AI 에이전트를 만들고 토큰·비용을 아끼는 데 도움이 되는 오픈소스 도구와 기법을 모읍니다.
큰 개인 지식 저장소나 연구 기록에서 지금 대화에 필요한 내용만 골라 불러오는 맞춤형 의미 기반 메모리 방식이다. 지식은 마크다운 파일로 보관하고, 각 파일에는 내용을 짧게 압축한 ‘이야기’ 필드를 둔다. 파이썬 스크립트가 이 압축 내용을 임베딩으로 바꾸고, 새 질문과 비슷한 내용을 찾아낸다. 이렇게 찾은 일부 정보만 거대언어모델 대화에 넣으면 불필요한 문맥을 한꺼번에 넣는 일을 줄일 수 있다. 목표는 문맥 창 한계를 피하고, 답변 품질을 높이며, 토큰 사용을 아끼는 것이다. 특히 과학적 통찰이나 복잡한 지식처럼 필요한 부분만 정확히 찾아야 하는 분야에 잘 맞는다.
QuickBooks Financial Dashboard는 QuickBooks 데이터를 더 보기 쉬운 표로만 보여주는 도구가 아니라, 재무 상태를 판단하고 다음 일을 정리하는 업무 공간을 목표로 한다. 앞으로 Sage Accounting과 Xero도 붙일 계획이다. 핵심 원칙은 재무 AI가 추측하지 않고, 정리된 데이터와 확정된 계산, 로그인으로 확인된 원본 시스템을 바탕으로 움직여야 한다는 점이다. QuickBooks 연결은 One을 통해 처리하고, 사용자별 연결 상태는 Convex에 저장한다. 재무 데이터를 동기화하고 버전으로 관리해서 화면에 데이터가 얼마나 최신인지와 캐시 상태를 보여줄 수 있게 한다. AI가 해석하기 전에 재무 지표를 먼저 규칙대로 계산한다. 화면별 에이전트와 전문 에이전트가 설명, 우선순위 정리, 업무 전달을 맡는다. 실제 변경 작업은 막아 두고 허가를 거치게 해서 분석과 실행을 분리한다.
Openhop은 Claude Code나 다른 인공지능 에이전트가 만든 코드를 대화형 흐름도로 바꿔 보여주는 오픈소스 도구다. 복잡한 코드를 글로만 읽지 않고, 어떤 부분이 어떻게 이어지는지 그림으로 확인할 수 있다. Claude의 스킬과 명령줄 기능을 이용해 짧은 YML 파일을 만들고, Openhop이 그 파일을 시각적인 흐름도로 렌더링한다. 여러 에이전트가 동시에 코드를 만들 때 사람이 구조를 이해하고 검토하는 시간이 병목이 될 수 있는데, 이 방식은 그 검토 시간을 줄이는 데 초점을 둔다. 핵심 가치는 코드 이해, 품질 확인, 디버깅, 문맥 정리, 토큰 절약 쪽에 있다.
DigitalOcean에서 RAG 에이전트를 만들어 특정 종교 분파에 관한 질문에 답하게 하려는 상황이다. 자료로는 관련 책과 출처 문서를 넣으려 하며, 현재 Onyx를 사용하고 있다. 만든 사람은 파이썬과 SQL은 쓸 수 있지만 전문 소프트웨어 엔지니어나 데이터 과학자 수준은 아니라고 밝힌다. 핵심 고민은 가지고 있는 EPUB 파일을 그대로 넣어도 되는지, 아니면 마크다운 파일로 바꾸는 편이 실제로 훨씬 나은지다. 당장 EPUB를 모두 넣어 먼저 작동하게 한 뒤, 시간이 날 때 천천히 마크다운으로 바꾸는 방식도 가능한지 확인하려는 내용이다.
AgentHosting.app는 개인용 AI 에이전트를 오래 켜 두고 쓸 수 있게 해 주는 플랫폼이다. 에이전트는 세션이 바뀌어도 이전 문맥을 기억하며, 이 기능은 mem0로 확장되어 있다. RTK와 Headroom을 사용해 토큰 사용을 줄이도록 설계되어, 하루 종일 실행해도 크레딧을 빠르게 소모하지 않는 것을 목표로 한다. OAuth로 안전한 로그인을 지원하고, 작업 관리를 위한 Kanban 시스템과 하위 에이전트 프로필도 들어 있다. Skills와 MCP 지원을 통해 사용자가 기능을 더 붙일 수 있게 하려는 구조이며, 이 부분은 아직 개발 중이다. 데스크톱 연결 기능도 곧 추가될 예정이다. 사용자는 모델을 고르고, 데이터를 통제하고, 자기 방식으로 에이전트를 확장할 수 있다. 현재 대상은 기업 고객이 아니라 기술에 관심 있는 개인 베타 테스터다.
CortexPrism 0.50.0은 이미 만들어졌지만 실제 실행 경로에 연결되지 않았던 기능들을 켜는 안정화판이다. 이전 0.49.0이 큰 구조를 나누고 정리한 판이었다면, 이번 판은 그 구조가 실제로 작동하도록 고치는 데 초점을 둔다. 네 개의 CLI 명령어, 476줄짜리 도구, A2A remote agent bridge가 코드와 테스트까지 있었지만 등록 목록에 빠져 있어 제대로 쓰이지 못했다. 보안 점검에서는 여섯 보안 계층 전반에서 18개 문제가 발견되어 보강됐다. 두 개의 quartermaster intelligence 시스템에는 조용히 잘못된 예측을 만들 수 있는 버그가 있었고, 이번 판에서 고쳐졌다. 화면 구성도 크게 바뀌었고, 빠른 개발 중 쌓인 30개 이상의 죽은 파일과 네 개의 고아 database tables가 제거됐다.
Tapestry는 개인 위키 위에 얹어 쓰는 로컬 대시보드다. 목표는 매번 다시 검색하고, 같은 내용을 다시 설명하느라 토큰을 쓰고, 이전 결정의 이유를 잊어버리는 문제를 줄이는 것이다. 이 도구는 사용자의 결정, 관심사, 작업별 배경 이유를 계속 쌓는 지식 기반으로 설계됐다. 처음 쓰는 과정에서는 로컬 모델을 실행하는 법과 디자인을 바꾸는 법을 안내한다. 사용 영역은 구직, 커리어 성장, 인공지능 탐색, 개인 프로젝트, 제품 개발, 시장 진입 계획, 집 복구, 식물 관리처럼 생활과 업무 전반이다. 핵심 생각은 일회성 대화에도 이유와 맥락이 있으므로, 그것을 저장하면 다음 인공지능 사용에서 더 나은 결과를 만들 수 있다는 것이다. 아직 더 다듬은 뒤 오픈소스로 공개할 계획이다.
클로드로 AI 에이전트를 만들 때 선택지는 크게 두 가지다. 하나는 클로드가 기본으로 제공하는 내장 연결을 쓰는 방식이고, 다른 하나는 Composio나 Pipedream 같은 별도 연동 계층을 앞에 두는 방식이다. 별도 연동 계층은 더 많은 외부 도구를 한 번에 연결할 수 있고, 각 도구의 로그인 권한과 인증 토큰 관리를 직접 만들지 않아도 된다는 장점이 있다. 반대로 클로드의 내장 연결도 계속 늘고 있어서, 별도 도구가 여전히 큰 이점을 주는지는 확실하지 않다. 또 한 단계가 더 들어가면 설정이 늘고, 실제 도구를 쓰기까지의 과정이 더 번거로워질 수 있다. 핵심 판단 기준은 더 큰 도구 목록과 인증 관리 대행이 실제로 시간을 줄이는지, 아니면 설정 부담을 다른 곳으로 옮기는지다.
AI 에이전트를 만드는 사람들에게는 실제로 도움이 되는 기능과 마케팅에 가까운 기능을 구분하는 일이 중요해지고 있습니다. 검토 대상은 완전 자율 에이전트, 장기 메모리, 여러 에이전트가 함께 일하는 방식, 도구 호출, 컴퓨터 사용, 자기 개선 루프입니다. 핵심은 실서비스나 개인 프로젝트에서 어떤 기능이 기대만큼 쓸모없었는지, 반대로 덜 알려졌지만 결과를 크게 바꾼 기능이 무엇인지 확인하는 것입니다. 성공 사례뿐 아니라 실패 사례도 중요합니다. 그래야 지금 바로 쓸 만한 기능과 아직 과장된 기능을 나눌 수 있습니다.
대형 언어 모델로 만든 코드를 관리할 때, 겉모양 검사보다 코드의 의미와 설계 선택을 어떻게 볼지가 문제가 된다. 예를 들어 오류 처리 방식이나 데이터 흐름처럼 팀의 아키텍처 규칙에 적혀 있지 않은 부분에서 모델이 스스로 결정을 내릴 수 있다. 이때 그 빈자리가 일부러 열어 둔 선택권인지, 아니면 규칙을 만들지 못한 실수인지 구분하기 어렵다. 린터는 코드가 규칙을 어기지 않으면 조용히 넘어가기 때문에 이런 차이를 알려주지 않는다. 핵심 고민은 규칙에 걸리지 않으면 괜찮다고 볼지, 아니면 모델이 의도하지 않은 설계 빈틈을 채울 때 실제 문제가 생기는지다.
Codex를 오래 사용해 여러 개인 프로젝트를 만든 경험을 바탕으로, 프로젝트 전체를 처음부터 끝까지 자동으로 진행하는 오케스트레이션 계층 아이디어가 제시됐다. 핵심은 가장 좋은 Codex 모델이 먼저 전체 계획을 세우고, 이후 실제 실행 단계 일부를 더 저렴한 Deepseek가 맡게 하는 방식이다. 이렇게 하면 OpenAI 토큰을 덜 쓰면서도 Codex의 강한 기획 능력을 활용할 수 있다. 이 방식이 작동하려면 오케스트레이션 계층이 단순한 명령 전달기가 아니라, 기록 남기기, 결과 검증, 회귀 테스트 같은 안전장치를 갖춰야 한다. 여러 컴퓨터가 작업을 나눠 맡는 작업자 시스템도 함께 언급되며, 중앙에서 일을 배분해 중앙처리장치, 메모리, 그래픽처리장치 같은 자원을 아끼는 방향이다.
OpenAI는 2026년 1분기에 현금 37억 달러를 썼고, 같은 기간 매출은 57억 달러였다. 현금 사용액과 매출은 1년 전보다 각각 약 3배로 늘었다. 3월 투자 유치 이후 분기 말 보유 현금은 730억 달러를 넘었다. 이 현금 여력 때문에 OpenAI가 당장 추가 투자 유치나 기업공개를 서두를 필요는 크지 않아 보인다. 영업손실은 93억 달러였지만, 매출총이익률은 1년 전 33%에서 39%로 올랐다. 이는 사업 규모가 커지는 동안 핵심 운영의 효율이 일부 개선되고 있다는 신호다.
Graperoot는 AI 코딩 도구를 쓸 때 토큰을 너무 많이 쓰는 문제를 줄이려고 만든 개인 도구에서 시작했다. 2026년 2월에 개인용으로 만들었고, 3월에 공개됐다. 처음에는 맥 환경에서 만들었기 때문에 윈도와 리눅스에서 생기는 오류를 고쳐야 했다. 핵심 아이디어는 이중 그래프 시스템으로, 작업 문맥을 더 잘 잡아 AI에게 불필요한 설명을 반복하지 않게 하는 방식에 가깝다. Graperoot는 Claude Code 사용자 중 동의한 사람들의 절감액을 순위표로 공개했고, 3개월 동안 개발자 150명이 약 16만 달러를 아꼈다고 밝혔다. 현재 디스코드 커뮤니티는 약 300명이고, 전체 사용자는 4천 명 이상, 주간 활성 사용자는 1,200명 이상이라고 한다. 앞으로는 개발과 운영 과정에서 같은 로그를 계속 다시 설명하지 않아도 되게 하는 기능으로 확장할 계획이다.
DeepSeek가 첫 외부 투자 유치로 약 500억 위안, 미국 달러로 약 74억 달러를 모았다. 투자 뒤 기업가치는 약 4,000억 위안, 미국 달러로 약 592억 달러로 평가됐다. 창업자 겸 최고경영자인 Liang Wenfeng은 자기 돈으로 약 200억 위안을 넣어 전체 투자금의 거의 절반을 맡았다. 이 구조는 외부 투자자를 받으면서도 Liang Wenfeng이 회사 방향을 계속 통제하려는 뜻으로 해석된다. DeepSeek는 Moonshot AI의 300억 달러 평가와 MiniMax AI의 177억 달러 시가총액을 넘었지만, Zhipu AI의 950억 달러 시장가치보다는 낮다. Liang Wenfeng은 투자자들에게 DeepSeek가 인공지능 모델의 지능을 높이는 일에 집중하며, 그 밖의 일에는 관심이 없다고 밝혔다. 커뮤니티에서는 DeepSeek의 강점으로 오픈 모델 전략, 효율적인 추론 인프라, 비용 대비 성능을 꼽는 반응이 많았다.
챗봇에 들어오는 질문을 먼저 분류하면 검색 증강 생성의 답변 흐름을 더 잘 정리할 수 있다. 이 방식은 질문을 임베딩으로 숫자화한 뒤, 로지스틱 회귀로 어떤 종류의 질문인지 판단한다. 분류 결과는 메타데이터로 쓰이며, 챗봇이 관련 자료를 더 잘 고르도록 돕는다. 목표는 검색 증강 생성 기반 챗봇의 답변 품질을 높이는 것이다.
이미 돌아가는 RAG 시스템에 하이브리드 검색을 붙이려는 상황이다. 현재 구성은 Chroma 벡터 저장소와 MMR 검색, Hugging Face 임베딩, Mistral AI, LangChain, Ragas 평가 지표다. 평가에는 문맥 정확도, 문맥 회수율, 답변 충실도, 답변 관련성이 이미 들어가 있다. 선택지는 세 가지다. LangChain EnsembleRetriever를 쓰면 Chroma를 그대로 두고 몇 줄만 추가해 BM25와 dense 검색 결과를 RRF 융합으로 섞을 수 있다. Weaviate나 Qdrant로 옮기면 하이브리드 검색을 한 번의 호출로 처리하고 alpha 값으로 검색 비중을 조절할 수 있지만, Chroma에서 벗어나 데이터를 다시 넣어야 한다. LlamaIndex QueryFusionRetriever도 검색 결과를 깔끔하게 섞을 수 있지만, LangChain 중심 구조를 바꿔야 한다. 핵심 판단은 EnsembleRetriever만으로 충분한지, 실제 품질이나 지연 시간 때문에 native hybrid 저장소로 옮길 이유가 있는지, 또는 하이브리드 검색보다 재순위 모델을 붙이는 편이 더 큰 개선인지다.
Flexible GraphRAG 0.6.3은 문서를 처리하고, 지식 그래프를 자동으로 만들고, AI가 필요한 정보를 찾아 답하게 해주는 오픈소스 플랫폼이다. Docling이나 LlamaParse로 문서를 읽어 들이고, 온톨로지와 스키마를 써서 정보 구조를 정리할 수 있다. 여러 대형 언어 모델 제공사를 지원하며, GraphRAG와 RAG 방식의 검색, 벡터 검색, 전체 문장 검색, 속성 그래프 검색, RDF/SPARQL 검색을 함께 쓸 수 있다. 백엔드는 파이썬 기반이며 LlamaIndex와 LangChain을 모두 지원하고, 단계별로 어떤 도구를 쓸지 환경 설정에서 고를 수 있다. FastAPI 기반 REST API, Angular·React·Vue용 타입스크립트 화면, MCP 서버가 포함되어 있다. 13가지 데이터 원천을 연결할 수 있고, 그중 9가지는 변경분 자동 동기화를 지원한다. 속성 그래프 데이터베이스 15종, RDF 저장소 4종, 벡터 데이터베이스 10종, OpenSearch, Elasticsearch, BM25 검색, Alfresco와도 연결된다. Docker Compose 설정으로 데이터베이스 서비스와 관리 화면을 켤 수 있다.
gwen-digestor는 긴 대화가 LLM의 컨텍스트 창을 빠르게 채우는 문제를 줄이기 위해 만든 오픈소스 MCP 서버다. 대화 내용이 모델에 들어가기 전에 메시지 종류를 알아보고, 그 형식에 맞게 내용을 압축한다. 현재 공개된 결과는 전체 토큰 사용량 38.3% 감소, 모델 출력 응답에서는 약 72% 감소다. GPU, 외부 API, 임베딩 없이 정규식과 구조 기반 규칙으로 동작하므로 CPU만 있는 로컬 환경에서도 쓸 수 있다. 점검 메시지는 숫자와 상태값 중심으로 정리하고, 작업 지시는 군더더기를 제거하며, JSON은 더 작게 만들고, 코드는 주석을 줄이는 방식이다. 같은 텍스트를 반복 처리하지 않도록 gzip으로 압축한 참조 캐시와 실제 절감량을 보는 통계 기능도 포함됐다. 주변에서도 비슷한 흐름이 이어지고 있다. AI 코딩 에이전트의 토큰을 40~90% 이상 줄였다는 파일 읽기 훅, MCP 도구 묶음, 입력 압축 엔진, 비싼 모델과 싼 모델을 단계별로 나눠 쓰는 작업 흐름 도구가 함께 나오고 있다.
AgentScan은 인터넷이나 내부망에 열려 있는 AI 관련 연결점을 찾아주는 오픈소스 보안 점검 도구다. 일반 포트 스캐너가 “웹 서비스가 열려 있다” 정도만 알려준다면, AgentScan은 한 단계 더 들어가 그 서비스가 MCP 서버인지, A2A Agent Card인지, LLM 개방 인터페이스인지 확인한다. 확인 결과에는 사용할 수 있는 도구, 에이전트 기능, 모델 목록, 인증 여부가 포함된다. MCP 쪽에서는 Streamable HTTP, 오래된 HTTP+SSE 방식, 도구·자료·프롬프트 목록, 인증 상태, 허니팟 신호를 본다. A2A 쪽에서는 Agent Card, skills, interfaces, 인증 없는 JSON-RPC 접근 가능성, 사설망 주소 노출을 점검한다. LLM 개방 인터페이스 쪽에서는 Ollama, vLLM, SGLang, TGI, llama.cpp, Xinference, LiteLLM, FastChat, LocalAI, LM Studio, LMDeploy 등을 인식한다. 도메인, 아이피, 내부망 대역, 이미 열린 host:port 목록을 대상으로 실행할 수 있고, 결과를 JSON 파일로 저장할 수 있다. 사용 목적은 허가받은 기업 보안 점검이며, 무단 스캔은 하지 말라는 제한이 명시돼 있다.
서비스에 RAG를 붙이는 과정에서 지식 베이스 안에 표가 많이 들어가 있다. 현재는 Docling으로 청킹을 하고 있지만, 필요한 표 데이터가 제대로 골라지지 않고 불필요한 정보처럼 밀려나는 일이 자주 생긴다. 그 결과 답변이 갑자기 흐름을 잃거나 엉뚱하게 나오는 문제가 있다. 핵심 고민은 표처럼 구조가 있는 자료를 RAG가 더 잘 찾아 쓰게 하려면 어떻게 처리해야 하는지다.
kogiQA MCP Web Browser는 인공지능 에이전트가 복잡한 웹 애플리케이션을 살펴보고 문제를 찾는 데 쓰도록 만든 웹 브라우저 도구다. MCP 서버 형태로 제공되며, 에이전트 개발 환경에 붙여서 사용할 수 있다. 설치는 `npx kogiqa-mcp@latest` 명령으로 할 수 있고, Claude Code, VS Code, Cursor에서 쓰는 방법이 안내되어 있다. 표준 설정은 `kogiqa-browser`라는 이름으로 `npx` 명령을 실행하게 만드는 방식이다. 현재 GitHub 기준으로 별 13개, 포크 0개, 커밋 2개 수준의 초기 프로젝트이며, 라이선스는 MIT다. 별도 릴리스는 아직 올라와 있지 않다.
중국의 하드웨어 제작자가 NVIDIA Tesla V100 그래픽카드를 새 형태로 개조했다. 약 1년 동안 Tesla V100의 2,963개 핀 신호를 분석해 더 작은 반높이 회로기판에 붙였고, 여러 장의 그래픽카드를 빠르게 연결하는 NVLink도 지원하게 만들었다. 이름은 Tesla V100 v4로 붙였다. 가격은 16기가바이트 모델이 1,499위안, 약 220달러이고, 32기가바이트 모델이 3,999위안, 약 590달러다. 2장 연결용 NVLink 어댑터는 199위안, 약 29달러이고, 8장 연결용 어댑터는 799위안, 약 118달러다. 3년 보증도 붙어 있다. 최대 8장까지 연결할 수 있다고 되어 있어, 작은 서버에서 여러 그래픽카드로 인공지능 모델을 돌리는 데 쓸 수 있는 부품으로 보인다.
1년 동안 대규모 언어 모델 기반 제품 흐름을 만들고 시험한 경험에서는, 모든 일을 스스로 처리하는 완전 자율 에이전트보다 범위가 좁고 결과 기준이 분명한 방식이 더 안정적이었다. 잘 작동한 시스템은 처리할 일이 작게 정해져 있고, 성공 여부를 확인하기 쉬우며, 에이전트 반복을 최소한으로 줄였다. 출력은 정해진 형식으로 받았고, 중요한 단계에서는 사람이 승인하도록 했다. 반대로 완전 자율 에이전트 실험은 시연에서는 좋아 보였지만 실제 운영에서는 비용이 커지고, 결과가 흔들리며, 유지보수가 어려웠다. 검색, 대규모 언어 모델 호출 1번, 검증 단계, 신뢰도가 낮을 때의 사람 검토로 이루어진 단순한 흐름이 더 복잡한 에이전트 구조보다 더 좋은 결과를 낸 경우가 많았다.
채용 담당자가 자연어로 이력서를 찾을 수 있는 검색 도구를 만들 때, 흐름은 메타데이터 필터링, 벡터 검색, LLM 처리 순서로 잡혀 있다. 시작 규모는 이력서 수천 건 정도다. 가장 큰 고민은 이력서를 어떻게 나누고 읽어 구조화할지다. 고정 길이로 잘라 넣으면 앞뒤 맥락이 끊길 수 있고, 경력·학력 같은 구역별로 나누면 더 깔끔하지만 실제 이력서 형식이 제각각이라 어렵다. 이력서를 처음 넣을 때 LLM으로 이름, 경력, 기술, 학력 같은 구조화된 정보를 뽑아두는 방식도 검토되고 있다. 다만 이 방식은 규모가 커질수록 비용과 오류가 문제가 될 수 있다. 초기에 메타데이터가 잘못 만들어지면, 뒤의 검색과 LLM 답변 품질까지 같이 흔들릴 수 있다. 실제로 지저분한 이력서 PDF를 안정적으로 읽는 도구 선택도 중요한 과제다.
Gemma4-12B-QAT Uncensored Balanced가 공개됐다. 이 모델은 기존 Gemma4-12B-QAT를 기반으로 검열 제한을 줄인 변형이며, MTP 적용으로 속도가 약 60% 빨라졌다고 소개된다. 제작자는 HF 계정 기준 다운로드가 거의 2천만 회에 가까워졌고, Discord 구성원은 거의 5천 명이라고 밝혔다. GenRM 테스트에서는 465개 요청 중 거절이 0건이었다고 한다. Balanced 방식은 매우 민감한 요청에서 짧은 사전 reasoning을 한 뒤 답변을 제공하는 형태이며, 성격을 바꾸는 조정은 없다고 설명된다. 일부 극단적인 예외 요청은 처음에는 빗나갈 수 있지만 다시 물으면 답하는 경우가 있다고 한다. 권장 용도는 창작 글쓰기, 역할극, 감정 표현이 필요한 대화이며, agentic coding과 tool use에서는 자체 테스트 기준 Qwen3.6이 더 낫다고 평가했다. 반복 출력 문제는 없고, 재실행해도 sampling이 안정적이며, 긴 컨텍스트에서도 흐름이 유지된다고 주장한다.
GPU가 없는 일반 노트북에서는 로컬 대형 언어 모델, 검색 결합 생성, 에이전트 앱 실행이 매우 느릴 수 있다. 16GB 메모리의 HP EliteBook 같은 장비는 학습용 실험은 가능할 수 있지만, GPU 병목 때문에 실제 실행 속도가 큰 제약이 된다. 목표는 새 GPU 노트북이나 클라우드 비용 없이 현재 장비로 LLM, RAG, 에이전트를 만들어 보는 방법을 찾는 것이다. 구체적인 우회 방법, 성능 수치, 추천 도구는 제시되지 않았다.
gUrrT는 유튜브나 온라인 강의 영상을 보다가 막힌 부분을 바로 질문할 수 있게 만든 개인 튜터 도구다. 영상에서 중요한 장면을 골라내고, 음성을 글로 바꾼 뒤, 시각언어모델로 주요 장면에 설명을 붙인다. 이렇게 만든 정보는 벡터 데이터베이스에 저장되어, 긴 영상을 질문으로 찾을 수 있는 자료로 바뀐다. 사용자가 강의 내용이나 칠판에 적힌 내용을 질문하면, 관련된 영상 문맥을 찾아 거대언어모델에 함께 보내 답을 만든다. 목표는 24시간 이용할 수 있는 영상 이해 보조 도구를 소비자용 PC에서도 쓸 수 있게 하는 것이다.
browser-search는 AI 에이전트가 웹 검색과 웹 탐색을 직접 처리하도록 돕는 오픈소스 도구 묶음이다. OpenCode, Claude Code, Cursor 같은 코딩 에이전트는 코드 작업에는 강하지만, 웹을 볼 때는 Cloudflare 차단, 자바스크립트가 많은 사이트, 유료 응용 프로그램 인터페이스 때문에 막히기 쉽다. 이 도구는 SearXNG, Camofox, CloakBrowser 세 가지를 하나의 스킬로 묶어 쓴다. SearXNG는 여러 검색엔진을 한 번에 조회하고, Camofox는 계속 켜진 브라우저처럼 웹페이지를 열고 조작하며, CloakBrowser는 Cloudflare, Akamai, DataDome 같은 차단 장치가 있는 사이트를 우회용으로 다룬다. AI 에이전트가 상황에 맞게 어떤 도구를 쓸지 스스로 고르며, 별도 응용 프로그램 인터페이스 키나 구독료가 필요 없다는 점을 내세운다. Camofox가 막히면 CloakBrowser로 바꾸는 자동 전환도 포함되어 있다. Readability.js를 넣어 기사 본문만 깔끔하게 뽑아내며, 이 과정에서 토큰 사용량을 약 70% 줄일 수 있다고 한다. 설정 핵심인 SKILL.md는 일반 텍스트라서 복사해 고치기 쉽고, GitHub에 MIT 라이선스로 공개되어 있다.
Hugging Face 오픈소스 팀이 Papers with Code를 다시 살리며 여러 기능을 추가했다. 논문이 특정 벤치마크에서 상위 3위 안에 들면 SOTA 배지가 붙어, 어떤 연구가 현재 성능 경쟁에서 앞서는지 바로 볼 수 있다. 논문 정렬 방식도 바뀌었다. 이제 깃허브 별 증가 속도뿐 아니라 연결된 Hugging Face 모델, 데이터셋, Spaces의 인기 흐름까지 합쳐서 뜨는 연구를 보여준다. 이 변경으로 GLM-5.2 모델의 핵심 기술 중 하나인 IndexCache 같은 논문도 더 잘 드러난다. 외부 평가도 볼 수 있게 되어, 논문 자체에 실린 결과뿐 아니라 다른 기관이나 도구가 측정한 성능도 함께 확인할 수 있다. 예시로 GLM-5.2의 FrontierSWE와 PostTrainBench 결과, CritPt 물리 추론 벤치마크의 Artificial Analysis 결과가 제시됐다. 더 많은 작업, 벤치마크, 평가가 점진적으로 추가되고 있으며, 새 주소 paperswithco.de도 제공된다.
내구 실행은 오래 걸리는 코드가 서버 장애나 일시적인 오류 때문에 처음부터 다시 시작되지 않게 하는 방식이다. Temporal은 이 방식을 설명하는 대표 도구로 제시된다. 전체 작업 흐름은 워크플로로 묶고, 외부 서비스 호출이나 실제 작업은 활동으로 나누며, 이벤트 기록으로 어떤 일이 이미 끝났는지 남긴다. Restate도 비슷하게 내구 실행 개념을 설명하는 참고 도구로 함께 다뤄진다. 핵심은 긴 작업을 더 안정적으로 이어가고, 실패 뒤에도 이미 끝난 단계를 불필요하게 반복하지 않도록 만드는 것이다.