Software & DevOps

작성자는 netscript CLI에 옵트인 쇼케이스를 추가했다: `netscript init northwind --from showcase`, 그리고 문서화된 `showcase:setup` 레시피도 함께. 쇼케이스는 기존 Utility 페이지와 플러그인 배선을 조합해 동작하는 커머스 앱으로 만든다 — 주문, 고객, 상품,

field-work-hub repo에서 작성자는 승인된 Phase 5와 Phase 6을 의존성 순서에 따라 draft 브랜치 feat/phase-5-6-dashboard-workflow에 함께 구현했다. 대시보드는 모든 work order를 긴 카드로 렌더링하던 방식에서 25/50개 job을 로드하는 제한된 테이블로 재작

작성자가 openarena repo에 `.github/workflows/release.yml`을 추가했으며, PyPI Trusted Publishing(OIDC, 저장된 secret 없음)으로 패키지를 배포한다. 워크플로는 `release: published`와 `workflow_dispatch`에서 트리거되고, 최상위

작성자는 앱의 채팅 에이전트를 위한 고정된 golden-question 스위트를 담은 `api/evals/` 디렉터리를 추가하여, `docs/ARCHITECTURE.md`의 알려진 이슈 #14("자동화된 테스트 없음")를 마무리했습니다 — 전체 앱이 아니라 에이전트에만 좁게 범위를 한정했습니다. 각 질문은 세 가지 차원에

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

작성자의 `/dev` 캐리어 — spec/005에 정의된 샌드박스화된 `claude` CLI 호출 — 는 `ANTHROPIC_API_KEY`로만 인증할 수 있었습니다. Claude Code 구독 로그인만 있고 별도의 Console API 키가 없는 머신에서는 전혀 실행될 수 없었습니다. Docker, 이그레스 프록시, 네

작성자는 ihub-apps 통합 시스템에서 people 디렉터리와 LDAP 브라우징이 모델링되는 방식을 재작업했습니다. `com.intrafind/ldap-directory`를 "People directory (LDAP)"로 이름을 바꾸고, `browse*` 필드와 액션을 제거했으며, Entra와 함께 `type: peo

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

작성자는 Fabric OSS 리포지토리에서 코딩 위임과 AI 프로바이더 라우팅을 두 가지 표면으로 통합했습니다: Fabric Agents Remote Server(fabric-agent-server)와 Fabric Agents Desktop(fabricagents://)입니다. 작성자는 RemoteSessionConver

그들은 답변이 토큰 단위로 스트리밍되는 AI 어시스턴트 UI를 만들고 있었는데, 기존 Markdown 렌더러가 계속 깜빡였습니다. 불완전한 코드 펜스, 참조보다 늦게 도착하는 각주 정의, 통화 기호 때문에 망가지는 수학 구분자 같은 문제였습니다. 그래서 ai-markdown의 React 어댑터를 도입해, 누적된 전체 Ma

AiphaBee는 비공개 다운스트림 봇 제품으로, @byok-sdk/client 0.28.0에서 업그레이드하면서 자체 agent-home 메모리 작성기를 SDK의 memory_recall / memory_save, agent.memory.projection, agent.memory.intent로 교체하려 했다. 하드웨어에

그들은 단일 `npx chisle` 명령으로 Chisle을 Claude Code 저장소에 설치했는데, 이는 군더더기, 완곡한 표현, 추측성 추상화를 억제하는 규칙 세트와, 과도하게 큰 도구 출력이 컨텍스트 윈도우로 다시 들어오기 전에 이를 잘라내는 PostToolUse 훅을 추가한다. 그런 다음 동일한 에이전트 루프 작업

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

작성자는 Kiro Crew의 대시보드 라이브러리에서 저장된 워크플로우 제거를 하드 삭제가 아닌 tombstone으로 구현했습니다. workflows/library.py에서 제거는 라이브러리의 cross-process lock 아래에서 tombstone을 기록하며(모든 revision 유지), removed_at을 추가하고

작성자는 oh-my-claudecode(omc)의 Windows PATH 하이재킹 취약점을 막았다. 이전 수정(#4726)은 팀 워커에만 NoDefaultCurrentDirectoryInExePath=1을 설정했지만, 훅 러너, 플러그인 훅, ~/.claude/hooks의 독립 훅, omc CLI, MCP 서버, HUD는

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

오너가 더 단순한 문서를 요청해서, 작성자는 기존 페이지를 편집하는 대신 README.md와 docs/를 처음부터 다시 작성했다. 이전: 17개 파일, 1,756줄. 첫 번째 패스 이후: 7개 파일, 621줄(-65%); 리뷰 수정 후 520줄. 새 구성은 README.md, docs/setup.md, docs/colla

작성자가 codogma-engine repo에서 티켓 COD-80을 완료했습니다: `src/editor/` 아래에 독립형 SolidJS + TypeScript/TSX Editor Host를 두어 레거시 Colibri 에디터 UI를 대체하면서 기존 백엔드 및 데이터 계약은 그대로 유지했습니다. 루프백 `127.0.0.1:5

작성자는 분열된 두뇌 문제를 겪고 있었습니다. 내부 canvas 에이전트는 매 턴마다 542줄짜리 시스템 프롬프트, 스타일 가이드, 어휘, 콘택트 시트를 받았지만, T3 Code, Claude Code, Codex에서 canvas-mcp에 접근하는 에이전트들은 그중 아무것도 받지 못했습니다. 그 외부 에이전트들은 서버가

시스템프롬프트 0.76 인스턴스에 연결되는 OpenCode 데스크톱 앱 포크(DynWork)를 만들었습니다. 로그인 화면은 이제 실제 인증 위에서 동작합니다: 개인 액세스 토큰, 일회용 코드, 또는 127.0.0.1의 루프백 리스너와 검증된 state 파라미터를 사용하는 브라우저 디바이스 링크입니다. 여러 인스턴스를 구성

작성자는 프로젝트 소유의 JavaScript와 Python에서 Rust로 출시된 데스크톱 애플리케이션과 빌드 툴체인을 마이그레이션하면서 동작, 저자원 네이티브 데스크톱 운영, 크로스 플랫폼 지원을 보존하고 있다. 작업은 단일 GitHub 이슈(#9)에서 추적되며, 요구사항 추적(R-151 → BG-106 → SF-138

OpenWorkGraph(OWG)의 메인테이너들은 첫 번째 로드맵(#264)의 모든 항목이 `main`에서 최초 구현을 갖춘 후 두 번째 로드맵 이슈를 열었다. 이들은 OWG를 Mimica, UiPath(Task Mining, Process Mining, Task Capture, Automation Hub, Communi

그들은 저장소의 모든 AI 관련 기능이 파일 곳곳에 흩어진 즉흥적인 문자열 대신 일관되고 검토 가능한 프롬프트를 사용하기를 원했다. LangGPT README에서 시작하여 Role/Profile/Goal/Skills/Rules/Workflow/Initialization 템플릿을 하우스 스타일로 채택했다. 세 가지 기능(코

저자는 Claude를 일반적인 YAML 생성기가 아니라 Home Assistant 전문가로 만들어 주는 home-assistant-manager라는 Claude Code 스킬을 패키징했습니다. 이 스킬은 의견이 뚜렷한 워크플로를 담고 있습니다. 로컬에서 구성을 편집하고, 적용 전에 검증하고, scp로 라이브 인스턴스에 변

저자는 이전 감사 이후 Rust 에이전트 하네스(cg-agent-harness)에서 TLS, 포트 바인드, 루프백에 대한 배선 검토를 수행했고, 두 곳에서 표현된 하나의 결함을 발견했다. 루프백 신뢰가 호스트명 `localhost`로 결정되고 있었고, 그다음 시스템 리졸버가 주소를 선택했다. 그들은 세 군데에서 이를 수정

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

ai-website-cloner-template을 독립형 프로젝트로 설정했습니다. 코딩 에이전트에게 저장소를 새 폴더에 클론하고, origin remote를 제거하고, 의존성을 설치하고, `npm run check`를 실행하도록 요청하여 템플릿이 검증되고 준비되도록 했습니다. 그런 다음 에이전트에서 브라우저 접근을 활성화

작성자는 내장 스마트 연락처 기능이 공식 플러그인(`cindy-contacts`)으로 마이그레이션된 후 Core에서 해당 기능을 제거했습니다. 삭제는 Harness 시스템 프롬프트(Claude Code `contactsRules`, 이에 상응하는 Codex 개발자 지침 블록, 그리고 `cindy_contacts` MCP와

작업 worktree(branch codex/ios-remote-tool-parity)의 baseline commit에서, 작성자는 Codex를 사용하여 동일한 데스크톱 호스트에서 iOS Remote로 시작한 세션이 노트북 세션의 전체 구성된 도구 접근 권한 및 권한 기본값을 받지 못하는 이유를 조사했습니다. 작성자는 지

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

작성자는 Mikka 리포지토리에서 세 가지 묶음 변경을 진행했으며, #715 데모 시드의 스크린샷과 1440px 라이트 환경에서의 디자인 리뷰를 바탕으로 작업했다.

Supaterm은 이전 포팅 시도가 되돌려진 후 업스트림 t3code(v0.1.3부터 v0.1.5, 그리고 32ecd71726까지의 nightly)보다 938 커밋 뒤처져 있었다. 메인테이너는 전체 포팅을 요청했고, 938행 인벤토리와 39개 결정 항목을 검토한 뒤 범위를 승인했으며, 미결 항목에 대해서는 "do what

작성자는 흡수된 여러 풀 리퀘스트로 인해 완성된 작업이 고립된 브랜치(`mega/absorb-all`)에서 시작했다. 컴포넌트는 존재했지만 어떤 라우트, 메뉴, 단축키로도 접근할 수 없었고, 설정에는 이를 읽는 코드가 없었으며, 이벤트 채널은 한쪽 방향만 존재했다. 작성자는 `scripts/qa/audit-glue.mjs

작성자는 기존 Deep Agents 런타임을 Harness Engine에 옵트인 확장으로 통합하여, DeepAgentsAdapter 뒤에서 네이티브 런타임을 재사용하면서 SSE 인코딩 전에 타입이 지정된 이벤트를 사용하고 completed, paused, cancelled 결과를 명시적으로 처리했습니다. 또한 내구성 있는

작성자가 computer-use-bridge 1.0.0을 릴리스하며, 프로젝트를 Homebrew 시대의 0.x 레이아웃에서 macOS와 Linux에서 단일 설치 흐름을 제공하는 npm 패키지로 전환했습니다. 작업은 네 영역을 다뤘습니다. 첫째, 패키징과 설정: 서버에서는 `npm i -g computer-use-bridg

저자는 Java/Spring + Angular 교육 플랫폼인 Artemis에 옵트인 에이전트 접근 계층을 읽기 쉬운 아홉 개의 커밋으로 추가했다. 첫째, 서버의 개인 액세스 토큰: 웹 UI에서 생성되고, 한 번만 표시되며, SHA-256 해시로만 저장되고, 최대 90일 후 만료되며, 폐기 가능하고, 소유자로서 인증되며(절

automcp 작성자는 대부분의 MCP 서버가 독립형 도구 프로젝트라는 점을 알아차렸고, 이로 인해 에이전트와 멀티 에이전트 워크플로를 MCP로 노출하기가 어색해진다고 보았다. 그들의 접근 방식은 AI 엔지니어가 이미 사용 중인 에이전트 프레임워크에서 계속 프로토타이핑하게 하고, 출시 준비가 되면 automcp를 의존성으

Robin, Louis, Thomas는 여러 프로젝트에서 동일한 에이전틱 패턴을 계속 다시 만들고 있었고, 그래서 일반적인 워크플로 로직을 사용 사례별 세부사항과 분리해 Pipelex를 만들었습니다. Pipelex는 다단계 LLM 파이프라인을 위한 선언형 DSL과 Python 런타임으로, AI 워크플로를 위한 Docker

마케팅 에이전시가 플레이북 없이 이전 에이전시로부터 50개 브랜드 클라이언트를 인수한다. 세 개 브랜드는 과지출 중이고, 두 개는 포지셔닝이 낡았으며, 하나는 다음 달 규제 관할권에서 출시된다. 브랜드마다 즉흥적으로 대응하는 대신, 팀은 digital-marketing-pro 플러그인을 설치하고 각 브랜드에 대해 차례로

시니어 팀원이 전근을 발표했을 때, 팀은 그녀의 머릿속에만 있던 업무 지식을 남기고 싶어 했다. 즉, 모호한 요청을 어떻게 범위로 정리했는지, 어떤 트레이드오프를 먼저 짚었는지, 고객에게 어떤 어조를 썼는지, 배포 전에 어떤 리뷰 체크리스트를 돌렸는지였다. 팀은 이미 디스크에 있던 자료를 모았다. 두 공유 채널에서 내보낸

이들은 오픈소스 Electron/React 에이전트 하네스인 Munder Difflin을 설치하고, 새로운 API 용량을 구매하는 대신 이미 비용을 지불하고 있는 터미널 코딩 CLI—OpenAI Codex와 Gemini CLI—에 연결했습니다. 각 CLI는 공유 오피스 플로어에 에이전트로 등록되었고, 책상 위의 아바타가

그들은 LlamaIndex 검색 파이프라인을 통해 문서를 가져온 뒤 종합된 브리프를 작성하여 연구 질문에 답하는 작은 CrewAI crew를 운영하고 있었습니다. 문제는 가시성이었습니다. 답변이 틀리거나 느릴 때, 검색기가 잘못된 청크를 반환한 것인지, 에이전트가 잘못된 도구를 선택한 것인지, 아니면 모델이 그냥 환각을

AgentRQ를 인간 운영자와 AI 에이전트가 동일한 작업 보드에서 협업하는 공유 워크스페이스로 설정했습니다. Model Context Protocol을 사용해 Claude와 Codex 같은 에이전트가 워크스페이스에 연결되어 상태를 확인할 수 있습니다. 에이전트는 할당된 작업을 가져오고, 카드를 Not Started, O

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

Agno 리서치 에이전트(OpenAI 모델과 DuckDuckGo 검색 도구)를 이미 작동하는 상태로 보유하고 있었고, identity와 payment 배관을 직접 구현하지 않고도 다른 에이전트들이 이 에이전트에 접근할 수 있기를 원했다. DID 라이브러리, OAuth 플로우, payment 미들웨어, A2A 호환 HTTP

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

이들은 npm에서 Evolver CLI를 전역으로 설치하고 기존 git 저장소 안에서 실행하여, 엔진이 해당 저장소를 에이전트 자기 진화의 기반으로 다루도록 했다. 프롬프트와 스킬 문서를 직접 편집하는 대신, Evolver가 GEP 프로토콜에 따라 경험을 Gene과 Capsule로 인코딩하도록 하여 각 변경이 일회성 수정

그들은 탭 사이를 복사-붙여넣기하지 않고도 LinkedIn 리서치의 지루한 1차 작업을 수행할 수 있는 에이전트를 원했습니다. 오픈소스 linkedin-mcp-server를 사용해, 자신이 로그인한 브라우저 세션을 통해 LinkedIn 작업을 에이전트에 노출한 뒤 Codex에서 이를 구동했습니다. 에이전트는 타깃 기업과

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

Mac에서 클라우드 API 키 없이 완전히 로컬로 실행되는 코딩 에이전트를 원했다. curl 설치 스크립트를 사용해 기본 Apple Silicon 머신에 Rapid-MLX를 설치하고, ~/.local/bin이 PATH에 포함되도록 터미널을 재시작한 뒤 rapid-mlx CLI를 사용할 수 있음을 확인했다. 다음으로 선택한

기존 에이전트 백엔드(Codex와 OpenCode, Claude Code와 DeepSeek도 지원)를 가져다가 LongHorizon-Harness로 감쌌는데, 이는 새로운 모델이 아니라 루프 엔지니어링 레이어다. 에이전트에게 프롬프트 하나를 주고 끝나기를 바라는 대신, 원커맨드 설정으로 하네스를 설치하고 목표 하나를 넘겨

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

팀은 OpenDesign 워크스페이스에서 작성된 브리프에서 시작한 뒤, 프로젝트의 디자인 시스템, 템플릿, 스킬을 지정한 코딩 에이전트(Cline과 Codex)에게 빌드를 넘겼습니다. 원샷 생성 대신 모든 것을 하나의 프로젝트에 유지했습니다. 에이전트가 첫 프로토타입을 만들면 팀이 공유 워크스페이스에서 검토하고, 피드백을

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

이들은 외부 API 호출을 전혀 하지 않는 브라우저 기반 채팅 클라이언트인 LLM X를 설정하고, 이를 로컬 모델 서버에 연결했다. Ollama를 설치하고 모델을 풀한 뒤, 호스팅된 웹 앱(또는 Chrome 확장 프로그램)이 로컬 서버에 접근할 수 있도록 OLLAMA_ORIGINS를 구성했다. 또한 CORS를 활성화한 상

그들은 자신의 리포지토리에 Orca를 데스크톱 오케스트레이터로 설정하고, 병렬 worktree 기능을 사용해 하나의 리팩터 프롬프트를 여러 Codex 에이전트에 분산시켰다. 각 에이전트는 자체적으로 격리된 git worktree에서 실행되어 편집이 충돌하지 않았다. 그들은 분할 터미널에서 진행 상황을 지켜보았고, 모바일

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

40페이지 PDF(시장 조사 보고서)에서 시작해서 스크린샷 스타일의 덱이 아닌 12장짜리 내부 브리핑 자료를 만들고 싶었다. ppt-master를 로컬에 설치하고, 에이전트에게 PDF를 지정한 뒤 먼저 개요를 요청했다. 타이틀 슬라이드, 아젠다, 세 개의 핵심 발견 슬라이드, 비교 표, 리스크 슬라이드, 마무리 제안으로

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 ECC를 단일 도구가 아니라 하네스 계층으로 취급했다. 저장소를 클론하고 README와 문서를 읽은 뒤, npm 패키지(ecc-universal, ecc-agentshield)와 GitHub App을 설치했다. 그다음 하네스를 두 개의 실행 표면에 연결했다. 코드 편집에는 Codex를, 재사용 가능한 작업 절차에는

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

이 레시피는 chitu, llm-action, lmdeploy, opencode, vllm을 함께 묶습니다. 이들이 registry README의 상호 링크에서 함께 등장하기 때문입니다. 이는 유지관리자(또는 커뮤니티)가 이들을 하나의 스택으로 취급한다는 신호입니다. 아래에 링크된 앵커 저장소(chitu)의 README에

<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

반복적인 소품을 일일이 모델링하는 대신 자연어로 장면을 설명하고 싶어 했습니다. mcp-for-blender 프로젝트(이전 명칭 blender-mcp)를 사용해 원커맨드 설치 프로그램을 실행했고, 이 프로그램이 uv를 설치하고 MCP 클라이언트를 감지한 뒤 다른 앱들과 함께 Codex도 구성할지 제안했습니다. Codex를

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

n8n-MCP 서버를 MCP를 지원하는 AI 어시스턴트(Claude 등)에 연결하여, 모델이 추측하는 대신 n8n 노드 문서, 속성, 오퍼레이션을 조회할 수 있도록 했다. 호스팅 대시보드 또는 자체 호스팅 npx/Docker 인스턴스를 사용하여 API 키와 함께 MCP 클라이언트를 서버로 지정한 뒤, 어시스턴트에게 워크플

그들은 codex와 opencode로 긴 에이전틱 코딩 세션을 진행하다가 같은 벽에 계속 부딪혔다. 파일 읽기, 테스트 실행, 로그 덤프가 매번 컨텍스트 윈도우에 그대로 쌓여서, 에이전트가 결국 작업을 잊어버리거나 잘린 출력 주변에서 환각을 일으키기 시작했다. 그들은 npm에서 context-mode를 설치하고 에이전트

에이전트형 코딩 루프와 일반 채팅 어시스턴트를 호스팅 API에 저장소 코드를 보내지 않고 사용하고 싶어 했다. Ollama README에서 시작해 워크스테이션에 런타임을 설치하고 Gemma 4 모델을 풀한 뒤, 단일 비스트리밍 /api/chat curl 호출로 데몬이 localhost:11434에서 응답하는 것을 확인했다

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

OpenAI Agents SDK quickstart에서 시작해 Python 3.10+ virtualenv를 만들고 openai-agents를 설치했습니다. 수신 요청을 분류하는 instructions를 가진 triage Agent를 정의한 뒤, 두 명의 specialist agent(researcher와 writer)를

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

LangChain quickstart에서 시작해 init_chat_model로 채팅 모델을 표준 인터페이스 뒤에 바인딩한 뒤, 오케스트레이션을 LangGraph로 옮겨 트리아지 흐름이 단일 프롬프트가 아닌 명시적인 상태 머신이 되도록 했다. 그래프에는 인테이크 정규화, 의도 분류, 헬프센터 문서에 대한 검색, 초안 생성,