addyosmani/agent-skills — AI 코딩 에이전트의 프로덕션급 스킬
· #AI #LLM #트렌드 #기술블로그
arXiv 논문
ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment
긴 탐색 과정을 수행하는 에이전트를 훈련시키는 새로운 방법인 ABSeeker를 제안합니다. 최종 답변에서부터 역추적하여 각 행동의 유용성을 평가하고 중요한 단계에 더 높은 가중치를 부여함으로써, 에이전트가 불필요한 행동을 줄이고 목표 달성에 핵심적인 행동을 더 잘 학습하게 만듭니다.
ToolArtist: Tool-Using Unified Multimodal Models for Agentic Image Generation
기존 텍스트-이미지 생성 모델의 한계를 극복하기 위해 에이전트 능력을 통합한 ToolArtist를 소개합니다. 이 모델은 복잡한 의미를 이해하고 여러 단계에 걸쳐 추론하며, 외부 도구를 활용해 이미지 생성 과정을 스스로 제어함으로써 훨씬 정교하고 의도에 맞는 결과물을 만들어냅니다.
Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes
비전과 언어 등 여러 양식을 함께 사전 학습하는 멀티모달 모델의 작동 원리를 체계적으로 탐구한 연구입니다. 저자들은 통제된 실험을 통해 지식의 흐름, 양식 간의 시너지, 초기 통합의 효과 등 멀티모달 사전 학습의 네 가지 핵심 원리를 밝혀내어 더 효율적인 모델 설계의 기반을 제공합니다.
The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads
개인화 LLM이 사용자에 대한 정보를 과도하게 추론하여 사실에 근거하지 않은 프로필을 만들어내는 ‘과잉 추론’ 현상을 분석합니다. 연구팀은 이 문제를 측정하기 위한 MirageBench를 개발했으며, LLM이 스스로 자신의 추론을 검증하는 방식으로는 이러한 오류를 효과적으로 막을 수 없음을 밝혀 개인화 LLM의 신뢰성에 대한 문제를 제기합니다.
OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents
LLM 에이전트가 일상 속 장기적이고 복잡한 작업을 수행할 때 발생하는 여러 문제점을 통합적으로 해결하는 OneDayAgent 프레임워크를 제안합니다. 이 프레임워크는 목표 상실이나 컨텍스트 초과 같은 다양한 실패 요인들을 동시에 관리하여, 에이전트가 여러 환경과 도구를 넘나들며 장시간 안정적으로 작동하도록 돕습니다.
Hugging Face Blog
Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning
최신 LLM은 수학 계산 후 결과를 바탕으로 계획을 세우는 등, 여러 기술을 순차적으로 사용해야 하는 ‘장기 추론(long-horizon reasoning)’ 과제에 어려움을 겪습니다. 기존 벤치마크는 개별 능력만 평가할 뿐 여러 기술을 전환하는 능력을 제대로 측정하지 못했는데, 이 논문은 이러한 한계를 극복하기 위한 새로운 접근법을 제시합니다.
OPD-V: Visual On-Policy Self-Distillation with Modality Balance
멀티모달 대형 언어 모델(MLLM)의 시각적 추론 능력을 향상시키기 위해 OPSD(On-Policy Self-Distillation) 기법이 널리 사용됩니다. 하지만 기존 방식은 텍스트 정보에 과도하게 의존하고 시각 정보를 충분히 활용하지 못하는 ‘양식 불균형(Modality Imbalance)’ 문제를 겪으며, 이 연구는 이러한 불균형을 해결하여 모델이 다양한 양식의 입력 정보를 온전히 통합하도록 돕습니다.
Recursive Synthesis for Long-Horizon Terminal Tasks
장기 목표를 수행하는 에이전트를 위한 고품질 학습 데이터는 제작 비용이 매우 비싸고, 명령어, 환경, 해답 등 여러 요소의 일관성을 유지하기가 어렵습니다. 이 논문은 이러한 문제를 해결하기 위해, LLM을 활용하여 복잡하고 긴 호흡의 과제 데이터를 재귀적으로 검증하고 생성하는 ‘RST(Recursive Synthetic Terminal Tasks)’ 프레임워크를 제안합니다.
GitHub Trending
TencentCloud/TencentDB-Agent-Memory
TencentDB Agent Memory는 AI 에이전트를 위한 팀 단위 메모리 허브입니다. 대화, 문서, 코드를 재사용 가능한 네 가지 메모리 자산으로 변환하여 여러 에이전트와 프레임워크에 걸쳐 공유하고 관리할 수 있도록 지원합니다.
addyosmani/agent-skills
이 저장소는 AI 코딩 에이전트를 위한 프로덕션 수준의 엔지니어링 기술을 제공합니다. 실제 개발 환경에서 바로 사용할 수 있는 고급 기술들을 모아 AI 에이전트의 코드 작성 능력을 향상시킵니다.
mattpocock/skills
이 저장소는 실제 엔지니어가 사용하는 AI 에이전트용 스킬 모음입니다. 개발자의 개인 에이전트 디렉토리에서 직접 가져온 실용적인 기술들로 구성되어 있어 현업에서의 활용 가치가 높습니다.
huangruiteng/loopx
Loopx는 장시간 실행되는 AI 에이전트 팀을 위한 경량 루프 엔지니어링 상태 커널입니다. 다양한 코딩 에이전트와 호환되며, 영구적인 목표 설정과 할당량 기반 자동 재시작 등의 기능으로 복잡한 작업을 안정적으로 처리합니다.
TapXWorld/ChinaTextbook
이 저장소는 중국의 모든 교육 과정에 해당하는 교과서 PDF 파일을 모아놓은 자료실입니다. 초등학교부터 대학교까지 방대한 양의 학습 자료를 제공하여 쉽게 접근할 수 있습니다.
오늘의 키워드
Fine-tuning Agent Multimodal LoRA LLM RAG Eval Distillation AI Agent AI Coding