로덕션에서 서빙해야 했지만, 서빙 스택을 처음부터 직접 조립하고 싶지는 않았다. 이들은 thu-pacman의 프로덕션급 추론 엔진인 Chitu(赤兔)를 선택하고, v0.6.0 chitu.run 실행 파일에 의존했다. 이 실행 파일은

Vibe-Trading repo를 가져다가 일회성 스크립트가 아닌 개인 트레이딩 에이전트를 구축했습니다. pip로 설치 가능한 `vibe-trading-ai` 패키지(Python 3.11+, FastAPI 백엔드, React 19 프론트엔드)에서 시작하여, 패키지를 설치하고 모델 및 시장 데이터 자격 증명을 구성한 뒤,

그들은 vllm-ascend 플러그인을 사용해 Huawei Ascend 하드웨어에서 vLLM 추론을 설정했는데, 이 플러그인은 업스트림 vLLM을 Ascend NPU 디바이스 지원으로 확장한다. 작업은 공식 문서와 지원 매트릭스를 따라 호환되는 릴리스(예: v0.23.0 안정 버전 또는 v0.26.0rc1 릴리스 후보)를

그들은 내부 채팅 및 요약 기능을 위해 데이터를 호스팅 API로 전송하지 않으면서 자체 호스팅되고 OpenAI와 호환되는 추론 엔드포인트를 원했다. LMDeploy README에서 시작하여 pip로 패키지를 설치하고, Hugging Face 모델을 TurboMind 형식으로 변환한 뒤, 기존 OpenAI SDK 클라이언트

그들은 Langfuse 리포지토리에서 시작해 셀프 호스팅 관측성 백엔드를 구축한 다음, 기존 LlamaIndex 검색 파이프라인을 여기에 연결하여 모든 쿼리가 트레이스를 생성하도록 했습니다. 여기에는 검색 스팬, 조립된 프롬프트, LLM 호출, 토큰 사용량, 지연 시간이 포함됩니다. 트레이스가 흐르기 시작하자 Langfu

기존 추론 클라이언트를 다시 작성하지 않고 PaddlePaddle LLM 및 VLM 체크포인트를 프로덕션급으로 서빙할 방법을 원했다. FastDeploy README에서 시작해, 지원되는 모델(Qwen3-VL 계열 또는 ERNIE-4.5-VL-Thinking이 문서화된 옵션이었다)을 선택하고, Python 3.10-3.1

이들은 제어 루프와 상태를 머신에 유지하는 로컬 우선 에이전트인 Atomic Agent를 설치하고, 소형 양자화 모델이 메모리를 터뜨리지 않고 긴 다단계 세션을 처리할 수 있도록 llama.cpp 백엔드에 연결했습니다. 에이전트의 브라우저 제어, 파일 편집, 승인된 셸 명령, 세션 간 메모리를 활용해 리포지토리에 대한 반

그들은 CLI를 직접 관리하는 대신 셀프 호스팅 Hermes Agent의 프런트 엔드로 Hermes One(hermes-desktop)을 사용했습니다. 이 앱은 공식 Hermes 설치 스크립트를 실행하고, Hermes를 ~/.hermes 아래에 배치했으며, 에이전트가 모델 백엔드를 갖출 수 있도록 프로바이더 설정 과정을

이들은 에이전트가 코딩하는 방식이 아니라 말하는 방식을 바꾸기 위해 Claude Code 출력 스타일을 모아 놓은 작은 컬렉션인 Attention Span을 설치했다. 각 스타일은 output-styles 디렉터리에 넣고 켜기만 하면 되는 단일 markdown 파일이다. 이들은 Attention-kind를 대표작으로 골랐

한 계산 생물학 그룹은 실험실에서 raw 10x Genomics count matrix를 주석이 달린 cell-type call로 변환하는 방식을 표준화하고 싶어 했습니다. 또 다른 맞춤형 노트북을 직접 작성하는 대신, 그들은 코딩 에이전트를 scientific-agent-skills 라이브러리로 안내하고 파이프라인을 구

프로젝트 루트에서 `npx impeccable install`을 실행하고 코딩 도구를 다시 로드한 뒤 `/impeccable init`을 실행해 에이전트가 코드베이스를 읽고 대상 사용자, 목표, 제약 조건을 담은 PRODUCT.md를 작성하도록 했습니다. 이어서 `/impeccable document`로 기존 비주얼 시스

Eigent 데스크톱 앱을 설치했는데, 이 앱은 CAMEL 멀티 에이전트 오케스트레이션을 로컬 cowork 인터페이스로 감싼 것이다. 에이전트 코드를 작성하는 대신, 자연어로 작업을 설명하고 Eigent가 전문화된 워커 에이전트 팀 — 코디네이터와 검색, 브라우징, 파일 처리를 담당하는 서브 에이전트 — 을 구성하도록 했

코딩 에이전트가 무작정 grep하고 파일 전체를 다시 읽는 것을 멈추길 원했기 때문에, 리포지토리의 코드, 문서, 스펙, 로그, PDF를 인덱싱하는 단일 로컬 Rust 바이너리인 XERJ를 세웠다. 리포지토리 루트를 지정하고 제로 구성 자동 인덱스가 트리를 순회하도록 두었더니, Elasticsearch 호환 API 뒤에서

에이전트가 중형 Python/TypeScript 모노레포에 대해 추측하지 않도록, 그들은 저장소에 Graphify를 실행해 모듈, 임포트, 호출 관계의 구조적 그래프를 추출했다. Graphify는 코드베이스를 파싱하고 파일 간 참조를 해석해, grep 대신 질의할 수 있는 그래프를 생성했다. 그다음 그래프 질의를 Anth

tigerless-labs 마켓플레이스에서 AutoHarness를 Claude Code 플러그인으로 설치한 뒤, 평소 작업을 하는 동안 백그라운드에서 실행되도록 두었다. 충분한 작업을 수행한 각 세션은 .claude/skills/ 아래의 스킬로 정제되었고, 리플렉터가 새로운 에피소드를 기존 스킬과 비교하여 동일 시나리오의

headroom-ai 패키지를 설치하고 `headroom wrap claude`와 `headroom wrap codex`를 사용해 애플리케이션 코드를 전혀 변경하지 않고 기존 에이전트 세션을 포트 8787의 로컬 압축 프록시를 통해 라우팅했습니다. 또한 MCP 서버를 등록해 에이전트가 대용량 도구 출력을 축소하거나 되돌릴

그들은 저장소에 있던 평범한 markdown 체인지로그와 대략적인 제품 브리프에서 시작했습니다. 문서를 직접 손으로 편집하는 대신, html-anything을 저장소로 향하게 하고 PATH에서 이미 로그인된 coding-agent CLI를 감지하도록 했습니다(API 키 불필요). 롱폼 런치 페이지에는 매거진 아티클 sur

저자(bojieli)가 Agent = LLM + context + tools 공식을 중심으로 구성한 완전한 책, 『深入理解 AI Agent: 설계 원리와 엔지니어링 실천』을 출간했습니다. 이 저장소에는 완전한 원고, 그림, 그리고 로컬 프로젝트와 외부 재현 트랙을 포함한 109개의 동반 실험이 함께 제공됩니다. 이 책은

llama.cpp WebUI를 더 친근한 데스크톱 스타일 채팅 앱으로 바꾼 포크입니다. 이 포크는 llama.cpp 서버를 모델 백엔드로 유지하면서 DaisyUI 테마, Markdown 및 LaTeX 렌더링, 구문 강조, 모바일과 데스크톱을 위한 반응형 레이아웃을 갖춘 재설계된 인터페이스를 얹었습니다. 대화는 Indexe

AgenticSeek 리포지토리를 클론하고 자신의 머신에 완전히 로컬이고 음성 지원이 되는 에이전트 스택을 구축했습니다. 클라우드 API를 가리키는 대신, 어시스턴트를 llama.cpp를 통해 서빙되는 로컬 추론 모델에 연결하여 모든 파일, 검색 쿼리, 대화를 온디바이스에 유지했습니다. Python 3.10 환경을 구성하

Agent Skills CLI를 통해 planning-with-files 스킬을 전역으로 설치하고, 해당 스킬의 라이프사이클 훅이 리포지토리 내에서 세 개의 파일로 구성된 플래닝 루프를 이끌도록 했다. 모델이 잊어버릴 수 있는 프롬프트에 의존하는 대신, 훅이 매 턴마다 실행되어 현재 계획 컨텍스트를 주입한다. 그 결과 에

개발자는 내부 채팅 어시스턴트를 프로토타이핑하면서 토큰당 API 청구서를 더 이상 지불하고 싶지 않아서, 호스팅 제공업체를 호출하는 대신 오픈소스 모델을 셀프 호스팅했다. 그들은 pip로 OpenLLM을 설치하고, `openllm hello`를 실행해 CLI가 작동하는지 확인한 다음, `openllm serve qwen2

그들은 microsoft/generative-ai-for-beginners 커리큘럼에서 시작하여 생성형 AI와 LLM, 프롬프트 엔지니어링, 모델 제공자로 애플리케이션 구축에 관한 초반 레슨을 진행한 뒤, 검색 증강 생성(RAG)과 책임 있는 AI 레슨으로 넘어갔다. 노트북에서 멈추지 않고, 코스의 애플리케이션 구축 레슨

<p>그들은 하드웨어 가상화가 지원되는 머신에 invisible_dots를 세우고, <code>setup --all</code>을 실행해 QEMU를 설치하고 Dot 이미지를 빌드했으며, OpenRouter 키를 넣고 127.0.0.2:3000의 로컬 웹 UI를 열었다. 그들은 Dot을 하나 만들고, 상점 로그인에 연결된

그들은 자신들의 에이전트 스택에서 추론 레이어가 실제로 병목인지 알고 싶었기 때문에, 단일 요청 지연 수치를 신뢰하는 대신 TensorRT-LLM을 중심으로 벤치마크 하네스를 구축했습니다. 먼저 실제 에이전트 트래픽을 캡처했습니다. 가변 프롬프트 길이를 가진 멀티턴 도구 호출 세션, 턴 간 KV 캐시 재사용, 버스트성 동

obsidian-second-brain repo는 8개의 에이전트와 48개의 명령을 제공하는데, 이들은 여러 가지 코딩 CLI를 동일한 Obsidian vault에 연결하여 CLI가 아닌 vault가 메모리를 보유하도록 했습니다. Claude Code, Codex, Cursor, Grok Bot이 모두 같은 노트를 읽고

그들은 실제 구직 과정에서 오픈소스 AI 구직 에이전트인 career-ops를 1차 필터로 사용했다. 이력서를 아무 응답도 없는 곳에 마구 뿌리는 대신, 구인 공고를 자신의 컴퓨터에서 실행 중인 에이전트에 붙여넣었다. 각 공고마다 에이전트는 해당 포스팅이 여전히 열려 있는지, 그리고 자신의 프로필에 실제로 적합한지를 확인

이들은 대략적이고 최소한의 역할 프롬프트(예: 리뷰어 또는 마켓플레이스 흥정 답변)에서 시작해 Prompt Optimizer의 웹 앱을 통해 이를 실행하여 소형 모델이 일반적인 출력에서 벗어나 구조적이고 구체적인 행동을 하도록 유도했습니다. 그런 다음 LangGPT의 구조화된 프롬프트 프레임워크를 사용해 최적화된 프롬프트

그들은 Python 환경이나 CUDA 툴킷, 모델 다운로드 과정 없이 팀원이 실행할 수 있는 로컬 추론을 원했다. llamafile README에서 시작해, mozilla-ai Hugging Face 리포에서 작은 사전 빌드된 llamafile(Qwen3.5 0.8B Q8_0)을 내려받고, chmod +x로 실행 권한을

메인테이너들은 브랜드와 웹사이트를 구축하고, 출시하고, 성장시키는 전체 라이프사이클을 아우르는 107개의 Claude Skills를 담은, 관점이 뚜렷하고 스택에 구애받지 않는 카탈로그를 구성했습니다. 브랜드와 디자인, 콘텐츠, SEO, 개발, 운영, 성장, 리서치가 포함됩니다. 각 스킬은 SKILL.md(지침과 YAML

그들은 데스크톱 빌드 대신 Ekko Studio를 셀프 호스팅 웹 콘솔(npm 글로벌 설치 후 `ekko-studio-web start`)로 구성하여, 백엔드가 코딩 CLI와 같은 머신에 위치하도록 했다. Agent Manager에서 기본 제공되는 Ekko Agent와 함께 Hermes Agent를 등록한 뒤, Claud

사용자는 기존 TypeScript 웹 앱에 작지만 실제적인 기능을 추가하고 싶었다. 바로 REST 엔드포인트, UI 토글, 영속성을 갖춘 저장된 검색(saved-search) 기능이었다. 임기응변식으로 에이전트에 프롬프트를 넣는 대신, 사용자는 마켓플레이스를 통해 Claude Code에 Agent Skills 플러그인을

그들은 대화 창을 계속 들여다보지 않고도 거친 질문을 세련된 서면 브리프로 바꾸는 반복 가능한 방법을 원했다. AutoGen 퀵스타트에서 시작해 autogen-agentchat과 OpenAI 확장을 설치하고, GPT-4.1 모델 클라이언트를 기반으로 하는 AssistantAgent를 생성한 뒤 hello-world 루프가