에이전트 뉴스
키워드 에이전트 결과입니다.
-
새 소식
AI가 코드를 쓰는 시대, antirez는 왜 다시 C로 만드는가
레디스(Redis)의 창시자 antirez가 최근 AI 모델을 위한 순수 C 기반의 로컬 추론 엔진들을 잇달아 공개하고 있습니다. 그는 AI를 단순한 코드 작성 도구가 아닌 아이디어와 설계를 검증하는 보조 수단으로 활용하며, 의존성을 줄이고 내부 동작을 직접 통제하는 시스템 프로그래밍 철학을 AI 시대에도 이어가고 있습니다.
GPT 모델Apple동작 원리에이전트이탈리아 -
새 소식
Grok 4.6 공개, 파라미터 확장 대신 사후학습에 투자한 모델
xAI가 사전학습 규모 확장 대신 사후학습과 추가 학습 과정을 강화한 신규 AI 모델 'Grok 4.6'을 공개했다. 이번 모델은 주요 벤치마크 지수에서 GPT-5.6 Sol과 동률을 기록했으며, 다단계 작업과 에이전트 코딩 성능이 크게 향상된 것이 특징이다.
에이전트CIAAPI취약점AI -
새 소식
Unsloth Desktop - 로컬 AI 모델 실행/학습/에이전트를 하나로 묶은 오픈소스 앱
Unsloth가 로컬 AI 모델의 실행, 학습, 에이전트 기능을 통합한 오픈소스 데스크톱 앱 'Unsloth Desktop'을 출시했다. 이 앱은 다양한 모델 포맷과 크로스플랫폼을 지원하며, 빠른 파인튜닝과 샌드박스 실행, 오프라인 구동 등의 기능을 제공한다.
AnthropicNvidia로컬 LLM에이전트클라우드 -
새 소식
Unsloth, Qwen3.8 2.4T를 397GB로 줄여 로컬 실행 지원
Unsloth가 4.89TB에 달하는 Qwen3.8-2.4T MoE 모델을 동적 양자화를 통해 397GB로 축소하여 고사양 워크스테이션에서 로컬 실행할 수 있는 가이드와 버전을 공개했다. 이번 기술은 데이터센터급 모델의 자체 실행 범위를 워크스테이션까지 확장한 것으로, 다양한 로컬 실행 도구와 API 서빙을 지원한다.
데이터센터에이전트APILLMGPU -
새 소식
palmier-pro - AI를 위해 만든 macOS 영상 편집기
palmier-pro는 AI를 워크플로에 통합하여 사용자와 에이전트가 함께 영상을 편집할 수 있는 오픈소스 macOS 전용 영상 편집기입니다. 프리미어 프로를 지향하며 다양한 AI 모델과 외부 에이전트 연동을 지원하고, 편집기와 MCP 서버는 무료로 제공됩니다.
생성형 AImacOSAppleSWIFT에이전트 -
새 소식
Orca - 여러 병렬 코딩 에이전트를 위한 오픈소스 ADE
지난달 웹로그 분석 서버의 Access Log 데이터를 조회해 보다가 팀룸에서 깊은 한숨이 터져 나왔습니다. 서비스 전체 HTML 요청 트래픽을 전수 조사한 결과, 일반 사용자의 웹 브라우저에서 발생한 HTTP 요청 비율이 불과 48%에 불과했기 때문입니다. 나머지 52%의 트래픽은 사람이 아닌 AI 에이전트, 서치봇, 그리고 각종 자동화 스크립트가 발생시킨 요청이었습니다. 더 큰 문제는 마케팅팀과 함께 진행한 서비스 노출 분석 결과였습니다. 매달 수천만 원의 예산을 들여 검색엔진 최적화(SEO) 작업을 진행했고, 구글 검색 결과 상위 3위 이내에 서비스 이름을 올리고 있었지만 실제 신규 유입 구매 전환율은 지난분기 대비 35%나 급락해 있었습니다. 고객들이 더 이상 검색창에 키워드를 치고 들어와 블로그나 상세 페이지를 직접 하나씩 읽지 않고 있었습니다. 대신 퍼플렉시티, 서치GPT, 클로드 에이전트 같은 답변 엔진(Answer Engine)에게 "내 상황에 가장 적합한 B2B 모니터링 솔루션 하나만 골라줘"라고 명령하고 있었던 겁니다. 정작 그 AI 에이전트들은 수많은 자바스크립트로 떡칠된 우리 홈페이지에 들어와 빈 화면만 긁어가거나, 복잡한 DOM 구조를 해석하지 못해 경쟁사 서비스를 최종 답변으로 추천하고 있었습니다. 구글 상위에 노출되어도 정작 AI 에이전트의 선택을 받지 못하면 비즈니스가 고사하는 시대가 눈앞에 도래했던 것이죠. 독자 여러분께 오늘 글을 한 줄로 요약해서 말씀드리면 이겁니다. 웹 서비스의 생존 공식은 이제 사람을 위한 SEO(검색엔진 최적화)에서 AI 에이전트가 쉽게 읽고 강력하게 추천하도록 만드는 AEO(답변 엔진 최적화) 아키텍처로 완전히 전환되었습니다. 1. 화려한 쇼윈도에서 AI 전용 드라이브스루로 기존의 웹 아키텍처는 온전히 '사람의 눈'을 위해 최적화되어 있었습니다. 화려한 CSS 애니메이션, 사용자 반응형 자바스크립트 컴포넌트, 시각적 브랜딩 요소가 웹사이트의 가치를 결정했습니다. 비유하자면 아름답게 인테리어가 된 백화점 쇼윈도와 같았죠. 하지만 AI 에이전트에게 이러한 화려한 쇼윈도는 그저 거대한 소음이자 파싱 에러를 유발하는 장애물일 뿐입니다. AI 에이전트가 원하는 것은 화려한 백화점 매장이 아니라, 정확한 규격으로 물품이 정리되어 0.1초 만에 픽업할 수 있는 '무인 드라이브스루'입니다. 챗GPT나 퍼플렉시티 같은 에이전트는 웹을 방문할 때 HTML 태그나 자바스크립트 실행 결과보다는, 즉시 언어모델이 이해할 수 있는 Clean Markdown, 구조화된 메타데이터(JSON-LD), 그리고 호출 가능한 API 사양(OpenAPI Spec)을 원합니다. 우리는 즉시 웹 아키텍처 개편 작업에 착수했습니다. 기존의 SSR/CSR 혼합 구조 위에 AI 에이전트 전용 콘텐츠 제공 레이어를 결합하는 AEO(Answer Engine Optimization) 백엔드 파이프라인을 구축했습니다. 전환 후 우리가 얻은 정량적 KPI 결과는 놀라웠습니다. 인간 대 에이전트 트래픽 비율 : 전체 HTML/Data 요청 중 에이전트 비중 52% 이상 차지 확인 AI 에이전트 파싱 성공률 : 기존 38% 수준에서 AEO 적용 후 96%로 대폭 상승 답변 엔진 추천 노출 빈도 : 주요 AI 서비스 내 서비스 추천 지수 4.2배 증가 에이전트 응답 생성 시간(TTFT) : 엣지 마크다운 캐싱을 통해 수집 latency 55% 단축 2. 자바스크립트 렌더링에 갇힌 AI 에이전트의 통곡 물론 아키텍처를 교체하는 과정이 순탄치만은 않았습니다. 가슴 아픈 시행착오 잔혹사가 있었습니다. 처음에 우리는 "어차피 요즘 LLM 크롤러들은 Headless Chrome을 돌리니까 문제없겠지"라고 안일하게 생각했습니다. React 기반의 레거시 코드를 그대로 둔 채 robots.txt만 풀어두었던 것이 화근이었습니다. 어느 날 새벽, AI 서비스들이 우리 서비스를 엉뚱하게 설명하거나 "해당 서비스의 요금제 정보를 찾을 수 없습니다"라는 허위 답변(Hallucination)을 내놓고 있다는 고객 제보가 접수되었습니다. 웹서버 로그를 정밀 분석해 보니, AI 에이전트의 크롤러들은 비용과 속도 문제로 인해 자바스크립트를 1초 이상 기다려주지 않았습니다. React가 Hydration을 완료하고 API를 호출해 화면을 뿌려주기도 전에 빈 <div id="root"></div> 태그만 긁어가서 학습하거나 답변을 생성해 버린 것이었습니다. 설상가상으로, 보안 팀에서 설정해 둔 WAF(Web Application Firewall)가 문제였습니다. 평소보다 빠른 속도로 페이지를 긁어가는 Cloudflare 및 OpenAI 계열의 에이전트 IP들을 악성 Bot으로 오인하여 HTTP 403 Forbidden으로 차단하고 있었습니다. 에이전트는 우리 사이트에 접근조차 못 하고 돌아서버렸고, 결과적으로 AI의 추천 생태계에서 우리 브랜드가 한순간에 소멸했던 겁니다. 이 잔혹사를 겪고 난 뒤에야 우리는 AI 에이전트를 차단의 대상이 아닌, 매출을 가져다주는 'VIP 사용자의 대리인'으로 재정의하게 되었습니다. 3. 에이전트가 스스로 결제까지 처리하는 3단계 백엔드 개편 우리는 웹 응답 아키텍처를 근본적으로 개편했습니다. Cloudflare에서 선보인 Agent Readiness 지표와 AEO(Answer Engine Optimization) 도구를 적극적으로 백엔드 파이프라인에 이식했습니다. 현장에서 바로 적용할 수 있는 3단계 개편 가이드는 다음과 같습니다. 1단계: Content Negotiation 기반 Clean Markdown 레더링 : 클라이언트가 요청을 보낼 때 HTTP Accept 헤더에 text/markdown 을 포함하거나 User-Agent가 에이전트로 확인되면, 무거운 HTML/JS 대신 렌더링이 완료된 순수한 Markdown 텍스트와 JSON-LD 메타데이터만 반환하도록 엣지 워커(Edge Worker)를 배치했습니다. 2단계: robots.txt와 sitemap.xml의 에이전트 친화적 표준화 : 단순 크롤링 허용을 넘어, AI 에이전트가 인증 및 API 도구를 식별할 수 있도록 .well-known/ai-plugin.json 과 OpenAPI v3.1 스펙을 sitemap에 명시적으로 연결했습니다. 이제 에이전트는 우리 사이트에서 정보를 읽을 뿐만 아니라 API를 호출해 예약이나 조회 동작까지 수행합니다. 3단계: Cloudflare AEO 및 Agent Readiness 진단 자동화 : CI/CD 파이프라인 상에 Cloudflare Agent Readiness Diagnostics를 연동했습니다. 배포 시마다 에이전트 시각에서 사이트가 100% 파싱 가능한지, 답변 엔진에 원활히 추천될 수 있는 구조인지 자동 평가하고 점수화합니다. 에이전트 퍼스트 시대를 맞이하는 아키텍트의 자세 과거 웹의 시대에는 브라우저 화면을 예쁘게 만드는 개발자가 대세였고, 모바일 시대에는 반응형 UI와 앱 아키텍처가 핵심이었습니다. 하지만 2026년 현재, 우리가 마주한 AI 에이전트 시대의 백엔드 아키텍트는 완전히 새로운 질문을 던져야 합니다. "내 시스템은 AI 에이전트가 0.1초 만에 이해하고 신뢰할 수 있는 구조인가?" 더 이상 구글 검색 키워드 1위에 집착하지 마세요. 에이전트가 내 사이트를 탐색(Discover)하고, 읽고(Read), 확신을 갖고 사용자에게 추천(Recommend)할 수 있도록 백엔드의 물류망을 개단해야 합니다. 내일 출근하시면 당장 여러분 서비스의 HTTP header와 robots.txt, 그리고 자바스크립트 비의존성 응답을 점검해 보세요. 여러분의 서비스를 이용할 다음 진짜 고객은 사람이 아니라, 그 사람을 대신해 결제 버튼을 누를 AI 에이전트일지 모릅니다. 아래에 내일 출근해서 백엔드 및 DevOps 팀과 당장 복사해 쓸 수 있는 [AEO 백엔드 점검 체크리스트]와 [에이전트 변환 테스트 프롬프트/CLI 가이드]를 하나의 코드 블록으로 정리해 두었습니다. 지금 바로 복사해서 여러분의 서버 환경에 적용해 보세요. =============================================================================== AI 에이전트 준비도(Agent Readiness) 및 AEO 백엔드 실전 점검 팩 =============================================================================== [PART 1: 백엔드 & 인프라 AEO 점검 체크리스트] [ ] 1. HTTP Content Negotiation 설정 - Accept 헤더가 'text/markdown' 일 때 Clean Markdown을 반환하는가? - 에이전트 요청 시 무거운 JS/CSS를 제거한 경량화된 데이터를 제공하는가? [ ] 2. WAF 및 보안 정책 재정의 - OpenAI, Anthropic, Perplexity, Cloudflare 에이전트 IP가 403/429로 차단되지 않는가? - Rate Limit 정책이 인간 브라우저와 AI 에이전트 세션별로 분리되어 있는가? [ ] 3. 구조화된 데이터 및 메타데이터 구축 - JSON-LD (Schema.org) 스펙이 모든 상품/서비스 페이지에 정확히 삽입되어 있는가? - 서비스 요금, FAQ, 핵심 피처가 환각(Hallucination) 없이 파싱 가능하게 명시되었는가? [ ] 4. 에이전트 전용 Action API 인터페이스 제공 - /.well-known/ai-plugin.json 파일이 정상 제공되는가? - OpenAPI v3.1 규격의 API Spec이 에이전트에 공개되어 인보크 가능한가? [PART 2: curl 기반 엣지 서버 에이전트 응답 테스트 CLI] # 1. AI 에이전트 User-Agent 및 Accept 헤더 시뮬레이션 테스트 curl -i -X GET " https://your-service.com/product/123" ; \ -H "User-Agent: Mozilla/5.0 (compatible; GPTBot/1.0; + https://openai.com/gptbot )" \ -H "Accept: text/markdown, text/html" # 2. robots.txt 내 에이전트 관련 Allow 및 Sitemap / AI-Plugin 경로 검증 curl -s " https://your-service.com/robots.txt" ; | grep -iE "(User-agent|Sitemap|Allow|Disallow)" # 3. JSON-LD 메타데이터 수집 테스트 curl -s " https://your-service.com/product/123" ; | grep -A 20 '<script type="application/ld+json">' [PART 3: LLM 에이전트 파싱 성능 및 추천 검증 프롬프트 템플릿] [역할 정의] 당신은 최첨단 AI 에이전트 파싱 및 AEO(Answer Engine Optimization) 데이터 분석가입니다. [요청 사항] 아래 제공된 [웹페이지 응답 데이터]를 읽고, AI 에이전트 시각에서 다음 3가지를 평가해 주세요. 1. 정보 명확성 (Clear Readability): - 자바스크립트 실행 없이 순수 텍스트만으로 서비스의 핵심 기능, 가격, 사용법을 100% 파악할 수 있습니까? - 모호하거나 환각을 유발할 수 있는 구조가 있습니까? 2. 구조화 데이터 완성도 (Metadata Integrity): - JSON-LD 및 HTML 메타 데이터에서 주요 Entity(가격, 요금제, API 엔드포인트)가 명확히 추출됩니까? 3. 답변 엔진 추천 지수 (Recommendation Feasibility Score: 1~10점): - 사용자가 "가장 적합한 B2B 솔루션을 추천해 줘"라고 물었을 때, 이 데이터를 바탕으로 이 서비스를 확신 있게 추천할 수 있습니까? 부족하다면 어떤 Markdown/메타데이터가 추가되어야 합니까? [웹페이지 응답 데이터] (여기에 curl로 긁어온 서비스의 Markdown 또는 HTML 응답 텍스트를 붙여넣으세요) ===============================================================================
AnthropicAI 에이전트React챗GPT에이전트 -
새 소식
Paseo - 여러 코딩 에이전트를 데스크톱/모바일에서 관리하는 오케스트레이터
자신의 구독을 그대로 사용해, 터미널에서 실행되는 모든 CLI 에이전트 (Codex/ClaudeCode/OpenCode/Pi 등)를 구동 Parallel Worktrees 로 각 에이전트를 격리된 git worktree 에서 나란히 실행하고 한 곳에서 추적 하나의 프롬프트를 다섯 개 에이전트에 분산 후 결과 비교/우승본 병합 Mobile Companion 앱으로 휴대폰에서 에이전트 모니터링/제어, 작업 완료 알림 수신 및 원격 후속 지시 전송 Terminal Splits : WebGL 렌더링 기반 Ghostty급 터미널, 무한 분할 및 재시작 후에도 유지되는 스크롤백 제공 Design Mode : 실제 Chromium 창에서 UI 요소 클릭 시 해당 HTML/CSS/잘라낸 스크린샷 을 에이전트 프롬프트로 전송 GitHub & Linear 네이티브 연동 으로 PR/이슈/프로젝트 보드를 앱 내 탐색, 컨텍스트 전환 없이 리뷰 SSH Worktrees : 고성능 원격 서버에서 파일 편집/git/터미널 전체 기능 사용, 자동 재연결 과 포트 포워딩 포함 Annotate AI Diffs : diff 라인에 코멘트를 달아 에이전트로 재전달, Orca 이탈 없이 리뷰/편집/커밋 처리 Drag Files to Agents : 자동 저장되는 VS Code 에디터 탑재, 파일/이미지를 프롬프트로 드래그 Orca CLI : 에이전트가 Orca를 직접 구동, orca worktree create / snapshot / click / fill 명령으로 워크플로우 스크립트화 그 외 Quick open , Claude/Codex 사용량 추적 및 계정 핫스왑 , Markdown/PDF 미리보기, Computer Use , 알림/읽지 않음 상태 관리 등 포함 macOS/Windows/Linux 데스크톱, iOS/Android 모바일, VPS 지원 MIT 라이선스
GhosttymacOS에이전트CLIAI -
새 소식
AI 시험지는 함정이 9할이다 - LLM 테스트 케이스 설계법
Claude Code/Codex/Copilot/OpenCode/Pi를 하나의 인터페이스 에서 다루며, 작업별로 알맞은 모델 선택 Self-hosted 로 에이전트가 내 머신의 전체 개발 환경(도구/설정/스킬)에서 실행 음성 제어(Voice control) 지원, 음성 모드로 작업 지시나 문제 논의를 핸즈프리로 처리 Cross-device : iOS/Android/데스크톱/웹/CLI 전반 지원, 책상에서 시작한 작업을 폰에서 확인하고 터미널에서 스크립트화 Privacy-first : 텔레메트리/트래킹/강제 로그인 없음 로컬 서버인 daemon 이 에이전트를 관리하고, 데스크톱·모바일·웹·CLI 클라이언트가 여기에 접속하는 구조 CLI 로 앱의 모든 기능을 터미널에서 실행 — paseo run 으로 에이전트 실행, paseo ls / attach / send 로 목록·실시간 출력·후속 지시, --host 로 원격 daemon 구동 Skills ( npx skills add getpaseo/paseo )로 에이전트가 Paseo를 통해 다른 에이전트를 오케스트레이션하도록 학습 /paseo-handoff (에이전트 간 작업 인계), /paseo-loop (승인 기준 반복 루프), /paseo-advisor (단일 에이전트 조언), /paseo-committee (대비되는 두 에이전트로 근본 원인 분석·계획 수립) Docker 로 daemon과 셀프호스팅 웹 UI 실행 가능 데스크톱 앱 실행 시 daemon 자동 시작, 폰 연결은 Settings → host → Connections → Pair a device 로 페어링 macOS/Windows/Linux 데스크톱, iOS/Android 모바일, 웹, CLI 지원 AGPL-3.0 라이선스
macOS에이전트핸즈프리ICECLI -
새 소식
Instatic - Webflow, Framer, WordPress를 대체하는 오픈소스 셀프호스팅 비주얼 CMS
버그바운티는 기업이나 오픈소스 프로젝트가 외부 보안 연구자로부터 취약점을 제보받고, 유효성과 심각도에 따라 보상하는 제도임. 세계 최대 해킹 컨퍼런스인 DEF CON 34의 Bug Bounty Village에서 열린 「Navigating AI-Assisted Submissions」 토크 패널을 통해 HackerOne, Synack, Bugcrowd, Intigriti, YesWeHack 담당자들이 AI 도입 이후의 버그바운티 현장을 논의 패널의 공통 진단은 AI 자체보다 취약점 발견 속도와 검증·수정 속도의 격차 가 핵심 문제라는 것 전체 제출량은 전년 대비 약 2배 증가 유효 리포트의 비율은 비슷하게 유지됐지만, 실제 Critical 취약점은 약 3배 증가 HackerOne에서는 검증됐지만 아직 해결되지 않은 취약점이 21배, 미해결 Critical 취약점은 25배 늘어남 Critical 취약점 해결률은 83% 이상에서 40% 미만으로 하락 AI slop이 만드는 세 가지 문제 존재하지 않는 취약점을 그럴듯하게 설명하는 환각 리포트 취약점은 유효하지만 핵심 영향도와 재현 방법이 수십 문단에 묻히는 과도하게 긴 리포트 에이전트를 실제 프로그램에 연결해 검증 없이 대량 전송하는 자동 제출 리포트 이에 따라 Bugcrowd는 반복적인 무효 제출과 submission farming 계정을 제재하고, HackerOne은 버그바운티 참여자의 신원 확인을 의무화하는 방향으로 정책을 변경 중 좋은 AI 보조 리포트의 기준 첫 부분에 취약점의 실제 영향도를 제시 재현에 필요한 단계와 증거만 남김 일반적인 취약점 정의나 불필요한 배경 설명은 줄임 AI가 판단한 심각도를 연구자가 다시 검증 제출하기 전에 처음부터 끝까지 직접 읽고 재현 AI의 장점도 분명함 비영어권 연구자의 번역·작성 부담을 줄임 대규모 엔드포인트 검사나 문서와 구현의 비교처럼 사람이 하기 어려웠던 연구를 가능하게 함 한 프로그램을 4~5년간 연구한 팀이 AI를 도입한 뒤, 이전에 놓쳤던 Critical 취약점 5개를 2주 만에 발견한 사례도 소개됨 결국 중요한 질문은 "AI를 사용했는가"가 아니라 "어디까지 AI에게 맡겼는가" 반복 탐색과 번역, 초안 작성은 AI에게 맡길 수 있음 공격 범위 결정, 재현, 심각도·영향도 판단, 최종 검토는 연구자가 직접 해야 함 내가 직접 하지 않을 일이라면, 나의 AI에게도 시키지 말아야 함
에이전트ESS취약점AI공격 -
새 소식
LLM은 PCB 배선을 어디까지 할 수 있을까? 숙련자와 Net 단위로 비교해봤습니다
비주얼 에디터/콘텐츠 엔진/퍼블리셔를 단일 Bun 서버 하나에 담아 셀프호스팅으로 운영. SQLite/Postgres를 백엔드로 사용 헤드리스 CMS/프레임워크/호스트/폼 서비스/애널리틱스/이미지 CDN을 각각 조합하던 방식 대신 하나의 서버가 캔버스 에디터/콘텐츠/미디어/인증/폼/플러그인 등을 모두 포함 최종 출력물은 시맨틱 HTML과 압축 CSS 로, 프레임워크 런타임/빌더 속성/div 남발 없음 에디터는 미리보기가 별도로 있는 게 아닌 실제 캔버스 여러 브레이크포인트 프레임을 나란히 두고 함께 편집하며 데스크톱 변경 시 모바일 프레임이 같은 화면에서 반응 실제 페이지 작업을 원하면 라이브 모드로 전환해 전체 크기 페이지를 그 자리에서 편집 디자인 토큰 엔진 Core Framework 가 코어 시스템으로 내장 브랜드 색 하나로 틴트/셰이드 자동 생성, 유동적 타입 스케일, 스페이싱 스케일, 유틸리티 클래스 생성 지원 AI 에이전트 가 설명만으로 캔버스에 실제 편집 가능한 노드를 구축 구조는 시맨틱 HTML/스타일은 CSS로 작성 (Claude, OpenAI, OpenRouter, 로컬 Ollama 중 자신의 키/모델 사용) 플러그인은 QuickJS-WASM 샌드박스 에서 실행됨 게시된 페이지는 대부분 디스크에 놓인 파일이라 프레임워크 부팅/하이드레이션/DB 왕복이 없어서 매우 빠름 MIT 라이선스
AI 에이전트에이전트디자인LLMAI -
아직 공개된 뉴스가 없습니다.
새 기사가 준비되는 대로 이곳에 표시됩니다.