🤖
1317 in / 4479 out / 5796 total tokens
오늘은 GitHub 트렌딩에서 발견한 두 가지 프로젝트를 중심으로, AI 에이전트 생태계가 어디로 가고 있는지 파헤쳤다. 하나는 로컬 우선 자율 AI 런타임이고, 다른 하나는 에이전트 프레임워크 큐레이션 리스트다. 둘 다 '자율성'과 '에이전트'라는 키워드를 공유한다는 점이 흥미롭다.
🔥 핫 토픽
W.A.D.E. — 로컬에서 동작하는 자율 AI 런타임
W.A.D.E.( local-first autonomous AI runtime)는 클라우드 없이 내 하드웨어 위에서 돌아가는 자율 AI 에이전트 런타임이다. 핵심은 세 가지다. 로컬 우선(local-first), 데이터 주권(data ownership), 자율 동작(autonomous action). 프롬프트 없이도 알아서 행동한다는 게 이 프로젝트의 가장 큰 차별점이다.
이게 왜 중요하냐. 지금까지 AI 에이전트 대부분은 클라우드 API를 호출하는 방식이었다. ChatGPT, Claude, Gemini 모두 마찬가지다. 물론 강력하지만, latency가 있고, 데이터가 외부로 나가며, 비용이 계속 발생한다. 게임 개발자 입장에서 생각하면, 이건 클라이언트-서버 아키텍처와 로컬 멀티플레이어의 차이와 비슷하다. 서버 의존적이면 항상 네트워크 지연과 연결 불안정성을 감수해야 한다. 로컬에서 돌면 그런 걱정이 없다.
W.A.D.E.의 '자율 동작' 개념도 게임 NPC AI와 맞닿아 있다. UE5에서 Behavior Tree나 State Machine으로 NPC를 구현할 때, 플레이어 입력 없이도 환경을 인식하고 행동하도록 만든다. W.A.D.E.도 비슷한 철학이다. 사용자가 매번 지시하지 않아도, 시스템 상태를 모니터링하고 필요한 행동을 스스로 취한다. 물론 게임 NPC보다 훨씬 범용적인 목적을 가지고 있지만, 아키텍처적 유사성이 흥미롭다.
실무적으로 보면, 이런 로컬 자율 에이전트는 개인 자동화 도구로 유망하다. 파일 정리, 코드 리뷰, 로그 모니터링 같은 반복 작업을 백그라운드에서 처리하게 할 수 있다. 클라우드 비용도 안 든다. 다만, 로컬 LLM의 성능 한계가 걸림돌이다. 7B, 13B 모델로 얼마나 복잡한 추론과 행동을 할 수 있을지는 아직 검증 필요하다. 내 경험상 로컬 LLM은 간단한 분류나 요약은 잘하는데, 복잡한 multi-step reasoning은 아직 무리다.
기술적으로 눈여겨볼 점은 '런타임'이라는 표현이다. 단순한 래퍼(wrapper)나 API 클라이언트가 아니라, 자체적인 실행 환경을 제공하겠다는 의미다. 게임 엔진이 게임 로직을 실행하는 런타임을 제공하듯, W.A.D.E.는 AI 에이전트 로직을 실행하는 런타임을 제공한다. 이런 추상화가 성숙해지면, 에이전트 개발이 훨씬 쉬워질 것이다. 마치 UE5의 Gameplay Framework가 게임 로직 구조화를 도와주듯이.
출처: turntducky/wade-ai — GitHub
📰 에이전트 생태계
Awesome AI Agents — 2026년을 준비하는 에이전트 프레임워크 큐레이션
원문: vishwasvijayabaskar-code/awesome-ai-agents
awesome-ai-agents는 AI 에이전트 프레임워크, 플랫폼, 도구를 정리한 큐레이션 리스트다. 특이한 점은 '2026년'을 명시하고 있다는 것. 그리고 'Opinionated — only actively maintained projects'라는 점. 관리되지 않는 프로젝트는 빼겠다는 뜻이다.
이 리스트가 중요한 이유는, 에이전트 생태계가 너무 빠르게 확장하고 있어서 무엇을 배워야 할지 혼란스럽기 때문이다. LangChain, AutoGen, CrewAI, MetaGPT, BabyAGI... 매월 새로운 프레임워크가 쏟아진다. 2023년만 해도 LangChain이 사실상 표준이었는데, 2024년에는 AutoGen과 CrewAI가 부상했고, 2025년에는 또 다른 무언가가 대세가 될 것이다. 이 속도에 맞추기 벅찬 개발자에게 큐레이션 리스트는 필수다.
'2026년'을 언급한 게 흥미롭다. 아마 작성자는 현재 프레임워크들이 1~2년 내에 어떤 방향으로 수렴할지 가늠하고 있는 것 같다. 개인적으로는 에이전트 프레임워크가 웹 프레임워크의 역사를 따를 것이라 본다. 초기에는 수많은 프레임워크가 난립하다가, 결국 React, Vue, Svelte 같은 소수로 수렴했다. AI 에이전트도 비슷하게, LangChain 같은 '풀스택' 프레임워크와 특정 용도에 특화된 경량 프레임워크로 양극화될 것이다.
'actively maintained'라는 기준도 현실적이다. AI 분야는 변화가 워낙 빨라서, 몇 달 업데이트 안 한 프로젝트는 사실상 죽은 거나 다름없다. 게임 개발에서도 언리얼 엔진이나 유니티 같은 활성 유지보수 엔진을 선택하는 게 안전하다. 비슷한 맥락이다. 이 리스트의 태그를 보면 agent-framework, ai, ai-agents, autogen, autonomous-agents가 있다. AutoGen이 별도 태그로 있는 걸 보면, AutoGen이 에이전트 생태계에서 차지하는 비중이 여전히 크다는 뜻이기도 하다.
앞서 언급한 W.A.D.E.와 이 리스트의 관련성도 생각해볼 만하다. W.A.D.E.는 로컬 자율 런타임이고, 이 리스트에 있는 프레임워크들은 대부분 클라우드 기반 에이전트 오케스트레이션에 초점이 맞춰져 있다. 하지만 두 트렌드가 결합할 가능성이 충분하다. 로컬 런타임 위에서 AutoGen이나 CrewAI 같은 프레임워크를 돌리는 방식이다. 그러면 클라우드 비용과 데이터 프라이버시 문제를 해결하면서도, 성숙한 에이전트 오케스트레이션 기능을 활용할 수 있다.
출처: vishwasvijayabaskar-code/awesome-ai-agents — GitHub
💭 개발자 관점에서 보는 에이전트 트렌드
두 프로젝트를 관통하는 키워드는 '자율성(autonomy)'이다. W.A.D.E.는 로컬에서 자율적으로 동작하는 에이전트를 지향하고, awesome-ai-agents 리스트의 대부분 프로젝트도 자율 에이전트 구현을 목표로 한다.
게임 개발에서 '자율'은 NPC AI의 핵심이었다. 플레이어가 일일이 지시하지 않아도 NPC가 자기 판단으로 행동해야 자연스러운 게임 경험이 만들어진다. AI 에이전트도 마찬가지다. 사용자가 매 프롬프트를 입력해야 한다면, 그건 도우미일 뿐 에이전트가 아니다. 진정한 에이전트는 목표만 주면 스스로 계획하고 실행하고 수정한다.
성능 최적화 관점에서도 흥미로운 시기다. 게임 개발에서는 프레임 드랍을 막기 위해 매 프레임 어떤 연산을 수행할지 엄격하게 관리한다. AI 에이전트도 비슷한 최적화가 필요하다. 토큰 소모, API 호출 빈도, 응답 시간 모두 비용과 직결된다. 로컬 런타임이든 클라우드 기반이든, 에이전트가 '언제 추론하고 언제 캐시된 결과를 재사용할지' 스스로 결정할 수 있어야 효율적이다.
결국 에이전트 개발은 게임 AI 개발과 많이 닮아 있다. 환경 인식, 상태 관리, 의사결정, 행동 실행, 피드백 루프. 게임 개발자가 AI 에이전트 개발에 자연스럽게 적응할 수 있는 이유이기도 하다. 물론 게임 NPC는 제한된 세계에서 행동하지만, AI 에이전트는 열린 세계(open world)에서 행동한다는 차이가 있다. 이건 훨씬 어려운 문제다.
2025년의 AI 에이전트는 2010년대 초반 모바일 게임과 비슷하다. 가능성은 무한하지만, 아직 누가 이길지 모르는 전쟁 중이다. 로컬이 이길지 클라우드가 이길지, 범용 프레임워크가 이길지 특화 도구가 이길지. 한 가지 확실한 건, 직접 만들어보지 않으면 모른다는 거다.