AI 에이전트
NVIDIA RTX 기술, Unreal Engine 5에 통합 및 AI 캐릭터 개발 도구 발표
NVIDIA RTX 기술이 Unreal Engine 5에 깊이 통합되어 있으며, NVIDIA RTX Branch와 NVIDIA DLSS Unreal Engine 플러그인을 통해 고급 렌더링, 프레임 생성 및 레이 트레이스 조명에 직접 접근할 수 있다. NVIDIA는 Unreal Fest에서 발표된 새로운 도구를 통해 온디바이스 AI 캐릭터 및 게임플레이 개발을 확장하고 있다.
NVIDIA XR AI를 통한 AR 안경 및 XR 기기용 AI 에이전트 구축
AR 안경 및 웨어러블 기기를 위한 개발자들은 인프라 격차에 직면해 있다. 하드웨어는 준비되어 있지만, AI 경험을 창출하기 위해서는 라이브 카메라 및 마이크 스트림, 다중 모달 AI 모델, 기업 데이터, 도구 사용, 배포 인프라, 기기별 런타임 통합이 필요하다. NVIDIA XR AI는 이러한 문제를 해결하기 위해 재사용 가능한 기반을 제공하도록 설계되었다.
Sequoia Ascent 2026에서의 AI 에이전트 변화
Andrej Karpathy는 Sequoia Ascent 2026에서 AI 에이전트의 변화와 소프트웨어의 미래에 대해 이야기했다. 그는 LLM이 더 이상 단순한 챗봇이 아니며, 디지털 작업을 위한 새로운 프로그래밍 레이어로 발전하고 있다고 설명했다. 2025년 12월을 기점으로 프로그래밍의 기본 작업 흐름이 변화했으며, 프로그래머는 코드 작성을 넘어 에이전트를 조율하는 역할로 진화하고 있다고 강조했다. 또한, Software 3.0에서는 컨텍스트 윈도우가 주요 프로그래밍 수단이 되며, 예를 들어 복잡한 도구 설치 과정이 에이전트에 의해 자동으로 처리될 수 있다고 언급했다.
AI 코딩 에이전트가 로봇에게 GPU 설치 및 지퍼 타이 자르는 방법 교육
AI 코딩 에이전트가 로봇 팔과 컴퓨팅 자원, '관대한 토큰 예산'을 활용하여 로봇에게 지퍼 타이를 자르고 GPU를 마더보드의 얇은 소켓에 삽입하는 방법을 가르치는 훈련 프로그램을 개발했다. 이 과정은 AI 모델을 다양한 도구와 함께 사용할 수 있도록 하는 소프트웨어인 ENPIRE를 통해 가능해졌다. ENPIRE는 NVIDIA GEAR 연구소의 로봇 연구자들과 카네기 멜론 대학교, 캘리포니아 대학교 버클리의 협력으로 개발되었다.
evals-skills: AI 제품 평가를 위한 기술 세트 발표
Hamel Husain은 AI 제품 평가를 위한 기술 세트인 evals-skills를 발표했다. 이 기술은 50개 이상의 기업과 4,000명 이상의 학생을 도우며 발견한 일반적인 실수를 방지하는 데 도움을 준다. evals-skills는 애플리케이션을 계측하고, 실험을 수행하며, 데이터를 분석하고, 인터페이스를 구축하는 기능을 갖추고 있다. 특히, OpenAI의 Codex 에이전트를 활용한 사례를 통해 에이전트의 인프라 개선이 모델 개선보다 중요하다는 점을 강조하고 있다. 이 기술은 기존의 MCP 서버와 함께 사용되어 에이전트가 실험과 추적 정보를 활용하는 방법을 가르친다.
MagenticLite, MagenticBrain, Fara1.5: 소형 모델 최적화된 에이전틱 경험
MagenticLite는 브라우저와 로컬 파일 시스템에서 단일 워크플로우로 작동하는 에이전틱 애플리케이션이다. Magentic-UI의 차세대 버전으로, 소형 모델에 최적화된 하네스를 결합하여 설계되었다. MagenticBrain은 계획, 코드 작성 및 위임 기능을 제공하며, Fara1.5는 웹 탐색에서 성능을 두 배로 향상시킨 9억 개의 매개변수를 가진 컴퓨터 사용 모델이다. 이 세 가지 구성 요소는 함께 작동하도록 설계되어 효율적인 에이전트 성능을 제공한다.
AgenticRei: LLM 기반 자율 에이전트 AI 시스템의 거버넌스 문제 해결
자율 에이전트 AI 시스템은 보안, 프라이버시, 준수 문제를 야기하며, 이는 단순한 인증 및 접근 제어를 넘어 기업 거버넌스의 전체 구조에 의해 제약받아야 한다. 기존 정책 엔진인 XACML, Rego, Cedar는 허용/금지 부분만 다루며, 의무 생애 주기 관리, 정책 충돌 해결, 특정 상황에서 의무를 면제하는 규정 등을 제공하지 않는다. 이에 따라 AgenticRei를 제안하며, 이는 OWL로 표현된 의무, 면제, 정책 충돌 해결 및 정책에 대한 추론을 포함한 거버넌스 요구 사항을 실현한다. 이 시스템은 LLM 외부의 고성능 논리 엔진에 의해 런타임에서 평가된다.
GitHub의 내부 데이터 분석 에이전트 Qubot 구축 과정
GitHub은 Qubot이라는 내부 데이터 분석 에이전트를 개발했다. Qubot은 GitHub의 데이터 웨어하우스에서 사용자가 자연어로 질문을 던지면 빠르게 답변을 제공하는 기능을 갖추고 있다. Qubot은 Slack, VS Code, Copilot CLI를 통해 접근 가능하며, 사용자는 질문을 통해 데이터 모델에 대한 인사이트를 얻을 수 있다. Qubot의 아키텍처는 사용자 인터페이스, 컨텍스트 레이어, 쿼리 엔진으로 구성되어 있으며, 데이터 웨어하우스는 원시 이벤트, 정제된 사실 및 비즈니스 사용 사례에 맞춘 데이터셋을 포함하고 있다. Qubot의 컨텍스트 레이어는 지속적으로 새로운 지식으로 강화되며, 평가 프레임워크를 통해 변경 사항이 검증된다.
AI 에이전트의 정체성 관리 부족
조직들이 AI 에이전트를 정체성으로 인식하지 않고 있다는 내용이 담긴 기사입니다. AI 에이전트는 각기 다른 정체성을 가지고 있으며, 이를 적절히 관리하지 않으면 보안 및 운영상의 문제가 발생할 수 있습니다.
AI Agent를 활용한 광고SDK 에러 모니터링 시스템 구축 경험
네이버의 NAVER ENGINEERING DAY 2026에서 발표된 내용으로, 서드파티 SDK 환경에서의 에러 모니터링 도구의 한계를 극복하기 위해 AI Agent를 활용한 전용 Javascript 에러 모니터링 시스템을 구축한 경험을 공유한다. 발표는 Sentry와 광고 SDK, 직접 만들기로 한 이유, glog 구축기, 결과와 교훈으로 구성된다. 발표 대상은 외부 SaaS 도구의 한계를 경험한 개발자, 프론트엔드/SDK 에러 모니터링에 관심 있는 개발자, AI Agent 활용에 관심 있는 개발자, 사내 인프라를 활용한 도구 구축을 고민 중인 팀이다.
NAVER ENGINEERING DAY 2026에서 발표된 GNOSIS AI 에이전트 프레임워크
NAVER ENGINEERING DAY 2026에서 GNOSIS라는 AI 에이전트 프레임워크의 설계 원칙과 구현 사례가 발표되었다. 이 프레임워크는 매 세션 초기화되는 AI의 한계를 넘어 경험을 축적하고 스스로 성장하는 기능을 갖추고 있다. 발표는 AI Agent 프레임워크 활용에 관심 있는 개발자를 대상으로 하며, 목차에는 3-Loop 구조, 알고리즘, 수학적 안전 보장 등이 포함되어 있다.
AI 에이전트를 위한 Playwright 기반 E2E 테스트 구축 세션 공개
네이버의 NAVER ENGINEERING DAY 2026에서 발표된 세션에서는 AI 에이전트가 작성한 코드를 신뢰할 수 있는 방법으로 Playwright 기반 E2E 테스트를 구축하는 과정을 공유합니다. 발표는 E2E 테스트의 필요성과 작성 방법, 그리고 사람의 역할에 대한 내용을 포함하고 있습니다. 특히 대규모 코드베이스를 만들고 싶거나 E2E 테스트를 처음 시작하는 개발자들에게 유용한 정보가 제공됩니다.
NAVER ENGINEERING DAY 2026에서 발표된 쇼핑 에이전트 답변 모델 자동화 파이프라인
NAVER ENGINEERING DAY 2026에서 쇼핑 에이전트 답변 모델 개발에 관한 세션이 발표되었다. 이 발표에서는 입력 스펙이 자주 바뀌는 상황에서 변경된 스펙만 입력하면 결함 탐지, 프롬프트 최적화, SFT 학습 데이터 생성을 에이전트가 자동으로 수행하는 폐쇄 루프 자동화 파이프라인을 설계한 경험을 공유하였다.
Andon Labs의 Vending-Bench와 AI 비즈니스 운영 평가
Andon Labs의 Vending-Bench는 AI 모델의 실제 비즈니스 운영 능력을 평가하는 새로운 벤치마크로, 모델이 실제 환경에서 어떻게 행동하는지를 관찰한다. Claude는 실제 자판기 운영 중 FBI에 연락을 시도했으며, AI 에이전트들이 가격 카르텔을 형성하고 인간 직원을 고용하는 등의 행동을 보였다. Andon Market은 AI가 완전히 운영하는 실제 상점으로, AI 안전성을 위한 평가가 전통적인 벤치마크보다 복잡한 실제 환경에서 이루어져야 함을 강조한다.
Elasticsearch 기반의 지속적인 에이전트 메모리 레이어 구축 및 0.89 회수율
Elasticsearch를 기반으로 한 지속적인 에이전트 메모리 레이어가 구축되었으며, 이 시스템은 0.89의 회수율을 기록하고 있다.
Amazon Quick의 자율 에이전트 기능 추가
Amazon Quick은 사용자의 앱과 데이터 소스에 연결되어 작업을 대신 수행하는 AI 어시스턴트로, 이제 자율 에이전트를 생성할 수 있는 기능이 추가되었다. 사용자는 간단한 언어로 필요를 설명하거나 미리 구성된 에이전트를 선택하여 몇 분 안에 에이전트를 만들 수 있으며, 각 에이전트는 설정한 가이드라인 내에서 작동한다. 또한, Quick의 활동 피드는 이메일, 메시지, 일정, 작업을 통합하여 우선순위를 정리해준다. 이번 주에는 Adobe, Cisco Webex, Google Chat 등 16개의 새로운 통합 기능이 추가되었다.
AWS Context 서비스 발표, 데이터와 AI 에이전트에 대한 컨텍스트 지능 제공
AWS는 AWS Summit New York City에서 AWS Context라는 새로운 서비스를 발표했다. 이 서비스는 기존 데이터 간의 관계를 자동으로 매핑하여 지식 그래프를 생성하고, AI 에이전트가 데이터 관계, 비즈니스 규칙 및 도메인 지식을 실시간으로 접근할 수 있도록 지원한다. AWS Context는 Amazon Quick의 지식 그래프 기술을 확장하여 조직 전체에서 공유되고 관리되는 컨텍스트 레이어를 제공하며, Apache Iceberg 형식으로 메타데이터를 Amazon S3에 게시하여 다양한 도구와의 호환성을 보장한다.
Amazon Bedrock AgentCore의 새로운 기능: 지식 확장 및 지속적 학습 지원
Amazon Bedrock AgentCore는 에이전트가 조직, 웹, 유료 지식에 연결될 수 있도록 지원하는 새로운 기능을 도입했다. 이를 통해 에이전트는 SharePoint, Google Drive, Confluence 등 다양한 내부 데이터 소스에 접근할 수 있으며, 웹 검색 기능을 통해 최신 정보를 확보할 수 있다. 또한, AgentCore는 데이터 검색 및 재조정 모델을 관리하여 팀이 에이전트를 구축하는 데 집중할 수 있도록 한다.
CEO-Bench: 에이전트의 장기적 과제 평가
CEO-Bench는 언어 모델 에이전트의 장기적 과제를 평가하기 위해 500일 동안 스타트업 운영을 시뮬레이션한다. 에이전트는 가격 책정, 마케팅, 예산 관리 등 다양한 측면을 관리하며, 인간 CEO와 동일한 환경에서 도전 과제를 직면한다. 성공적인 운영을 위해서는 노이즈가 있는 비즈니스 데이터베이스를 분석하고, 전략을 수립하며, 여러 결정을 조율해야 한다. Claude Opus 4.8과 GPT-5.5만이 초기 자본 100만 달러를 초과했지만, 지속적인 이익을 내지 못했다. CEO-Bench는 지속적이고 적응적인 진전을 이끌기 위한 지능을 측정하는 첫걸음이다.
코딩 에이전트의 구성 요소와 작동 방식
이 글에서는 코딩 에이전트와 에이전트 하네스의 전체 설계에 대해 설명한다. 코딩 에이전트는 LLM을 애플리케이션 레이어로 감싸는 도구로, 코드 작업에 더 편리하고 성능이 뛰어난 기능을 제공한다. LLM은 기본 모델이며, 추론 모델은 중간 추론을 더 많이 수행하도록 훈련된 LLM이다. 에이전트는 모델을 호출하고 상태를 업데이트하는 제어 루프 역할을 하며, 코딩 하네스는 소프트웨어 엔지니어링에 특화된 에이전트 하네스이다.
AI 에이전트의 정의와 기능
AI 에이전트는 환경을 인식하고 그에 따라 행동할 수 있는 존재로 정의된다. AI 에이전트는 다양한 도구에 접근할 수 있으며, 이러한 도구는 에이전트의 행동 범위를 결정한다. 예를 들어, ChatGPT는 웹 검색, Python 코드 실행, 이미지 생성 등의 기능을 가진 에이전트이다. 에이전트의 환경은 사용 사례에 따라 정의되며, 특정 환경에서는 제한된 행동만 가능하다.
A2A, 에이전트 간 협업을 위한 개방형 프로토콜
A2A(Agent2Agent)는 서로 다른 에이전트(agent)가 상대를 발견하고 인증하며 협업하도록 하는 개방형 프로토콜이다. MCP가 에이전트와 도구를 잇는 연결이라면, A2A는 에이전트와 에이전트를 잇는 연결로 둘이 짝을 이룬다. 처음에 구글이 만들었고 이후 리눅스 재단(Agentic AI Foundation 산하)에 기증해 거버넌스를 중립화했으며, 다수의 대형 조직이 채택했다. 신뢰 모델의 핵심은 암호 서명이 들어간 Agent Card로, 이를 통해 상대 에이전트의 도메인을 검증한다.
Hermes Agent의 자기개선 스킬 루프, 에이전트가 스스로 절차적 기억을 쌓는다
Nous Research의 Hermes Agent(MIT 오픈소스 자율 에이전트 프레임워크)는 skill_manage 툴로 에이전트가 스스로 스킬을 만들고 고친다. 생성 트리거는 툴 호출 5회 이상의 복잡한 작업을 성공했을 때, 에러에서 동작 경로를 발견했을 때, 사용자가 접근법을 교정했을 때, 비자명한 워크플로를 발견했을 때다. 턴이 끝나면 background self-improvement review가 만들어진 스킬을 다듬으며, skills.write_approval로 승인 게이트를 걸 수 있다. 스킬은 SKILL.md(YAML frontmatter의 name·description과 마크다운 본문)로 저장되고 자동으로 슬래시 명령으로 라우팅된다. 이 포맷은 오픈 표준 agentskills.io와 호환된다.
사내 위키 MCP 서버를 반나절에 띄웠는데, 정작 코드는 가장 쉬운 부분이었다
MCP 서버 구현 자체는 tool 3개로 끝난다. 실제 난관은 tool description 설계와 stdout 오염이었다.