AI 에이전트 뉴스

구글 I/O 2026에서 발표된 Google AI Studio는 Antigravity 코딩 에이전트를 활용해 전문적인 코딩 지식 없이도 아이디어를 실제 앱으로 구현할 수 있는 기능을 선보였습니다. 실제 사례로 비개발자인 에디터가 Gemini를 활용해 퀴즈 앱을 제작하며, 프롬프트 생성부터 정교한 결과물 도출까지의 과정을 증명했습니다.

AutoFixer는 서버 로그를 실시간 모니터링하다가 예외가 발생하면 스택 트레이스를 분석해 스스로 코드를 수정하고 GitHub에 Pull Request를 생성하는 Python 기반 AI 에이전트입니다. 특히 에러 발생 지점 주변의 코드 맥락을 함께 LLM에 전달함으로써 AI의 환각 현상을 방지하고 실행 가능한 수준의 정확한 수정안을 도출합니다.

AI 에이전트가 테스트 환경과 달리 실제 운영 단계에서 컨텍스트 누적과 사용자 입력 변화로 인해 성능이 퇴화하는 '행동적 편향' 문제를 다룹니다. 기존의 에러 중심 모니터링으로는 발견하기 어려운 이 문제를 해결하기 위해 수정 빈도, 신뢰도 보정, 출력 일관성 등을 측정하는 새로운 관측 방법론을 제안합니다.

구글은 영상, 이미지, 오디오를 통합하여 고품질 영상을 생성하고 대화로 편집 가능한 Gemini Omni와, 복잡한 멀티스텝 워크플로우를 실행하는 Gemini 3.5 Flash를 발표했습니다. 특히 3.5 Flash는 코딩과 데이터 분류 등 장기적인 작업 수행에 특화되어 강력한 AI 에이전트 구축을 지원합니다.

구글이 웹사이트가 AI 에이전트에게 얼마나 잘 발견되고 상호작용 가능한지를 테스트할 수 있는 새로운 Lighthouse 리포트를 공개했습니다. 이 리포트는 AI 접근성, WebMCP 통합 여부, 그리고 llms.txt 파일의 적절성을 평가하여 웹사이트의 에이전트 준비 상태를 점검합니다.

AI 코딩 에이전트 'Devin'을 개발한 코그니션(Cognition)이 260억 달러의 기업 가치로 10억 달러 규모의 대규모 투자를 유치했습니다. 스콧 우 CEO는 AI가 개발자를 대체하기보다는 유지보수와 같은 단순 반복 업무를 대신 수행함으로써, 인간 개발자가 더 창의적인 설계와 구현에 집중할 수 있도록 돕는 '버디(Buddy)' 역할을 할 것이라고 강조했습니다.

AI 검색 플랫폼이 단순 정보 추출을 넘어 스스로 계획을 세우고 도구를 사용하는 에이전트 구조로 전환되고 있습니다. 이에 따라 기존의 단일 단계 검색 최적화(RAG)는 한계에 직면했으며, 콘텐츠 제작자는 다단계 추론 과정에서도 유효한 정보를 제공할 수 있는 새로운 전략을 갖춰야 합니다.

Stepfun이 실시간 에이전트 구현에 최적화된 'Step 3.7 Flash' 모델을 출시했습니다. 이 모델은 Apache 2.0 라이선스의 오픈 웨이트 모델로, 256K의 긴 컨텍스트 창과 초당 최대 400 토큰의 압도적인 추론 속도를 제공합니다.

AI 애플리케이션의 복잡도가 증가하면서 챗봇, RAG, 에이전트 등 각 기능별로 요구되는 모델의 특성이 달라지고 있습니다. 따라서 개발자는 범용적인 모델 하나에 의존하기보다, 워크플로우별로 지연 시간, 정확도, 구조화된 출력 능력 등을 기준으로 모델을 개별적으로 평가하고 최적화해야 합니다.

Crawl4AI는 LLM과 RAG 파이프라인 구축에 최적화된 오픈소스 Python 크롤러로, 웹 데이터를 AI가 즉시 처리 가능한 구조로 변환합니다. 이 도구는 복잡한 웹 스크래핑 과정을 단순화하여 고품질의 AI 에이전트 개발을 지원합니다.

Paneflow는 CLI 에이전트를 위한 Rust 네이티브 호스트로, 이번 v0.3.4 업데이트를 통해 성능 병목 현상을 해결했습니다. 마크다운 스트리밍 알고리즘 최적화, 텍스트 크기에 따른 적응형 UI 갱신 주기 도입, 구문 강조 캐싱 등을 통해 장시간 세션에서도 안정적인 실행 환경을 구축했습니다.

캘리저는 단순한 통화 기록을 넘어 실시간 통화 인텔리전스를 제공하는 솔루션으로, 고급 콜 트래킹과 에이전트 모니터링 기능을 갖추고 있습니다. 이를 통해 기업은 영업 성과를 개선하고 고객과의 소통을 최적화할 수 있는 실행 가능한 인사이트를 얻을 수 있습니다.

Aweb은 코디네이터, 개발자, 리뷰어 역할을 가진 에이전트 팀을 구축할 수 있는 오픈소스 템플릿을 공개했습니다. git worklam worktree를 활용해 각 에이전트의 작업 환경을 격리함으로써, AI 에이전트 간의 역할 분담과 코드 리뷰 프로세스를 자동화하고 구조화할 수 있습니다.

최근 OpenRouter 데이터에 따르면 텐센트의 오픈소스 모델 Hy3가 성능이 더 높은 Claude를 제치고 토큰 사용량 부문에서 압도적인 우위를 점하고 있습니다. Hy3는 DeepSeek보다도 저렴한 가격을 무기로, 대규모 입력 토큰 처리가 필요한 에이전트 및 RAG 서비스들 사이에서 유기적인 사용량 증가를 보여주고 있습니다.

Bounty Scout는 오픈소스 보상 정보를 찾아주는 에이전트로, Hermes Agent의 '폐쇄형 학습 루프'를 통해 스스로 작업 스킬을 작성하고 개선합니다. 실행 과정에서 발견된 오류를 스스로 수정하여 다음 작업의 정확도를 높이는 자가 발전형 구조를 핵심으로 합니다.

AI 코딩 에이전트가 세션마다 컨텍스트를 잃어버리는 문제를 해결하기 위해, 프롬프트 대신 저장소 자체를 엔지니어링하는 '하네스 엔지니어링(Harness Engineering)'을 제안합니다. 이는 지침 문서, 아키텍처 제약, 피드백 루프, 지식 저장소라는 4가지 핵심 요소를 통해 AI가 프로젝트의 규칙을 스스로 학습하고 유지하게 만드는 전략입니다.

이 글은 AI 에이전트의 정의와 작동 원리, 그리고 지능의 수준에 따른 네 가지 핵심 아키텍처를 설명합니다. 단순 규칙 기반의 리플렉스 에이전트부터 목표와 효용을 극대화하는 에이전트까지, AI가 어떻게 자율성을 획득해 나가는지를 체계적으로 다룹니다.

글로벌 데이터 클라우드 기업 스노우플레이크가 AI 에이전트용 MCP 플랫폼 기업인 나토마를 인수합니다. 이번 인수를 통해 스노우플레이크는 AI 에이전트가 기업 내 다양한 SaaS 및 인프라와 연결될 때 발생하는 보안, 감사, 거버넌스 문제를 해결하고 에이전트의 동작을 통합적으로 통제할 수 있는 역량을 확보하게 됩니다.

기존의 Semgrep이나 Gitleaks 같은 규칙 기반 보안 스캐너는 높은 오탐률로 인해 개발자들이 보안 경고를 무시하게 만드는 문제를 야기합니다. 특히 AI 에이전트가 대량의 코드를 생성하는 시대에는 자리표시자나 실수로 포함된 자격 증명이 급증하여 보안 위기 관리의 난이도가 더욱 높아지고 있습니다.

네이버 커넥트재단과 서울대학교가 AI 교육 기회 확대를 위한 MOU를 체결하고, 전국 거점국립대 학생 200명을 대상으로 하는 'AI 에이전트 챌린지'를 공동 운영한다. 이번 협력은 네이버 개발진의 멘토링을 통해 지역 대학생들에게 실생활 문제를 해결하는 AI 에이전트 설계 및 구축 경험을 제공하는 데 초점을 맞춘다.