AI 에이전트 샌드박스 엔지니어링의 5가지 진실
로컬 데모는 터미널을 열어주면 끝나지만, 프로덕션은 그 코드가 적대적으로 변하는 순간 시작된다. 콜드스타트 마케팅 수치의 허상부터 V8·Docker·gVisor·MicroVM 격리 계층, 하이퍼바이저보다 위험한 네트워크 Egress 공격 표면, 메모리 스냅샷 아키텍처까지 벤치마크 실측을 바탕으로 정리했다.
#에이전트
9개의 글
벤치마크 1등이 탈락한 이유: 독파모 4파전과 AI 생태계의 본질
글로벌 벤치마크 상위권을 기록하고도 정부 지원 사업에서 탈락하며 화제가 된 독자 파운데이션 모델(독파모) 선발 결과의 배경을 살펴보고, 벤치마크 점수와 실사용감의 괴리, 하네스와 서빙 인프라의 중요성, 지속학습의 미래를 분석했다.
8B 모델로 오퍼스 4.5에 필적하다: 메타의 에보하네스-RL과 BPE 3분할 아키텍처
메타와 UIUC가 공개한 EvoHarness-RL을 분석했다. 에이전트 외부 실행 환경(하네스)을 신념·진행·경험의 3가지 BPE 상태로 추상화하고, 비용 고려 GRPO 강화학습으로 하네스 어닐링과 자가 진화를 달성한 원리와 개인 로컬 모델 적용 방안을 정리했다.
구글 클라우드 사례로 본 에이전트 하네스(Harness)
AI 에이전트의 성패를 가르는 뼈대인 하네스(Harness)의 개념을 구글 클라우드 공식 문서를 바탕으로 짚어보고, 도구 연결과 상태 관리, 샌드박스 격리, 궤적 분기, 장애 복구 런타임이 왜 프로덕션 AI의 필수 인프라인지 정리했다.
개체 지능에서 시스템 지능으로: LLM 에이전트를 위한 그래프 엔지니어링 분석
단일 에이전트 루프의 한계를 넘어, 이종 노드와 동적 토폴로지로 거대 시스템 지능을 구축하는 그래프 엔지니어링(Graph Engineering) 서베이 논문(arXiv:2608.21156)을 알기 쉽게 분석했다.
훈련 없이 확률값으로 에이전트를 검증하는 LLM-as-a-Verifier 분석
별도의 보상 모델 훈련 없이 일반 LLM의 로짓 확률 분포를 기댓값으로 계산해 에이전트 궤적을 초정밀 검증하는 스탠퍼드, UC 버클리, NVIDIA 연구진의 논문 《LLM-as-a-Verifier: A General-Purpose Verification Framework》 핵심 원리와 활용법을 정리했다.
장기 실행과 자가 개선을 위한 Prime Agent와 RLM 하네스 분석
Prime Intellect가 공개한 오픈소스 코딩 및 자율 연구 에이전트 Prime Agent(arXiv:2608.23552)의 RLM 패러다임, 지속적 하네스 자가 개선 메커니즘, 그리고 도커 샌드박스 격리 필요성을 정리했다.
sPTC(추측적 프로그래밍 도구 호출) 분석
코드가 다 완성될 때까지 기다리지 않는다. MIT CSAIL Alex Zhang이 제안한 sPTC를 살펴보고, LLM이 코드를 생성하는 동안 도구 호출을 미리 가로채 비동기로 실행하는 JIT 스타일 최적화 원리와 벤치마크, 한계점을 정리했다.
에이전트 메모리, "잘 정리된 요약"보다 "버리지 않은 원문"이 나은 이유
에이전트 메모리 시스템 12개를 분석한 논문 《Are We Ready For An Agent-Native Memory System?》을 통해, 작업 성격에 맞는 메모리 구조의 중요성과 하네스 추가의 딜레마를 정리했다.