한눈에 보기 지난 1년간 코딩 에이전트 등 단일 작업 에이전트는 도구를 활용해 복잡한 문제를 풀면서 사람의 연속 모니터링과 단계별 개입 수요를 낮췄다. 모델의 다중 에이전트 조율 능력이 나아져 세션을 넘는 작업 조직과 스케줄링이 실용적 수준에 올라왔다. 사람의 역할은 실행 참여 비중이 줄며 고수준 의사결정과 승인 쪽으로 이동 중이다. 최근에는 메신저·캘린더·이메일에 직접 연결되는 개인 에이전트가 다수 등장했다. 원문 인용은 중간에 잘려 있어 이후 내용은 전문 확인이 필요하다. 도구를 쓰는 에이전트, 감시 없이 돌아가는 1년 X 계정 DeepSeek Harness가 ‘Exploring Super-agent Design: Towards a More Autonomous Agent System’ 제목의 글을 게시했다. 여기서 에이전트는 언어모델이 스스로 도구를 호출하며 작업을 수행하는 소프트웨어를 가리키고, 단일 작업 에이전트는 하나의 목적에 특화된 에이전트를 뜻한다. 글의 첫 관찰은 지난 1년간 코딩 에이전트를 비롯한 단일 작업 에이전트가 복잡한 문제를 도구로 해결해 왔다는 사실이다. ...

가상 회사의 이메일을 대규모로 만들어 인공지능이 여러 문서에서 정보를 찾아 답하는 능력을 평가한 연구이다. 무엇이 문제였나 — 실제 회사 문서는 공개하기 어렵고, 기존 시험 자료는 문서 수와 문서 사이의 연결이 실제 업무보다 단순했다. 어떻게 풀었나 — 연구진은 가상 회사의 조직과 업무 기록을 먼저 만든 다음, 그 기록에 맞는 이메일과 확인 가능한 질문을 만들었다. 그래서 뭐가 좋아졌나 — 다섯 모델의 성능을 비교한 결과, 관계를 문서에서 찾아 정리하는 일은 특히 큰 자료에서 어려웠고, 정리된 사실을 직접 조회했을 때 질문 점수가 더 높았다. ...

메모리 칩에서 여러 값을 한꺼번에 고칠 때, 고치려는 칸만 바뀌게 하는 방법을 시험한 연구입니다. 무엇이 문제였나 — 메모리 칸을 행과 열로 연결한 칩에서는 한 칸을 고칠 때 다른 칸에도 약한 신호가 갈 수 있습니다. 어떻게 풀었나 — 연구진은 전기와 열이 작은 영역에 모이도록 만든 메모리를 사용해, 약한 신호에는 값이 잘 바뀌지 않는지 살펴봤습니다. 그래서 뭐가 좋아졌나 — 칩 실험에서는 약한 신호를 반복해도 일정 횟수까지 값이 안정적이었고, 숫자 인식 시험에서는 컴퓨터 시뮬레이션으로 학습 성능을 확인했습니다. ...

이 논문은 과학 논문을 찾을 때 주제만 비슷한 자료가 아니라, 문제의 해결책·더 넓은 원리·구체적인 사례를 구분해 찾는 방법을 제안한다. 무엇이 문제였나 — 기존 검색은 주제가 비슷한 자료를 찾는 데 집중해, 그 자료가 해결책인지 넓은 원리인지 구체적인 사례인지 구분하기 어려웠다. 어떻게 풀었나 — 논문에서 문장 사이의 관계를 알려 주는 표현을 찾아, 세 가지 역할별 검색 자료와 평가용 시험 자료를 만들었다. 그래서 뭐가 좋아졌나 — 역할별로 검색 모델을 학습하자 정답을 더 높은 순위에서 찾았고, 평가자가 유효하다고 본 대안도 더 자주 검색했다. ...

도구를 각각 독립된 프로그램으로 실행하고, 대화와 작업 기록은 프로그램 밖의 파일에 이어 적습니다. 그 결과 하나가 멈춰도 새 프로그램이 기록을 읽고 일을 이어갈 수 있습니다. 무엇이 문제였나 — 도구와 대화를 한 프로그램에 몰아 두면, 그 프로그램이 멈출 때 함께 멈춥니다. 어떻게 풀었나 — Logos는 도구를 각각 다른 프로그램으로 실행하고, 대화와 작업 기록은 계속 뒤에 덧붙여 저장합니다. 그래서 뭐가 좋아졌나 — 도구가 도중에 멈춰도 새 프로그램이 저장된 기록부터 읽어 일을 이어갔고, 이미 기록된 작업은 다시 실행하지 않았습니다. ...

AI 코딩 도우미에 기능을 더하는 플러그인들이 시간이 지나며 어떻게 만들어지고 고쳐지는지 살펴본 연구다. 무엇이 문제였나 — 플러그인은 설명 글, 설정, 실행 파일이 함께 있어 기존 소프트웨어와 같은 방식으로 관리되는지 알기 어려웠다. 어떻게 풀었나 — 연구진은 수천 개 플러그인의 변경 기록을 모아 어떤 부분이 바뀌고 함께 바뀌는지 살펴봤다. 그래서 뭐가 좋아졌나 — 특히 기술 설명 글과 실행 파일이 함께 바뀌는 일이 잦아, 둘을 같이 점검할 필요가 있음을 보였다. ...

여러 풀이 방식을 시험해, 한 번의 정답률과 여러 번 시도했을 때의 성공 가능성을 함께 높이는 학습법을 연구했다. 무엇이 문제였나 — GRPO는 한 번 뽑은 답의 정답률을 높일 수 있지만, 일부 실험에서는 여러 번 시도했을 때의 성공률이 기준 모델보다 낮아졌다. 어떻게 풀었나 — ES는 매개변수를 조금씩 다르게 바꾼 여러 모델을 시험하고, 점수가 높은 변화 방향을 모아 학습한다. 그래서 뭐가 좋아졌나 — 논문 실험에서 ES는 한 번의 정답률을 높이면서 여러 번 시도했을 때의 평균 성공률도 GRPO보다 높았다. ...

사진을 보고 장면의 거리와 표면 방향을 함께 그려 내는 AI를 비디오 생성 방식으로 만든 연구다. 무엇이 문제였나 — 사진 한 장만으로 물체까지의 거리와 표면이 향하는 방향을 정확히 알아내기는 어렵다. 어떻게 풀었나 — 사진과 거리 지도, 표면 방향 지도를 한 묶음의 연속된 장면처럼 함께 만들도록 비디오 AI를 바꿨다. 그래서 뭐가 좋아졌나 — 적은 학습 자료로도 여러 낯선 사진에서 두 정보를 함께 추정했고, 일부 비교에서 기존 방법보다 좋은 결과를 냈다. ...

시험에서 확인하지 않은 곳에 오류가 있어도, 로봇이 그곳에 갈 수 있는지에 따라 위험이 달라진다는 점을 연구했습니다. 무엇이 문제였나 — 일부 경로에서만 코드를 시험하면, 시험하지 않은 곳의 잘못된 규칙은 검사에서 드러나지 않을 수 있습니다. 어떻게 풀었나 — 연구진은 원형 장벽의 틈과 출발 위치를 바꿔, 숨은 오류가 실제 이동 경로에 영향을 주는지 살펴봤습니다. 그래서 뭐가 좋아졌나 — 빠진 장벽을 막는 울타리와 잘못 만들어진 장벽을 없애는 수정은 서로 달랐고, 각각 계획의 손해를 줄였습니다. ...