Hackers' Pub
PY

PyTorchKR

@pytorchkr@hackers.pub

파이토치 한국 사용자 모임(PyTorchKR)의 새로운 글들을 게시합니다. 주로 AI/ML 관련 논문, 프로젝트 등을 소개합니다.

(문제를 발견하시면 @9bow 계정으로 알려주세요!)

0 following · 7 followers
JUInvited by Junghwan
Joined August 2026
PY
PyTorchKR@pytorchkr@hackers.pub
·

LLM 에이전트의 외부화(Externalization)에 대한 리뷰 논문 (1/2): 가중치에서 하네스로, 메모리와 스킬

핵심 요약

  • Externalization in LLM Agents는 상하이교통대학교 등 5개 기관 연구진이 정리한 54쪽 분량의 리뷰 논문입니다. 저자들은 최근 LLM 에이전트의 발전을, 모델 가중치를 바꾸는 일이 아니라 모델이 감당하던 인지 부담을 메모리, 스킬, 프로토콜, 하네스로 옮기는 외부화(Externalization) 로 설명합니다.
  • 저자들은 Donald Norman의 인지적 인공물(Cognitive Artifact) 이론을 빌려 옵니다. 메모리는 회상을 재인으로, 스킬은 즉흥적인 생성을 검증된 절차의 조합으로, 프로토콜은 임기응변식 조정을 구조화된 계약으로 바꾼다는 것입니다. 하네스는 네 번째 외부화가 아니라 이 셋이 함께 동작하는 실행 환경으로 정의합니다.
  • 1부에서는 에이전트의 능력이 가중치에서 컨텍스트, 하네스로 옮겨 간 흐름을 살펴봅니다. 이어...
Image

LLM 에이전트의 외부화(Externalization)에 대한 리뷰 논문 (1/2): 가중치에서 하네스로, 메모리와 스킬

핵심 요약 Externalization in LLM Agents는 상하이교통대학교 등 5개 기관 연구진이 정리한 54쪽 분량의 리뷰 논문입니다. 저자들은 최근 LLM 에이전트의 발전을, 모델 가중치를 바꾸는 일이 아니라 모델이 감당하던 인지 부담을 메모리, 스킬, 프로토콜, 하네스로 옮기는 외부화(Externalization) 로 설명합니다. 저자들은 Donald Norman의 인지적 인공물(Cognitive Artifact) 이론을 빌려 옵니다. 메모리는 회상을 재인으로, 스킬은 즉흥적인 생성을 검증된 절차의 조합으로, 프로토콜은 임기응변식 조정을 구조화된 계약으로 바꾼다는 것입니다. 하네스는 네 번째 외부화가 아니라 이 셋이 함께 동작하는 실행 환경으로 정의합니다. 1부에서는 에이전트의 능력이 가중치에서 컨텍스트, 하네스로 옮겨 간 흐름을 살펴봅니다. 이어서 메모리(작업 컨텍스트, 에피소드 경험, 의미 지식, 개인화 메모리), 스킬(작업 절차, 판단 휴리스틱, 규범적 제약)의 ...

discuss.pytorch.kr·PyTorchKR

0
00
0
PY
PyTorchKR@pytorchkr@hackers.pub
·

[오픈소스] 하네스 논문 세 편을 에이전트 하나로 묶어 봤습니다: LongHarness + Harmony Harness + Harness² 경량 구현 (비공식)

지난주 이번 주에 살펴볼 만한 AI/ML 논문 모음(10/12~18)에서 첫 번째 흐름으로 묶인 세 편을 읽었습니다. 셋 다 모델이 아니라 하네스를 고칩니다. 하네스는 모델 바깥의 시스템 프롬프트, 도구 안내, 스킬, 검증 규칙, 예산을 말합니다. 읽다 보니 세 편이 서로 다른 시간 단위에서 작동했습니다. 그래서 겹치지 않게 이어 붙일 수 있겠다고 보고 작은 구현을 만들었습니다. 합성 DART 공시 문항으로 실험해 보니, 효과가 난 곳과 안 난 곳이 분명히 갈렸습니다.

  • 이 저장소:
  • 논문: LongHarness (arXiv:2610.13075), Harmony Harness (arXiv:2610.15150), Harness² (arXiv:2610.14224)
  • Harness² 공식 구현: (Apache-2.0. Linux·Node.js·Vertex AI 필요)

세 논문 저자와는 관계없는 비공식 구현입니다. 코드는 처음부터 새로...

Image

[오픈소스] 하네스 논문 세 편을 에이전트 하나로 묶어 봤습니다: LongHarness + Harmony Harness + Harness² 경량 구현 (비공식)

지난주 이번 주에 살펴볼 만한 AI/ML 논문 모음(10/12~18)에서 첫 번째 흐름으로 묶인 세 편을 읽었습니다. 셋 다 모델이 아니라 하네스를 고칩니다. 하네스는 모델 바깥의 시스템 프롬프트, 도구 안내, 스킬, 검증 규칙, 예산을 말합니다. 읽다 보니 세 편이 서로 다른 시간 단위에서 작동했습니다. 그래서 겹치지 않게 이어 붙일 수 있겠다고 보고 작은 구현을 만들었습니다. 합성 DART 공시 문항으로 실험해 보니, 효과가 난 곳과 안 난 곳이 분명히 갈렸습니다. 이 저장소: GitHub - sinkytiger/harnessforge-lite-kr: Unofficial lightweight research agent combining LongHarness, Harmony Harness and Harness² on a synthetic Korean DART disclosure corpus · GitHub 논문: LongHarness (arXiv:2610.13075), Harm...

discuss.pytorch.kr·PyTorchKR

0
00
0
PY
PyTorchKR@pytorchkr@hackers.pub
·

Traceway: LLM 호출 비용까지 추적하고 AI 에이전트가 직접 조회하는 셀프 호스팅 관측 플랫폼

핵심 요약

  • Traceway는 로그, 트레이스, 메트릭, 예외, 세션 리플레이, LLM 호출 추적을 하나의 서버에 모으는 OpenTelemetry 기반 관측 플랫폼으로, OTLP(OpenTelemetry Protocol)/HTTP 엔드포인트 하나로 데이터를 받습니다.
  • LLM 호출은 gen_ai.* 속성이 붙은 span으로 들어오면 모델, 토큰, 비용, 대화, 도구 호출 단위로 정리됩니다. 단, Traceway에는 모델 가격표가 없어서 비용은 OpenRouter처럼 비용 값을 함께 보내는 경로가 아니면 앱에서 직접 계산해 넣어야 합니다.
  • OpenLLMetry와 OpenLIT 계측은 그대로 동작하지만 OpenInference, Langfuse, LangSmith 형식은 속성 변환이 필요합니다.
  • Claude Code, Cursor, Codex 같은 코딩 에이...
Image

Traceway: LLM 호출 비용까지 추적하고 AI 에이전트가 직접 조회하는 셀프 호스팅 관측 플랫폼

핵심 요약 Traceway는 로그, 트레이스, 메트릭, 예외, 세션 리플레이, LLM 호출 추적을 하나의 서버에 모으는 OpenTelemetry 기반 관측 플랫폼으로, OTLP(OpenTelemetry Protocol)/HTTP 엔드포인트 하나로 데이터를 받습니다. LLM 호출은 gen_ai.* 속성이 붙은 span으로 들어오면 모델, 토큰, 비용, 대화, 도구 호출 단위로 정리됩니다. 단, Traceway에는 모델 가격표가 없어서 비용은 OpenRouter처럼 비용 값을 함께 보내는 경로가 아니면 앱에서 직접 계산해 넣어야 합니다. OpenLLMetry와 OpenLIT 계측은 그대로 동작하지만 OpenInference, Langfuse, LangSmith 형식은 속성 변환이 필요합니다. Claude Code, Cursor, Codex 같은 코딩 에이전트가 스킬, 읽기 전용 CLI, MCP 서버로 운영 데이터를 직접 조회하며, 쓰기 작업은 별도 자격 증명과 조직 관리자 승인이 모두...

discuss.pytorch.kr·PyTorchKR

0
00
0
PY
PyTorchKR@pytorchkr@hackers.pub
·

Anthropic 사내 고용 변화: 주니어 기술직 채용 27%에서 9%로, 에이전트 작업은 사람의 6배 [영문/PDF/20p]

핵심 요약

  • Anthropic Institute가 2026년 10월 16일 How employment is changing at Anthropic 보고서를 공개했습니다. 기술 부서 신규 채용 중 주니어 비중은 27%에서 9%로, 재직 인원 중 주니어 비중은 21%에서 14%로 줄었습니다.
  • 직원이 직접 실행한 대화형 에이전트의 작업 시간은 2026년 8월 기준 직원 근무 시간의 6배였고, 연구 조직만 보면 19배였습니다. 엔지니어 1인당 커밋 수는 2025년 12월 대비 5.1배로 늘었습니다.
  • 에이전트를 도입한 엔지니어 192명과 도입하지 않은 74명을 비교한 결과, 도입 후 추가 코드량이 크게 늘었습니다. 에이전트가 쓴 코드와 사람이 쓴 코드의 삭제, 되돌림 비율에는 차이가 없었습니다. 다만 도입 시점은 무작위가 아니라는...
Image

Anthropic 사내 고용 변화: 주니어 기술직 채용 27%에서 9%로, 에이전트 작업은 사람의 6배 [영문/PDF/20p]

핵심 요약 Anthropic Institute가 2026년 10월 16일 How employment is changing at Anthropic 보고서를 공개했습니다. 기술 부서 신규 채용 중 주니어 비중은 27%에서 9%로, 재직 인원 중 주니어 비중은 21%에서 14%로 줄었습니다. 직원이 직접 실행한 대화형 에이전트의 작업 시간은 2026년 8월 기준 직원 근무 시간의 6배였고, 연구 조직만 보면 19배였습니다. 엔지니어 1인당 커밋 수는 2025년 12월 대비 5.1배로 늘었습니다. 에이전트를 도입한 엔지니어 192명과 도입하지 않은 74명을 비교한 결과, 도입 후 추가 코드량이 크게 늘었습니다. 에이전트가 쓴 코드와 사람이 쓴 코드의 삭제, 되돌림 비율에는 차이가 없었습니다. 다만 도입 시점은 무작위가 아니라는 점을 저자들이 직접 한계로 적었습니다. 사람의 주의가 새 병목이 되었습니다. 대화형 세션 시간의 약 80%가 사람의 입력을 기다리는 시간이었고, 에이전트를 관리하는...

discuss.pytorch.kr·PyTorchKR

0
00
0
PY
PyTorchKR@pytorchkr@hackers.pub
·

[프로젝트 소개] AI 코딩 에이전트의 작업 결과를 웹과 Git에서 확인하는 Orke

제품 소개 글입니다. 저는 BOMTOBE에서 Orke의 한국어 홍보를 맡고 있습니다. 개인 사용 후기나 성능 비교가 아니라 공식 안내에 근거해 제품을 소개합니다.

Claude Code·Codex 같은 AI 코딩 에이전트에 기능 구현을 맡기면, 터미널 출력뿐 아니라 변경된 코드와 브라우저에서 확인할 결과를 함께 살펴야 다음 사람이 의도와 결과를 대조할 수 있습니다. Orke는 에이전트에게 일을 맡기는 터미널, 작업 결과를 확인하는 웹 창, Git 변경 내용을 한 화면에 모으는 데스크톱 작업 공간입니다. 에이전트가 만든 코드와 웹 결과를 오가며 확인하는 흐름을 한곳에서 다룹니다. 반복해서 맡길 일은 AI 직원 목표에 적고 근무 주기를 설정할 수 있습니다. 직원은 이전 기록을 이어 가고, 사람만 처리할 절...

Image

[프로젝트 소개] AI 코딩 에이전트의 작업 결과를 웹과 Git에서 확인하는 Orke

제품 소개 글입니다. 저는 BOMTOBE에서 Orke의 한국어 홍보를 맡고 있습니다. 개인 사용 후기나 성능 비교가 아니라 공식 안내에 근거해 제품을 소개합니다. Claude Code·Codex 같은 AI 코딩 에이전트에 기능 구현을 맡기면, 터미널 출력뿐 아니라 변경된 코드와 브라우저에서 확인할 결과를 함께 살펴야 다음 사람이 의도와 결과를 대조할 수 있습니다. Orke는 에이전트에게 일을 맡기는 터미널, 작업 결과를 확인하는 웹 창, Git 변경 내용을 한 화면에 모으는 데스크톱 작업 공간입니다. 에이전트가 만든 코드와 웹 결과를 오가며 확인하는 흐름을 한곳에서 다룹니다. 반복해서 맡길 일은 AI 직원 목표에 적고 근무 주기를 설정할 수 있습니다. 직원은 이전 기록을 이어 가고, 사람만 처리할 절차가 생기면 부탁으로 남기는 방식으로 안내되어 있습니다. 반복 업무의 범위와 완료 기준은 사용자가 정합니다. Windows판은 Microsoft Store에서 내려받을 수 있습니다...

discuss.pytorch.kr·PyTorchKR

0
00
0