#AI에이전트 14

가상 위키와 정답표를 기준으로 문서 검색, 답변의 필수 사실, 근거 충실성, 인용, 답변 보류를 나눠 채점하는 방법을 예시와 계산식으로 설명합니다.

장시간 작업하는 에이전트가 단일 행동 검사를 우회한 사례와, 전체 작업 궤적을 감시해야 하는 이유를 설명합니다.

Microsoft Research의 AgentRx가 길고 확률적이며 여러 에이전트가 얽힌 실행 기록에서 결정적 실패 지점과 원인을 어떻게 찾는지 살펴봅니다.

Microsoft CORPGEN 연구가 단일 과제 벤치마크를 넘어 여러 장기 업무를 동시에 처리하는 에이전트의 문제와 해법을 어떻게 검증했는지 살펴봅니다.

자기평가의 함정을 피하기 위한 Planner, Generator, Evaluator 구조와 스프린트 계약, 실제 검증 루프, 비용의 경계를 설명합니다.

OpenAI 연구 조직에서 코딩 에이전트가 병렬 작업, 실험 실행, 분석과 기술 지원을 어떻게 바꾸고 있으며 무엇을 여전히 사람이 결정하는지 살펴봅니다.

에이전트가 train.py를 고치고 5분간 학습한 뒤 val_bpb로 결과를 골라내는 autoresearch의 구조, 성과와 한계를 설명합니다.

카파시가 이름 붙인 Vibe Coding과 실제 제품을 에이전트에게 맡길 때 필요한 완료 조건, 저장소 컨텍스트, 실행, 검증, 정리의 차이를 설명합니다.

카카오, 토스, OpenAI, Meta, Cloudflare의 공개 사례로 조직 지침, 저장소 컨텍스트, 역할별 워크플로, CI 검증을 짧고 쉽게 정리합니다.

Agent가 Context7을 선택하는 근거부터 tools/list로 도구를 발견하고 문서 검색 결과로 코드를 만드는 흐름까지 설명합니다.

AI 코딩 Agent가 Context7 MCP로 최신 개발 문서를 찾아 코드 생성에 사용하는 과정을 만화와 실제 연동 흐름으로 설명합니다.

안드레이 카파시가 제안한 LLM Wiki 패턴 — AI를 검색기가 아니라 지식을 쌓고 정리하는 편집자로 쓰는 법을 그림으로 풀었습니다. raw/LLM/wiki 3계층과 Ingest, Query, Lint 세 동작, 운영법까지.

MCP(Model Context Protocol)는 AI 앱을 외부 도구·데이터에 연결하는 개방형 표준입니다. Host·Client·Server 구조와 Tools·Resources·Prompts, 왜 'AI의 USB-C'라 불리는지를 그림 한 장으로 쉽게 풉니다.

하네스는 한 겹이 아니다. 모델을 감싸면 에이전트가 되고, 그 에이전트를 또 감싸면 내 목적에 맞는 시스템이 된다. 양파처럼 중첩되는 하네스 구조와, 왜 요즘 Claude 위에 하네스를 또 얹는지를 그림 한 장으로 풉니다.