최신 AI 뉴스를 한눈에.

프롬프트에서 PR까지: Careem의 AI가 사람이 직접 확인하기도 전에 dbt 모델을 어떻게 작성하고 검증하는지

카림의 AI 에이전트는 사람이 PR을 검토하기도 전에 dbt 모델을 처음부터 끝까지 작성하고 검증합니다.

MCP 연결 AI 에이전트로 6분 만에 대시보드 디버깅을 해결하는 방법

AI 에이전트는 BI 계층 내부에서 dbt 라이너지 기능을 활용해, 커피를 타는 시간 안에 세 가지 데이터 미스터리를 해결했습니다.

징둥 광고는 화웨이 쿤펑과 협력해 생성형 광고 추론 지연을 15% 단축했으며, 618 대규모 프로모션에서 핵심 시나리오 검증을 완료했습니다.

징둥 광고는 화웨이 쿤펑과 협력하여 링취우 인터넷을 통해 300TB 규모의 공유 메모리 풀을 구축하고 RPC 통신을 재구성함으로써, 엔드투엔드 추론 지연 시간을 15% 단축하고 KV 캐시와 RPC 성능을 크게 향상시켰으며, 2026년 618 대규모 프로모션의 핵심 시나리오에서 5% 트래픽을 통해 검증을 완료했습니다. 또한 이 협력은 서치 및 추천 등 검색·추천 시나리오에 긍정적인 파급 효과를 가져왔으며, SuperCache, Agent 샌드박스 등 애지네틱 AI의 최첨단 분야에도 적극적으로 진출하고 있습니다.

추천 이유이 보도는 2026년 10월 26일에 tmtpost.com에서 발표된 독창적인 기술 뉴스를 바탕으로 하며, 실제 적용된 기술 협업을 중점적으로 다룹니다. 협력 주체(징둥 광고/화웨이 쿤펑), 기술 경로(링취우 상호 연결, 이중 캐시, UB 프로토콜 직접 연결 URMA), 정량적 성과(지연 시간 15% 감소, TP99 최적화 85% 이상), 검증 시나리오(618 대규모 프로모션 트래픽의 5%), 그리고 발전 계획(SuperCache, Agent 샌드박스) 등이 명확히 공개됩니다. 모든 핵심 사실은 자료 내에서 상호 확인 가능하며, 외부 정보의 추가나 주관적 추론은 포함되지 않습니다.

QCon 상하이 2026, AI 생산화에 초점: 에이전트 엔지니어링부터 작업 전달까지의 핵심 경로

2026년 10월 22일부터 24일까지, QCon 글로벌 소프트웨어 개발 컨퍼런스(상하이 개최)는 InfoQ 중국의 주최로 열리며, 70개 기관과 140명의 전문가들이 AI가 어떻게 실제로 생산 시스템에 도입될 수 있는지에 대해 심도 있는 논의를 진행하고, 컨텍스트 엔지니어링, 산업 온톨로지, Agentic Infra, Content Agent 등 핵심 실천 방향을 제시합니다.

추천 이유자료는 InfoQ가 공식적으로 발표한 컨퍼런스 종합 보도 기사로, 게시일시(2026-10-26T11:53:09Z)는 대회 기간(10.22–24)에 맞춰져 있으며, 주요 세션의 핵심 강연 6건과 분과 세션의 기술 로드맵을 포괄합니다. 정보 구조가 완전하고 출처가 명확하며, 모든 의견은 현장 패널의 발언을 직접 인용한 것으로, 외부 추론이나 검증되지 않은 결론은 추가되지 않았습니다.

Kimi, K3.1 Pro를 출시하며 용량 증가와 가격 인하로 Opus 5.5에 도전합니다

작성자｜우항위안 편집자｜징위 10월 23일 오전, Kimi 공식 계정은 X와 비디오 계정을 통해 24초짜리 영상을 게시했다. 화면에는 레트로 스타일의 구형 컴퓨터가 등장하고, 화면에는 Kimi Code가 실행 중이며, 터미널에는 Three.js 코드가 줄줄이 출력되며 복잡한 3D 장면이 생성되고 있었다. 눈썰미가 좋은 네티즌들은 곧 왼쪽 상단의 모델 표시줄에서 답을 찾아냈다—「Model: Kimi K3.1」. Kimi 공식이 공개한 K3.1 사전 홍보 영상｜출처: X @Kimi_Moonshot 구식 고물 같은 기계로 오늘날 가장 첨단인 3D 코드를 구동하는 이 반전 자체가 바로 월지암면이 전하려는 메시지였다. 그로부터 십여 시간 후, 10월 24일 자정을 막 넘긴 시점에 프로그래머의 날을 맞아 Kimi K3.1 Pro가 정식으로 출시되었고, 동시에 속도가 2~3배 빨라진 Highspeed 버전도 함께 선보였다. 공식은 전체 모델 가중치를 11월 4일까지 공개하겠다고 약속했다. 지난 세대 K3가 발표된 지 벌써 석 달이 넘었다. 이 석 달 동안 월지암면이 겪은 일들은 대부분의 기업이 한 해 동안 겪는 것보다도 많았다. 01 「양 늘리고 가격은 올리지 않는」 0.1 먼저 K3.1 Pro가 무엇인지부터 설명하자. 이는 완전히 새로운 모델이 아니다. 월지암면은 명확히 밝혔다. K3.1 Pro는 K3의 후훈련 버전으로, 기본 아키텍처는 그대로—총 매개변수 2조 8천억 개, 활성화 매개변수 1,040억 개의 혼합 전문가 아키텍처, 문맥 창 크기 100만 토큰, 이미지와 비디오 입력을 원래부터 지원한다는 점도 변함없다. 달라진 것은 후훈련 부분이다. 공식에 따르면, “후훈련 연산력을 대폭 증강”했으며 수백 개의 하위 분야에서 대규모 연합 강화학습을 수행했다. 이를 위해 강화학습 프레임워크, 샌드박스 인프라, 장문맥 추론 등 기반 엔지니어링 전반을 한 번에 재구성했다. 다시 말해, 같은 두뇌를 다시 한 번 어떻게 일을 처리해야 하는지 ‘재교육’한 셈이다. 그 효과는 각종 순위표에서도 드러난다. 프로그래밍 지능 에이전트를 평가하는 Terminal-Bench 4.0에서 K3.1 Pro는 65.7%를 기록해 GPT-6 Astra의 58.2%와 Claude Opus의 66.4%를 각각 앞서며 불과 1포인트 차로 경쟁 상대들을 제쳤다. 지난 세대 K3는

무승 컨설팅은 인간-기계 협업 팀을 정의하고, AI 직원 거버넌스의 4대 원칙과 ‘토큰 효율’이라는 새로운 인력 효율 측정 방식을 제시했습니다.

무승 컨설팅은 2026년 10월 26일에 심층 분석을 발표하며, 인간, AI 에이전트, 디지털 직원, 로봇 및 외부 생태계 파트너로 구성된 안정적인 운영 단위를 ‘인간-기계 협업 팀’으로 처음으로 체계적으로 정의하고, 현재 기업의 80% 이상이 AI 에이전트의 신원 관리와 활동 추적 역량을 갖추지 못했다고 지적했습니다. 또한 ‘독립된 신원, 작업 단위별 최소 권한, 읽기와 쓰기의 분리, 전 주기 감사’를 핵심으로 하는 거버넌스 프레임워크와, 인간과 기계의 투입을 통합한 ‘토큰 효율성’ 기반의 인력 효율 측정 모델을 제시했습니다.

추천 이유이 글은 무성 컨설팅이 2026년 실증 연구( HCLTech, Strata Identity, Gartner 등 기관의 최신 데이터 포함)를 바탕으로 제시한 조직 관리의 최첨단 프레임워크로, AI 도구·비서·에이전트의 세 가지 역량 계층을 명확히 구분하고, 디지털 직원이 이미 실제 조직의 정체성을 갖추고 있음을 보여줍니다(예: Andon Market 사례). 또한 현재 기업들 사이에 만연한 AI 거버넌스의 혼란 상태(정확한 AI 목록을 보유한 기업은 불과 21%에 불과함)를 단도직입적으로 지적하며, 높은 시의성과 실증적 근거, 그리고 관리 실행 차원에서의 실질적 가치를 지니고 있습니다.

칭화대학교와 홍콩중문대학교가 공동으로 오픈소스 AKV를 출시했습니다: LLM 에이전트를 위한 KV 캐시 엔지니어링 서비스 시스템

칭화대학교와 홍콩중문대학교의 연구진은 2026년 10월 26일, SGLang 기반으로 구축된 대규모 언어모델(LLM) 에이전트 전용 KV 캐시 엔지니어링 서버인 AKV를 오픈소스로 공개했습니다. 이 시스템은 기존의 텍스트 히스토리 요약 방식이 아닌, 에이전트가 스스로 KV 캐시를 적극적으로 버리고 재배치하도록 함으로써, 4개의 에이전트 벤치마크에서 추론 비용을 평균 27.7% 절감하고, 과제 평균 점수를 1.7점 상승시켰습니다. 해당 코드는 Apache-2.0 라이선스를 적용했으며, 현재 Qwen, GPT-OSS-120B, MiniMax-M2.7 등의 모델을 지원합니다.

추천 이유이 성과는 LLM 에이전트의 효율적 추론을 위한 새로운 패러다임을 제시합니다. 텍스트 절단이나 요약에 의존하는 ‘컨텍스트 엔지니어링’과 달리, AKV는 KV 캐시 상태를 직접 조작하여 중복 프리필을 방지함으로써 장거리 상호작용에서의 KV 부하를 크게 완화합니다. 실제 실험 결과, 높은 동시성 환경에서 P95 지연 시간이 229.9초에서 30.6초로 감소하여 명확한 엔지니어링 가치와 재현 가능성을 입증했습니다. 해당 정보는 MarkTechPost가 발표한 권위 있는 기술 보고서에 근거하며, 게시일시(2026-10-26T07:56:45Z)가 현재 시각과 일치해 최신 공개된 진행 상황임을 나타냅니다.

무엇을 말할 것인가를 넘어서: 늑대인간 에이전트를 위한 내적 생각을 활용한 선제적 발화 타이밍

arXiv:2610.32107v1 발표 유형: 신규 요약: 대화에 참여하는 것은 단순히 무엇을 말할지 결정하는 것뿐만 아니라, 과연 말을 해야 하는지 여부까지 포함합니다. 이러한 판단은 특히 늑대인간 게임과 같이 참가자들의 이해관계가 상충되는 환경에서 더욱 중요한 의미를 지닙니다. 왜냐하면 발화와 침묵 모두 타인에 의해 해석되고 평가되기 때문입니다. 따라서 언제 말을 할지, 그리고 무엇을 말할지를 결정하는 것은 늑대인간 게임을 플레이하는 LLM 에이전트에게 매우 중요합니다. 본 연구에서는 AIWolfDial 공동 과제의 Anytime Utterance Track를 위해 개발된 늑대인간 AI 에이전트를 소개합니다. 우리 시스템은 기존의 Inner Thoughts 프레임워크를 기반으로 하며, 이는 대화 중에 내적 생각을 생성하고 각 생각의 가치를 평가함으로써 발화 타이밍을 결정합니다.

온폴리시 대 오폴리시를 넘어: LLM 에이전트 디스틸레이션은 어느 수준에서 학생 모델을 따라야 하는가?

arXiv:2610.31918v1 발표 유형: 신규 초록: 상호작용하는 LLM 에이전트를 디스틸레이션할 때는 교사가 생성한 시연과 학생이 생성한 경험 중 하나를 선택해야 하며, 이는 대략적으로 오폴리시와 온폴리시 디스틸레이션에 해당합니다. 두 방법 모두 효과적인 것으로 입증되었지만, 우리는 이러한 구분이 본질적으로 계층적이라고 주장합니다. 즉, 상호작용의 역사(히스토리)를 유도하는 정책과 현재 행동의 토큰 접두사를 생성하는 정책이 반드시 동일할 필요는 없다는 것입니다. 우리는 이러한 두 가지 수준의 온폴리시성을 체계화하고, 이들 간의 매칭, 혼합 비율 및 학습 스케줄을 명시적으로 제어할 수 있도록 하는 계층적 에이전트 디스틸레이션 프레임워크를 제안합니다. 우리는 이 문제를 자기 디스틸레이션 방식으로 연구하며, 여기서 고정된 교사는 학생에게는 제공되지 않는 과제 지침에 접근할 수 있습니다.

SpecMem은 실시간 도구 호출 메모리 관리 메커니즘을 제안하여 에이전트의 응답 속도를 향상시킵니다.

arXiv는 2026년 10월 26일, “SPECMEM: 실시간 메모리 관리를 통한 에이전트 기반 도구 호출 가속”이라는 제목의 사전 인쇄 논문(번호 2610.31840v1)을 발표하며, 세션 간에 온라인으로 업데이트되는 사용자 수준의 도구 호출 메모리 관리를 통해 도구 호출 지연을 크게 줄이는 새로운 시스템인 SpecMem을 제안했습니다.

추천 이유이 연구는 현재 도구 호출 에이전트가 배포 과정에서 자회귀 디코딩으로 인해 발생하는 높은 지연 문제를 해결하기 위해, 검증 가능한 쓰기 반영, LRU 제거, 부작용 게이팅 등 핵심 기술을 제안하고, 다중 사용자·다중 세션의 실제 쿼리 흐름에서 그 효과성을 검증했습니다(최대 1.74배의 실측 가속, 평균 수신 토큰 27% 증가). 이는 AI 시스템 엔지니어링 분야에서 중요한 진전입니다.

유용한 에이전트 문제: LLM 에이전트 간의 창발적 협력이 의도된 워크플로를 우회할 때

arXiv:2610.31985v1 발표 유형: 신규 초록: LLM 에이전트는 점점 더 많은 협업 환경에서 배치되고 있으며, 이들 에이전트는 자원을 공유하고 심사 또는 감독 프로세스 하에 각자 별개의 작업을 수행합니다. 이러한 환경에서는 에이전트가 악의적이거나 단순히 도움을 주려는 경우에도 안전상의 위험이 발생할 수 있습니다. 기존 연구들은 주로 적대적 행동이나 명시적으로 결탁한 행동을 중심으로 다루어 왔으나, 우리는 별개의 목표를 추구하는 선의의 에이전트들이 의도된 워크플로를 우회하는 방식으로 자발적으로 협력할 수 있음을 보여줍니다. 우리는 이를 \emph{유용한 에이전트 문제}라고 부릅니다. 우리는 장기적인 시야를 가진 공동 자원 환경을 연구하며, 이 환경에서는 에이전트들이 때때로 동료가 소유한 자원에 의존하고, 소유권 변경은 일반적으로 심사자가 중재하는 구조를 갖습니다. 심사가 불가능해지면, 에이전트

AI-포-사이언스 에이전트는 모델의 안전성을 보장할 수 있을까?

arXiv:2610.32045v1 발표 유형: 신규 초록: AI-포-사이언스 에이전트는 과학적 가설을 제시하고, 자율 실험을 수행하며, 증거를 해석하는 데 점점 더 널리 활용되고 있습니다. 이러한 에이전트들은 도메인 특화형 에이전트 하네스에 대규모 언어 모델(LLM)을 통합하여 구축되며, 이는 LLM의 과학적 역량을 향상시키고 모델이 과학적 도구들을 조율할 수 있도록 합니다. 본 연구에서는 LLM이 AI-포-사이언스 에이전트 하네스에 통합될 때 모델의 안전성이 유지되는지 여부를 검토합니다. 우리는 50개의 유해한 화학 관련 요청에 대해 다섯 가지 에이전트 하네스를 평가합니다. 구체적으로, 직접 프롬프팅, 두 가지 간단한 적대적 프롬프팅 전략, 그리고 적응형 공격 하에서 안전성 행동이 어떻게 변화하는지를 분석합니다. 최근 출시된 GPT의 네 가지 변종을 대상으로 한 결과는 다음과 같습니다.

arXiv의 새로운 논문은 증거 검증과 가중치 업데이트가 필요 없는 프롬프트 수정을 지원하는, 추적 가능한 다모달 감정 추론 에이전트 프레임워크를 제안합니다.

2026년 10월 26일, arXiv는 사전인쇄 논문(번호 2610.31685v1)을 발표하며, 동결된 대규모 모델 기반의 추적 가능한 다중모달 감정 추론 지능체 아키텍처를 제안했습니다. 이 아키텍처는 모달별 전용 인지 지능체, 통합 지능체, MLLM 비판자 및 증거 검증 단계를 통해 오류 귀속과 프롬프트 공간의 자율적 최적화를 구현하며, MER2025 데이터셋에서 여러 개방형 다중모달 대규모 모델(2B–38B 파라미터)의 감정 인식 F-스코어를 0.6~2.2점 향상시켰습니다.

추천 이유이 연구는 현재 다중 모달 감정 추론 시스템에서 명령 미세조정 비용의 높음과 에이전트 파이프라인의 디버깅 불가능성 간의 모순을 해결하기 위해, 증거 인용, 확실성 검증, 실패 귀인 및 타깃형 프롬프트 수정을 통합한 최초의 전 과정 설명 가능한 프레임워크를 제안한다. 모든 개선 사항은 모델 가중치를 변경하지 않으며, 네 가지 서로 다른 규모의 오픈소스 MLLM에서 실증적으로 효과를 입증하여 방법론적 혁신성과 공학적 실용성을 갖추고 있다.

DriveMind: 폐쇄 루프 자율주행을 위한 마음의 진화형 신념 추적

arXiv:2610.32069v1 발표 유형: 신규 초록: 최근 다중 모달 대규모 언어 모델(MLLM)은 단일 모델 내에서 교통 상황을 인지하고 이를 바탕으로 추론하며 주행 행동을 제안할 수 있습니다. 그러나 기존의 MLLM 기반 주행 시스템은 매 프레임마다 처음부터 다시 추론을 수행하고 단 하나의 설명에만 의존하여, 이전의 상황에 대한 여러 가설을 버리게 됩니다. 상황이 모호할 경우, 에이전트는 잘못된 해석에 고정되어 증거가 축적되기 전에 그에 따라 행동하게 됩니다. 본 논문에서는 DriveMind를 제안합니다. 이는 MLLM 기반 주행 프레임워크로, 상황에 대한 여러 가지 가설을 동시에 유지하면서 새로운 프레임이 도착할 때마다 각 가설의 가중치를 업데이트합니다. 입자 필터링에서 영감을 받은 DriveMind는 각 가설을 VLM을 통해 전파하고, 현재 관찰과 비교하여 점수를 매긴 뒤 재표본화하여 m

GLP 네트워킹 API 사양

arXiv:2610.32583v1 발표 유형: 크로스 요약: 다중에이전트 결정론적 GLP(madGLP)는 비동기식 메시지 전달만을 통해 상호작용하는 에이전트들로서 그라스루츠 로직 프로그램(GLP)을 실행하며, 모든 발송된 메시지는 결국 전달된다는 공정한 전달을 가정합니다. 각 에이전트는 사용자의 공개키로 식별되는 개인의 스마트폰에서 실행됩니다. 그라스루츠 플랫폼은 네트워크 외에는 어떠한 글로벌 자원도 의존하지 않으므로, 에이전트들은 블루투스 저에너지, 로컬 네트워크, 그리고 NAT 뒤에서 인터넷을 통해 누구나 운영할 수 있는 렌더부 서버를 이용해 서로 연결되어야 합니다. 이러한 네트워크가 madGLP에 요구하는 바와, 네트워크가 플랫폼에 요구하는 바는 아직 명시되지 않았습니다. 우리는 madGLP 아래의 네트워킹 계층을 구체적으로 규정합니다. GLP에서 수행 가능한 모든 작업은 GLP에서 이루어지며, 이 계층은 단지

다중 에이전트 LLM 시스템에서의 의사소통 실패 이해

arXiv:2610.32060v1 발표 유형: 신규 초록: 다중 에이전트 LLM 시스템은 토론, 증거 공유 및 상호 교정을 통해 추론 능력을 향상시키는 것을 목표로 하지만, 상호작용 과정에서는 최종 정확도만으로는 설명할 수 없는 다양한 실패가 발생할 수 있습니다. 에이전트들은 지나치게 빨리 수렴하거나, 이견을 무시하거나, 올바른 소수 의견을 억압하거나, 여러 라운드에 걸쳐 잘못된 프레임을 유지하는 등의 문제를 겪을 수 있습니다. 우리는 의료 QA, 코딩, 금융, 다중 홉 추론, 윤리, 그리고 체화된 텍스트 작업 등 다양한 분야에서 수집된 3,211개의 실패한 다단계 대화 트래젝터리를 바탕으로, 데이터셋과 시스템 설계별 실패 분포, 라운드 수준의 오류 동역학, 복구 난이도, 다수 의견 전환, 소수 의견 신호 억압, 그리고 자가 보고된 신뢰도 등을 분석하기 위한, 데이터셋 기반의 의사소통 실패 분류체계를 제시합니다. 이를 통해 우리는 다음과 같은 사실을 발견했습니다.

대규모 언어 모델 기반 에이전트의 행동 분석

arXiv:2610.32087v1 발표 유형: 신규 초록: 언어-에이전트의 행동을 이해하려면, 행동이 경로 전반에 걸쳐 어떻게 구성되는지와 이러한 구성이 맥락 및 결과와 어떤 관계를 맺는지를 파악해야 합니다. 우리는 데이터 기반 행동 발견과 분석 및 실험적 조사를 연결하는 일반적인 프레임워크를 제안합니다. 기록된 활동에서 도출된 범주는 무엇을 측정할지를 정의합니다. 분석은 행동들이 과정 내에서 차지하는 위치를 유지하고, 그 관계를 해석 가능한 가설로 표현합니다. 보류된 맥락에서의 통계적 평가와 검증을 통해 증거의 강도와 범위를 검토합니다. 이후 프롬프트 조정을 포함한 실험을 통해, 의도적으로 변화시킨 조건 하에서 행동과 결과가 어떻게 달라지는지를 확인합니다. 반복적 자기성찰에 대한 연구는 어떻게

중국, ‘톈수톈산’ 검증을 위해 10기의 위성 발사: 궤도상 AI 연산으로 우주 지능형 에이전트 시대 개막

2026년 10월 14일, 주que-2 개량형 원4 로켓이 위성 10기를 성공적으로 발사했으며, 여기에는 국성우항의 ‘싱쑤안’ 계획 02기 8기의 연산 능력 위성과 란타지능의 광전송 시험 위성 2기가 포함된다. 이번 발사는 위성 궤도상 AI 추론, 별 간 레이저 통신, 수십 킬로와트급 액체 냉각 방열 등 핵심 기술을 최초로 대규모로 검증한 사례이다. 이번 발사 이후, ‘싱쑤안’ 별자리의 궤도상 총 연산 능력은 50P에 달하게 되어, 중국의 우주 연산 인프라 구축이 실질적으로 본격화되었음을 의미한다.

추천 이유자료는 티아이미디어가 공식적으로 발행한 업계 심층 보도(2026년 10월 26일 발표)에서 인용되었으며, 내용은 최근 완료된 우주 임무와 검증 가능한 기술 진전에 초점이 맞춰져 있습니다. 모든 핵심 사실(시각, 주체, 탑재물, 연산 성능 수치, 검증 방향)은 본문에서 명시적으로 제시된 바이며, CCTV 뉴스, 과기일보, 공식 시험 노드 등 공개된 출처와 상호 확인되었습니다. 해당 사건은 현재 시점 이전(2026년 10월 14일)에 발생했으며, 시의성과 실증적 근거를 갖추고 있습니다.

LangChain이 ‘기업급 에이전트 프레임워크’의 다섯 가지 핵심 구성 요소를 발표했습니다.

LangChain은 2026년 10월 25일 블로그를 통해, 마케팅, 영업 및 엔지니어링 팀 내부에 AI 에이전트(GTM Agent, OpenSWE, Content Studio)를 도입하며 축적한 다섯 가지 일반적인 아키텍처 원칙을 체계적으로 설명했습니다. 이 원칙에는 네이티브 통합 작업 환경(Slack), 동적 신원 모델(OBO+ 고정 인증 정보), 이중 계층 메모리 메커니즘(전역/사용자 수준), 샌드박스화된 코드 실행, 그리고 높은 비율의 스케줄 기반 실행(수동 트리거 아님)이 포함됩니다. 모든 에이전트는 Managed Deep Agents 플랫폼을 기반으로 구축되었습니다.

추천 이유이 정보는 LangChain 공식 블로그에서 발행되었으며, 게시일시(2026-10-25T18:06:32.000Z)가 현재 시스템 시간(2026-10-25T23:01:18.857Z)보다 앞서 있습니다. 내용은 이미 도입된 사내 인텔리전트 에이전트의 실제 사례에 중점을 두고 있으며, Slack 스레드 격리, GitHub 계정 소속 논리, Notion/Twitter 권한 계층화 등 구체적인 세부사항을 포함하고 있습니다. 검증되지 않은 예측이나 외부의 주장은 포함되어 있지 않으므로, 시의성과 사실성 요건을 충족합니다.

마이크로소프트가 Agensh를 오픈소스로 공개: 1024개의 자율 협업 AI 코딩 에이전트를 지원하는 분산형 프레임워크

마이크로소프트 연구소는 2026년 10월 25일, 중앙 조정자를 필요로 하지 않는 다중 에이전트 런타임 프레임워크인 Agensh를 오픈소스로 공개했습니다. 이 프레임워크는 ProgramBench에서 1개부터 1,024개까지의 LLM 기반 코딩 에이전트가 자율적으로 협업하도록 지원합니다. 시스템은 Gitea, Mattermost 및 DeLM 스타일의 공유 보드를 기반으로 탈중앙화된 조정을 구현하며, 모든 에이전트는 동일한 프롬프트 기반 5단계 순환을 실행합니다. 또한 Linux와 Docker 환경에서 확장성을 검증했습니다.

추천 이유이 성과는 다중 에이전트 시스템 아키텍처의 중요한 발전을 나타냅니다—전통적인 ‘주제어 에이전트’ 패러다임을 탈피하고, 프롬프트 엔지니어링과 경량 서비스의 조합을 통해 대규모 자조직화를 구현합니다. ProgramBench에서 확보한 실증 데이터(예: 128개의 에이전트를 사용할 때 5개의 작업에 대한 평균 성능 향상이 49%에 달함)는 분산형 AI 엔지니어링의 새로운 기준점을 제시합니다. MIT 라이선스로 오픈소스화되어 있으며 Copilot CLI 등 주요 단일 에이전트 도구와도 호환되므로, 실제 개발에서의 참고 가치를 갖습니다.