메타, 스탠퍼드, UIUC 연구진의 새 리뷰 논문에 따르면, 코드는 AI 에이전트가 단순히 생성하는 결과물을 넘어 스스로 추론하고 행동하며 협력하는 핵심 기반입니다. 모델을 감싸는 '하니스(harness)'라는 소프트웨어 레이어가 상태가 없는 언어 모델을 지속적인 작업이 가능한 에이전트로 변환하며, 이는 실제 상용 시스템에도 적용되고 있습니다. 하지만 현재의 소프트웨어 테스트는 리스크를 감추기 쉬우므로, 더 투명한 평가 메커니즘이 필수적으로 요구됩니다.
AI 연구소 Odyssey가 최대 4명의 플레이어가 동시에 상호작용할 수 있는 다중 에이전트 월드 모델 'Agora-1'을 공개했습니다. 이 모덜은 시뮬레이션과 렌더링을 분리하여 작동하며, 실시간으로 생성되는 환경 속에서 플레이어들이 일관된 게임 상태를 유지할 수 있게 합니다. 이 기술은 향후 협력형 로봇 공학 및 AI 에이전트 훈련 환경 구축에 혁신적인 기여를 할 것으로 평가받습니다.
Anthropic이 자사의 클로드 매니지드 에이전트 플랫폼에 과거 세션을 분석해 패턴을 학습하고 공유하는 '드리밍(Dreaming)' 기능을 추가했습니다. 이와 함께 에이전트의 결과물을 독립적인 평가자가 검증하는 '아웃컴(Outcomes)'과 여러 전문 에이전트에게 작업을 분산하는 '멀티에이전트 오케스트레이션(Multiagent Orchestration)' 기능도 공개 베타로 전환되어 실제 업무 환경에서 AI 에이전트의 신뢰성과 효율성이 크게 향상될 전망입니다.
본 튜토리얼에서는 계산 생물학 파이프라인 내에서 여러 컴퓨팅 구성 요소가 어떻게 협력하는지 보여주는 생물학적 시스템 모델링용 멀티 에이전트 워크플로우를 구축합니다. 합성 생물학적 데이터를 생성하고 유전자 조절망을 분석하며, 단백질 상호작용을 예측하고 대사 경로를 최적화하는 과정을 Colab 환경에서 실습합니다. 특히 OpenAI 모델이 '수석 연구원(Principal Investigator)' 역할을 수행하여 전문 에이전트들의 출력물을 종합해 하나의 전문가 수준 생물학적 해석을 도출하는 것이 핵심입니다.
이 튜토리얼은 CAMEL 프레임워크를 활용해 기획자(Planner), 연구원(Researcher), 작성자(Writer), 비평가(Critic), 수정자(Rewriter) 역할을 수행하는 전문화된 에이전트들이 협력하여 복잡한 작업을 해결하는 고도화된 멀티 에이전트 시스템을 구현하는 방법을 설명합니다. 각 에이전트는 명확히 정의된 책임과 스키마 제약(Schema-constrained) 출력을 가지며, 외부 도구 사용(Tool usage), 자기 일관성 샘플링(Self-consistency sampling), 구조적 검증(Structured validation) 기법이 통합되었습니다. 실무 수준의 복잡한 AI 파이프라인을 체계적으로 구축하고자 하는 AI 엔지니어와 개발자들에게 매우 유용한 가이드입니다.
오픈 소스 커뮤니티 openJiuwen가 다중 에이전트 협업 기능인 'AgentTeam'을 지원하는 JiuwenClaw 최신 버전을 공개했습니다. 이 업데이트는 여러 AI 에이전트가 자율적으로 역할을 분담하고 원활하게 소통하며 협업하는 방법을 다루는 새로운 패러다임인 '조정 엔지니어링(Coordination Engineering)'을 제안합니다. 실무자 관점에서 이는 복잡한 다중 에이전트 시스템 구축의 효율성과 완성도를 한 단계 높일 중요한 기술적 진전입니다.
API 호출 비용 없이 구독 중인 요금제만으로 Claude, Codex, Gemini 같은 코딩 에이전트들이 서로 상호작용하는 간단한 워크플로우를 공유합니다. CLI의 세션 재개(resume) 기능과 tmux를 활용해 에이전트들이 서로의 결과를 검토하고 수정하는 멀티 에이전트 루프를 구성할 수 있습니다. 복잡한 프레임워크나 추가 종속성 없이 빠르게 실험해 볼 수 있다는 점이 가장 큰 장점입니다.
본 튜토리얼은 가벼운 에이전트 프레임워크인 SmolAgents를 활용하여 실제 프로덕션 환경에 적용 가능한 수준의 멀티 에이전트 AI 시스템을 구축하는 과정을 다룹니다. 코드 실행(Code Execution), 도구 호출(Tool Calling), 동적 오케스트레이션(Dynamic Orchestration) 기법을 통해 여러 에이전트가 효율적으로 추론하고 협업하는 방법을 실습할 수 있어 실무 개발자들에게 유용합니다.
최근 여러 AI 에이전트가 협력하여 소프트웨어를 개발하는 멀티 에이전트 시스템이 주목받고 있지만, 이는 본질적으로 '분산 시스템의 합의 문제'라고 해당 글은 지적합니다. 일각에서는 다음 세대 LLM이 나오면 협력 문제가 자연스럽게 해결될 것이라며 방관하는 태도를 보이지만, 지능이 아무리 뛰어나도 분산 시스템의 근본적인 한계를 피할 수는 없습니다. 따라서 새로운 프로그래밍 언어와 형식적 모델링을 통해 에이전트 간의 상호작용을 체계적으로 관리하려는 노력이 매우 중요합니다.
스탠퍼드 대학의 새로운 연구에 따르면, 다중 에이전트 시스템의 높은 성능은 단일 에이전트보다 더 많은 컴퓨팅 자원(compute)을 사용하기 때문인 것으로 나타났습니다. 동일한 연산량을 부여했을 때 단일 에이전트가 팀보다 성능이 높거나 동등했지만, 입력 데이터의 오류나 노이즈가 많은 환경에서는 다중 에이전트 팀이 정보 필터링에 유리해 더 나은 성과를 보였습니다.
구글 클라우드 AI 연구팀이 연구자의 거친 아이디어와 실험 로그만으로 학회 제출용 LaTeX 논문을 완성하는 멀티 에이전트 시스템 'PaperOrchestra'를 제안했습니다. 이 시스템은 문헌 검토, 시각화 자료 생성, API 기반 인용 검증 및 본문 작성을 자동화하여 기존 자동 연구 도구들의 한계를 극복한 것이 특징입니다.
구글이 로컬 및 원격 컴퓨팅 환경 전반에서 컨테이너 기반으로 다수의 AI 에이전트를 동시에 관리할 수 있는 실험적 오케스트레이션 테스트베드 'Scion'을 오픈소스로 공개했습니다. 이 플랫폼은 에이전트들을 각각 독립된 컨테이너, 깃 워크트리, 자격 증명으로 격리하여 충돌 없이 코딩, 감사, 테스트 등 병렬 작업을 수행하도록 지원합니다. 개발자는 제미나이(Gemini), 클로드 코드(Claude Code) 등 다양한 AI 에이전트를 통합 관리하며 복잡한 프로젝트를 효율적으로 자동화할 수 있습니다.