AI 에이전트
AI 에이전트는 목표를 받아 스스로 계획을 세우고 도구를 호출해 작업을 끝까지 수행하는 시스템이다. 단발 응답형 챗봇과 달리 다단계 추론·실행·재시도 루프를 돈다. 코드 작성, 리서치, 운영 자동화에 실제 투입되며 권한과 검증 설계가 성패를 가른다.
Anthropic, 개인 에이전트 앱 Duet 공개 (미국 한정 리서치 프리뷰)
Anthropic이 개인 에이전트·어시스턴트 경쟁에 Duet이라는 별도 앱으로 뛰어들었다. 모바일 앱이며 미국 한정으로 리서치 프리뷰 중이라 뉴스레터 저자는 아직 써보지 못했다. 기사는 Duet이 모바일 앱으로 출시되었고 미국에서만 리서치 프리뷰 형태로 제공된다고 전한다. 저자는 이를 사용할 수 없었지만 다른 개인 어시스턴트들과 마찬가지로 완성도에 거친 부분이 있을 것이라고 예상했다. 같은 기사에서 PHP와 호스팅 플랫폼 Railway의 보안 취약점이 함께 다뤄졌다. 저자는 Codex에 자신의 작업물이 PHP나 Railway를 쓰는지 점검해 위험을 해결하라고 요청했다고 밝혔다. OpenAI는 연구자들이 이 취약점을 찾는 데 도움을 주었다고 한다. 이 밖에 에이전트가 실제 Android와 iPhone을 조작하는 phone use 기능, Supermemory의 메모리 그래프, Grok Bot의 페이지 생성 기능 등도 짧게 소개되었다.
토스 로그 정의 업무를 AI 스킬로 옮긴 과정과 로그센터 CLI(lctl) 통합 배포
토스 DataOps Manager들이 로그센터에서 수동으로 하던 로그 정의 업무를 AI 스킬로 옮긴 사례가 공개되었다. 개인의 머릿속에 있던 판단 기준을 스킬에 담아 팀 전체가 같은 기준으로 로그를 정의하게 됐다는 점이 핵심이다. 로그 정의 스킬은 새 로그를 만들기 전에 '앱로그 백과사전'의 표준을 확인하고, 도메인의 기존 로그 명세를 조회해 재사용 가능 여부를 먼저 살핀다. 스킬은 명세를 제안하고 실제 반영은 DOM이 확정한 뒤에만 실행된다. 로그 이름 형식처럼 기계가 판정할 수 있는 규칙은 lctl이 저장 전에 검사하고, 로그센터는 규칙에 맞지 않는 명세의 발행을 거절한다. 형식 규칙은 스킬에 고정하지 않고 실행 시마다 lctl에 조회하도록 했다. 또한 한 문서에 모여 있던 규칙과 절차를 작업별로 나누고 스킬에는 문서를 찾아가는 안내만 남겨, AI가 긴 문서에서 중요한 규칙을 놓치는 문제를 줄였다. 로그 프로덕트팀은 스킬을 lctl에 포함해 함께 배포하는 방식을 제안했다. 기사는 정의 품질을 좌우하는 것이 규칙보다 도메인의 맥락이라고 밝힌다. 이에 따라 도메인별 로그 이름과 파라미터의 의미, 그렇게 정한 이유를 지식 베이스로 축적해 스킬이 정의 전에 먼저 읽도록 하는 방향을 제시했다. 예시로 card_company와 issuer처럼 같은 정보가 다른 이름으로 정의되는 문제가 언급되었다.
지속형 에이전트와 결정 모델: Meta와 TypeSafe·Liquid가 보여준 두 방향
TheSequence의 이번 뉴스레터는 지난 한 주 AI 업계에서 유용한 모델이 무엇을 해야 하는지에 대해 서로 다른 두 가지 방향이 제시됐다고 짚는다. Meta는 사용자의 제약 조건을 기억하고 첫 시도가 실패해도 작업을 계속하는 에이전트를 지향하고, TypeSafe와 Liquid는 장문의 설명 없이 제한된 범위에서 결정을 내리는 모델을 지향한다. 기사는 이 두 방향 사이에 실제로 필요한 소프트웨어 스택이 있다고 본다. 코드베이스를 수 분에 걸쳐 복구하는 모델은 가치가 있을 수 있지만, 지원 티켓을 어느 큐로 보낼지 수 분 동안 고민하는 모델은 역할을 잘못 이해한 것이라고 설명한다. 따라서 지능은 작업의 시간 규모와 출력 형식에 맞아야 한다는 것이 기사의 핵심 논지다. 기사는 이러한 릴리스들이 그런 엔지니어링 선택을 점점 더 명시적으로 만들고 있다고 정리한다. Meta는 작업에 끝까지 머무는 모델을 만들고 있다는 점이 함께 언급된다.
Town CEO 젠드니 그레즈, 일반 사용자를 위한 AI 개인 비서와 에이전트의 결제 문제 논의
Town CEO Jean-Denis Greze는 AI가 일상 업무에 빠르게 자리 잡지 못하는 이유가 지능이 아니라, 자동화를 직접 만들 시간이나 기술이 없는 사람들에게 AI를 쓸모 있게 만드는 데 있다고 주장한다. Town은 세무 소프트웨어에서 이메일, 캘린더, 기업 업무 흐름을 중심으로 한 개인 AI 비서로 방향을 바꾸었다. a16z 제너럴 파트너 Alex Rampell과의 대담에서 Greze는 소비자용 수준의 경험이 기업 AI에서 이길 수 있는 이유, Town이 사용자가 위임할 생각조차 하지 못한 작업을 찾아내 자동화하는 방식, 그리고 AI 연구소들이 애플리케이션 기업과 점점 경쟁하는 상황에서 모델 중립성과 데이터 소유권이 중요한 이유를 설명했다. 또한 에이전트가 사용자를 대신해 행동하기 시작하면 무엇이 일어나는지, 일상 업무 관리에서 쇼핑과 상거래까지 범위가 어떻게 넓어지는지, 차세대 소프트웨어는 사용자에게 맞추기보다 각 사용자에 맞춰 적응해야 할 수 있다는 점을 다뤘다.
Celonis 데번라트 샤: 에이전트에 운영 컨텍스트가 없으면 엔터프라이즈 AI 의사결정이 어긋난다
Celonis의 엔터프라이즈 AI 수석 과학자 Devavrat Shah는 AI 에이전트가 업무 프로세스 안에서 각 작업의 역할과 주변 비즈니스 조건을 이해해야 한다고 주장한다. 그렇지 않으면 중요한 제약을 놓치고 비용이 드는 실수를 하거나 불필요한 컴퓨팅 자원을 소모할 수 있다. 해법은 기업이 이미 쓰는 프로세스와 데이터에 AI를 연결하는 데서 출발한다. 기사에 따르면 컨텍스트 계층은 에이전트가 워크플로를 이해하고 정의된 가드레일 안에서 작동하며, 사람이 검토하고 승인할 수 있는 권고안을 만들도록 돕는다. Shah는 특정 비즈니스 의사결정 하나를 정하고, 가장 어려운 단계를 찾아 AI가 그 단계를 개선하는지 시험한 뒤, 속도와 가치의 향상을 측정해 확장 여부를 판단하라고 조언한다. 기사는 반복적이고 수작업적인 업무를 자동화하고 팀 간 작업을 조율하면 직원이 더 복잡한 전략적 의사결정에 집중할 수 있다고 본다. 다만 이 이점을 실현하려면 직원이 AI 결과물과 그 함의를 이해하도록 교육에 투자해야 한다고 강조한다. Shah는 일상 운영 업무에서 재무, 인력 관리, 마케팅, 영업 등 전사 계획으로 기회가 확장될 것으로 보며, 적절한 컨텍스트가 있으면 조직이 옵션을 평가하고 중요한 결정을 더 빨리 내릴 수 있다고 말한다.
AWS, 소형 언어모델 Ollama 로컬 처리와 Amazon Bedrock 클라우드 모델을 나누는 AAIF 프레임워크 공개
AWS 머신러닝 블로그는 Strands Agents로 만든 Adaptive Agentic Intelligence Framework(AAIF)를 소개했다. 모든 요청을 대형 모델 하나로 보내는 대신, llama3.2:1b 소형 언어모델이 요청을 분류해 단순 작업은 로컬에서, 복잡한 분석은 Amazon Bedrock의 클라우드 모델로 나눠 처리한다. AAIF는 세 개 계층으로 구성된다. 경량 SLM(llama3.2:1b)이 라우팅을 맡는 스마트 오케스트레이션 계층, Ollama로 실행하는 llama3.2-vision 등 SLM으로 기기 텔레메트리 조회와 이미지 분석을 처리하는 로컬 처리 계층, 그리고 Amazon Bedrock의 프런티어 모델로 복합 패턴 분석과 전략적 권고를 생성하는 클라우드 처리 계층이다. 에이전트는 get_device_telemetry, analyze_camera_feed, get_expert_insights 세 도구를 노출하며, 마지막 도구는 boto3로 Bedrock을 호출한다. 기사는 이 구조가 8GB 메모리의 Raspberry Pi 같은 엣지 기기, 전부 Bedrock으로 보내는 완전한 클라우드 배포, 로컬과 클라우드를 섞은 하이브리드 구성에 모두 맞출 수 있다고 설명한다. 라우팅 로직과 처리 도구가 분리되어 있어 하드웨어와 네트워크 환경에 따라 각각 교체하거나 재구성할 수 있다는 점이 핵심이다. 기사는 이 접근이 NVIDIA의 Belcak 등이 주장한 '에이전트 시스템의 많은 호출에 소형 언어모델이 충분히 강력하고 더 적합하며 경제적'이라는 연구 입장에 기반한다고 밝힌다. 이 글은 IoT 모니터링 시나리오를 참조 구현으로 사용하며, 실행 전제로 AWS 계정, Bedrock 모델 접근 권한, Python 3.10 이상, Ollama 설치와 모델 pull, strands-agents 패키지 설치를 요구한다.
AWS의 멀티 에이전트 시스템 Deep Insight, 프로덕션 도입 시 겪는 5가지 문제와 해결 방식
AWS Solutions Architecture 팀이 만든 오픈소스 멀티 에이전트 시스템 Deep Insight가 멀티 에이전트를 프로덕션에 올릴 때 마주치는 5가지 과제를 다룬다. 프롬프트 수정만으로는 비즈니스 로직 준수나 검증 단계 누락 문제가 반복된다는 점에서 에이전트의 인지 구조와 실행 흐름을 설계해야 한다고 설명한다. Deep Insight는 CSV 파일과 자연어 프롬프트를 입력받아 데이터 분석 인사이트를 자동으로 만드는 멀티 에이전트 시스템이다. Coordinator, Planner, Supervisor, Coder, Validator, Reporter, Tracker 등 역할이 나뉜 에이전트들이 데이터 로딩, 분석 실행, 차트 생성, 계산 검증, 인용이 포함된 .docx 보고서 작성을 협업으로 수행한다. 데모에서는 가상의 식품 회사 Yummy Food의 광고 데이터(yummy-food-market.csv)와 컬럼 정의 파일(column_definitions.json)을 입력해 분석 계획을 생성하고, 사용자 승인 후 분석을 실행하는 흐름을 보여준다. 구현은 Strands Agents SDK와 Amazon Bedrock, Amazon Bedrock AgentCore, Application Load Balancer, AWS Fargate 위에서 이루어진다. GitHub에 오픈소스로 공개되어 있으며 로컬 CLI 기반 Self-Hosted 버전, 브라우저 UI 기반 Web 버전 등 여러 배포 옵션을 제공한다. 이 글은 3부작 시리즈의 1부로, 이후 편에서 Context Engineering 기법과 프로덕션 배포를 다룬다고 소개한다. 기사는 Self-Hosted 버전 설정에 약 10분이 걸린다고 밝히고 있으며, 개발 단계의 빠른 반복 작업에 적합하다고 설명한다.
에이전트 도구 호출 지점에 놓이는 AI 게이트웨이, 여러 회사가 제품을 내놓는 이유
에이전트가 모델·도구·다른 에이전트를 호출하는 지점에 게이트웨이 제품이 잇따라 나오고 있으며, 이 호출을 관리할 체계가 아직 부족하다는 점이 이유로 제시됐다. 기사는 Kong AI Gateway 2.0, AWS Bedrock AgentCore Gateway, 구글 Agent Gateway 등 주요 사례와 시장 흐름을 정리한다. 기사에 따르면 Kong은 2026년 9월 1일 LLM 호출, MCP 도구 호출, A2A 요청을 한 제품에서 다루는 Kong AI Gateway 2.0을 정식 출시했고, AWS는 2025년 10월 Amazon Bedrock AgentCore Gateway를, 구글은 2026년 6월 Agent Gateway를 출시했다. 팔로알토 네트웍스는 Portkey를 약 1억 1,700만 달러에 인수했고, 스트라이프는 OpenRouter 인수를 발표했다. 에이전틱 AI 재단 발표에 따르면 ChatGPT 사용자의 MCP 도구 호출 횟수는 2026년 8월 기준 2026년 1월의 98배로 늘었다. 우버는 MCP 서버 800개 이상과 도구 5,000개 이상을 사내 MCP 게이트웨이 하나로 묶었고, 새로 찾은 도구는 소유 팀이 켜기 전까지 에이전트에 보이지 않도록 설계했다고 공개했다. 딜로이트 조사에서는 에이전틱 AI를 2년 안에 쓰겠다는 곳은 74%였지만, 성숙한 관리 체계를 갖췄다는 곳은 21%에 그쳤다.
Airbnb CTO Ahmad Al-Dahle, 에이전트용 '컴퍼니 브레인' Project Everest 구축 소개
Airbnb CTO Ahmad Al-Dahle이 TWIML AI Podcast 781화에 출연해 AI 에이전트에 조직의 암묵지를 제공하는 'company brain' Project Everest를 소개했다. 직원 워크플로에서 지식을 포착해 에이전트에 제공하는 구조다. 에피소드에서는 오래된 정보와 context poisoning 문제, 컨텍스트를 너무 많이 넣을 때 역효과가 나는 이유, 공유 지식이 엔지니어링 작업을 실제로 개선하는지 평가하는 방법이 다뤄졌다. 또한 토큰 사용량과 PR 수를 넘어서 AI 생산성을 측정하는 방법, 채팅 기반 인터페이스의 한계, 분쟁을 중재해야 하는 마켓플레이스에 지원 에이전트를 배포하는 과정도 논의되었다.
Commerce.com, Cloudflare 엣지에서 WebMCP 도구를 수만 개 스토어에 일괄 적용
Commerce.com은 Cloudflare 엣지 구현을 통해 약 10만 개 도메인의 스토어에 WebMCP를 한 번에 켰고, 각 머천트가 개별적으로 끌 수 있는 옵트아웃 구조를 만들었다. 이를 통해 AI 에이전트가 HTML을 추측하지 않고 search_products 같은 구조화된 도구로 상품 검색과 장바구니 담기를 수행하게 된다. WebMCP는 Google이 제안한 브라우저 표준으로, 페이지에 search_products 같은 구조화된 도구를 노출한다. 기사에 따르면 기존 에이전트는 HTML을 보고 버튼을 추측해 클릭하는 방식이라 느리고 토큰을 많이 쓰며, 테마 변경만으로도 깨질 수 있다. Cloudflare는 기능을 켜면 엣지에서 작은 스크립트를 주입해 사이트 소유자가 코드를 작성하지 않아도 도구가 자동으로 제공되도록 했다. 도구는 쇼퍼의 활성 브라우저 세션 안에서 실행되어 가격과 장바구니를 그대로 보며, 자격 증명은 제3자에게 전달되지 않고 결제는 쇼퍼가 직접 완료한다. 옵트아웃은 Configuration Rules와 custom hostname metadata를 이용해 구현됐고, 머신러닝 세부 구현이 아닌 엣지 규칙 수준에서 처리된다. 기사는 WebMCP가 아직 실험적 제안 표준이며 Chrome 실험 플래그, Chrome Origin Trials, 일부 에이전트 브라우저와 Cloudflare Kitesurf 같은 개발 환경에서만 제공된다고 밝힌다. Cloudflare의 엣지 구현은 8월에 베타로 출시됐다. 서버 측 MCP와는 병행 운영되어 직접 연결하는 에이전트와 브라우저 내 에이전트를 같은 도구 집합으로 지원한다.
AI 에이전트의 문서 처리 문제와 Reducto의 해결책
AI 에이전트는 방대한 정보를 처리할 수 있지만, 많은 실제 작업이 PDF, 스프레드시트, 스캔 등 모델이 이해하기 어려운 형식에 갇혀 있다. Reducto의 공동 창립자이자 CEO인 Adit Abraham은 이러한 문서 레이어를 해결하는 것이 의료, 법률, 금융 및 보험 분야에서 에이전트가 중요한 작업을 수행하는 데 필수적이라고 주장한다. Reducto는 매달 수십억 페이지를 처리하며, 최근에는 70억 번째 페이지를 기록했다. Reducto의 R1 모델은 에이전트가 문서 추출을 검토하고 수정할 수 있도록 하며, 단순히 파일을 읽는 것을 넘어 에이전트가 신뢰성 있게 작업하고 수정할 수 있도록 하는 방향으로 나아가고 있다.
Opposable: AI가 스마트폰 화면을 대신 터치하는 도구
Opposable은 Android 스마트폰에서 탭, 스와이프, 입력을 수행하고, iPhone은 컴퓨터를 통해 제어하는 도구이다. 이 앱은 사용자가 직접 기기를 조작하는 부담을 덜어주기 위해 설계되었으며, 접근성 서비스를 이용해 화면을 검사하고 AI 모델이 이미지를 해석하여 필요한 작업을 수행한다. 그러나 Opposable은 정확성과 속도가 떨어지며, 40개의 일반 작업은 AI 모델 없이 고정 코드로 실행된다. 예를 들어, 어두운 모드로 변경하는 데 50초가 소요되며, Apollo 11의 발사일을 조회하는 데는 2분이 걸린다.
NVIDIA OpenShell 참조 아키텍처의 AI 에이전트 작업 부하 보안 및 관리
자율 에이전트는 복잡한 작업을 수행하며, 파일, 도구, 인터넷에 접근하고 다른 에이전트를 생성하여 협력할 수 있다. 이러한 에이전트는 긴 시간 동안 복잡한 작업을 수행하면서 위험이 증가할 수 있으며, 코드 다운로드, 새로운 도구 생성, 추가 권한 요청 등으로 인해 기반 시설에 영향을 미칠 수 있다.
AI 공장 디지털 트윈 개발을 위한 에이전트 지원 워크플로우
AI 공장 디지털 트윈을 구축하기 위해 개발자들은 현장 계획, 장비 자산 및 엔지니어링 요구 사항을 일관된 모델로 통합해야 한다. 이러한 입력을 편집 가능한 워크플로우로 연결하면 팀이 디자인 대안을 탐색하고 디자인이 발전함에 따라 엔지니어링 피드백을 통합할 수 있다.
Navalia: 검증 가능한 작업 합성과 장기 후속 훈련을 통한 Cowork Agents 발전
Navalia는 대규모 언어 모델(LLM) 에이전트가 자율 계획, 도구 사용 및 복잡한 작업 실행을 수행할 수 있도록 하는 프레임워크이다. 이 프레임워크는 기업 재무 보고서를 데이터 소스로 활용하여 증거를 선택하고 실행 가능한 계산 체인을 구성하여 분석 작업을 생성한다. Navalia는 Qwen3.6-35B-A3B에서 초기화되어 OfficeQA Pro, FinSearchComp, Finance Agent Benchmark, APEX-Agents-AA, Workspace-Bench-Lite의 다섯 가지 벤치마크에서 일관된 성과 향상을 달성하였다.
Amazon Quick과 Amazon Bedrock AgentCore를 통한 공급망 대화형 인텔리전스
Amazon Quick과 Amazon Bedrock AgentCore는 공급망 팀이 데이터와 의사결정 시스템에 직접 접근할 수 있도록 지원한다. 이 시스템은 실시간 데이터에서 직접 답변을 제공하며, 사용자는 복잡한 시스템을 수동으로 연결할 필요 없이 간단한 질문을 통해 신속하게 정보를 얻을 수 있다. 예를 들어, 사용자는 '현재의 항구 폐쇄에 노출된 상위 수익 SKU는 무엇이며, 비용은 얼마인가?'라는 질문을 통해 즉각적인 답변을 받을 수 있다.
Smartsheet MCP 서버를 통한 AI 에이전트의 작업 관리
Smartsheet는 프로젝트, 포트폴리오 및 운영 관리를 위한 작업 관리 플랫폼으로, Model Context Protocol (MCP) 서버를 출시했다. 이 서버를 통해 AI 어시스턴트는 40개 이상의 도구를 사용하여 Smartsheet 데이터를 읽고, 쓰고, 관리할 수 있다. Amazon Quick과 Kiro는 각각 비즈니스 사용자와 개발자가 자연어로 Smartsheet를 쿼리하고 업데이트할 수 있도록 지원한다.
로컬 AI를 활용한 개인 NAS 기반 도서관 구축 사례
사용자는 로컬 AI를 통해 자신의 대규모 도서관에서 수천 권의 책과 자료를 처리하고 유용한 정보를 추출하는 시스템을 구축했다. 이 시스템은 3개의 로컬 에이전트(2x Strix Halo 박스, 1x RTX 5090)로 구성되어 있으며, 사용자는 이 에이전트를 통해 자료를 관리하고 질문에 답변을 받을 수 있다. 또한, 사용자는 개인적인 디지털 공간을 만들어 광고나 외부 데이터 추적 없이 정보를 탐색할 수 있는 환경을 조성했다.
RAG와 Knowledge Layer의 관계 및 검색 문제
마이크로소프트는 Foundry IQ를 '기업 데이터를 위한 관리형 지식 계층'으로 정의하고, AWS는 '온톨로지, 기호 추론, 가상 지식 그래프를 이용한 에이전틱 AI용 시맨틱 레이어'로 설명한다. 검색 기능이 발전했지만, 검색 결과의 신뢰성과 관련된 문제는 여전히 존재하며, 자율 에이전트의 도입으로 인해 시스템이 문서의 정확성과 접근 권한을 판단해야 하는 새로운 과제가 생겼다.
AI 에이전트 평가의 새로운 동향
프린스턴 대학의 연구팀은 AI 에이전트 평가의 개선을 위해 3년간 작업해왔으며, 스탠포드, 영국 AI 보안 연구소, 브루킹스와 협력하여 'Emerging Trends in AI Agent Evaluation'이라는 논문을 발표했다. 이 논문에서는 AI 에이전트 평가의 과학, 방법론, 연구 의제 및 평가 생태계의 세 가지 차원에서의 동향을 종합하고 있으며, 평가자와 자금 지원자, 대중이 질문할 수 있는 질문 세트와 실행 가능한 권장 사항을 제공한다. AI 에이전트의 평가가 모델 평가보다 복잡하며, 평가 인프라 구축과 유지에 상당한 엔지니어링 노력이 필요하다는 점도 강조된다.
AI 에이전트의 확산이 웹 사용자 경험에 미치는 영향
최근 개인 AI 에이전트의 출현으로 웹 사용자가 봇과 사람 두 가지로 나뉘던 구분이 무너지고 있다. OpenAI의 Dots와 Meta의 Muse와 같은 앱이 출시되면서 에이전트의 웹 트래픽이 급증하고 있으며, Muse는 출시 첫 달에 500만 회 다운로드를 기록했다. 그러나 많은 웹사이트가 AI 에이전트를 차단하고 있으며, Amazon은 Perplexity의 에이전트를 차단하기 위한 법적 분쟁을 벌이고 있다. 이러한 변화는 사용자 경험에 부정적인 영향을 미칠 수 있으며, AI 에이전트의 수요가 증가할 경우 웹사이트가 에이전트에 맞춰 재설계될 가능성이 있다.
Disney, Character.AI의 소송 없이 인수하는 방법 찾다
Character.AI가 이번 주 파산을 선언했다. 이는 Disney가 Character.AI의 대부분 직원과 기술을 인수하면서 법적 책임을 피하기 위한 거래의 일환으로 보인다. Character.AI는 최근 몇 년간 챗봇의 안전성 문제로 여러 건의 개인 소송과 전 세계 규제 기관의 조사를 받았다. Character.AI의 새 CEO는 파산의 목표가 개인 상해 청구자들과의 합의 도출 및 주 정부 조사 그룹과의 협상이라고 설명했다.
Google, 자가 개선 AI 에이전트를 위한 Harness2 오픈소스 공개
Google이 Harness2를 오픈소스로 공개했다. Harness2는 AI 하네스를 시간이 지남에 따라 스스로 개선하는 시스템으로, 시스템 프롬프트, 도구, 메모리, 기술 및 하위 에이전트를 포함한다. 에이전트는 각 작업에 대해 하네스를 스스로 다듬고, 변경 사항을 제안하며, 여러 후보 버전을 실행해 성능을 비교하여 더 나은 버전을 선택한다. 이 과정에서 모델 가중치는 변하지 않으며, 한 작업에서 배운 내용은 다음 작업에 적용된다. Google은 Gemini 3.5 Flash와 GLM-5를 사용해 법률, 사무 및 전문 작업 벤치마크에서 테스트했으며, 수정 한 번으로도 원래 하네스를 초과하는 성과를 보였다.
Laminar, RL로 에이전트 오류 탐지 모델 flow-1 출시
Laminar는 2024년부터 AI 에이전트의 오픈 소스 관찰 가능성을 구축해왔으며, 최근 RL로 훈련된 모델 flow-1을 출시했다. 이 모델은 GPT-6-sol과 동일한 탐지 품질을 가지면서도 23배 저렴하다. flow-1은 에이전트 트레이스를 분석하여 오류를 찾고, JSON 형식으로 결과를 반환하며, 유사한 신호 이벤트를 자동으로 클러스터링하여 반복적인 문제를 식별할 수 있다. Laminar는 Apache 2.0 라이선스 하에 제공되며, 자체 호스팅이 가능하다.