AI는 대형 모델에 그치지 않습니다! “만물이 공동으로 생각하는” 세상을 실현하여, 뇌와 신체를 포함한 모든 것이 현실로 “탈옥”할 수 있도록 합니다.

물리적 인공지능(Physical Artificial Intelligence)은 인공지능 산업에서 가장 주목받는 분야 중 하나가 되고 있습니다.

인공지능이 화면을 벗어나기 위해서는 세 가지가 필요합니다.믿을 수 있는 뇌, 그 뇌가 연속적으로 작동할 수 있도록 조직하는 실행 시스템, 그리고 물리적 장치들을 연결할 수 있는 신체.모델의 능력이 지속적으로 향상되고 에이전트 실행 프레임워크도 더욱 완성도 있게 발전함에 따라, 현실 세계의 다양한 형태의 장치들은 여전히 지능적인 주체의 이해와 상호작용에 도전을 가하고 있습니다.

Agnes는 모델의 능력과 물리적 장치의 연결을 중심으로 실행합니다. 인공지능은 새로운 기술적 진보를 가져왔습니다.

Agnes Harness（AGH）가 공식적으로 오픈소스로 공개되었습니다.AGH는 에이전트 실행 인프라의 실제 작업으로서 지속적인 작업 실행, 도구 호출, 상태 관리, 결과 피드백을 지원합니다. 동시에, AGH 시스템은MHS（Model Hardware Standard） 장비 상호 작용 프로토콜 및 관련 구성 요소도 함께 공개되었습니다.，소프트웨어 도구와 프로그래머블 하드웨어는 동일한 실행 환경에서 개발자에게 연결될 수 있습니다.

또한, 새로운 세대의 모델Agnes 3.0 ProAPI가 곧 출시될 예정이며, 기능이 업그레이드될 것입니다.

모델 추론에서 작업 실행, 그리고 물리적 장치 연결에 이르기까지, Agnes 인공지능은 이러한 능력들을 하나의 기술 시스템에 통합하고 있습니다. 이를 통해 인공지능은 더 복잡한 실제 작업에 참여할 수 있게 되었으며, 물리적 세계로의 확장도 가능해졌습니다.

Agnes Harness 오픈소스:

Agent가 실제 작업을 지속적으로 수행할 수 있도록 하기

Agnes AI가 이번에 오픈소스로 공개한 Agnes Harness(AGH)는 실제 업무 시나리오에 적합한 오픈소스 에이전트로, 에이전트가 지속적으로 실행되고 다양한 플랫폼에서 배포될 수 있도록 필요한 실행 기반을 제공합니다.

개발자들은 웹 워크플레이트나 명령줄을 통해 이를 사용할 수 있으며, 자신만의 도구에 접근하여 다양한 시나리오에 맞는 에이전트 애플리케이션을 구축할 수 있습니다.

현재, AGH는 GitHub에 소스 코드 및 관련 개발 파일을 공개했으며, 개발자들은 실제 필요에 따라 소스 코드를 추가로 설치하고 실행할 수 있습니다.

GitHub 오픈소스 주소:

https://github.com/AgnesAI-Labs/agnes-harness

AGH의 웹 워크벤치를 열면, 가장 먼저 보이는 것은 로컬 환경에서 실행되는 대화 인터페이스입니다. 개발자는 작업 디렉터리를 지정하고 작업 지시를 보낼 수 있으며, 에이전트가 파일을 읽고 명령을 실행하도록 합니다. 그런 다음 실행 결과에 따라 기존 프로젝트를 계속 수정할 수 있습니다.

이 프로세스는 AGH의 Agent Loop가 계속 진행되는 것에 의존합니다. 모델은 다음 단계의 작업을 결정하고, Harness는 도구를 호출하고 피드백을 받으며, 결과를 모델에 반환합니다. 이 과정은 작업이 완료되거나 인간의 개입이 필요할 때까지 계속됩니다.

하지만 작업이 복잡해지면 대화 기록만을 보는 것으로는 충분하지 않은 경우가 많습니다.

예를 들어, 에이전트가 십여 개의 파일을 수정하고 많은 명령을 실행했지만 결국 테스트에 실패했을 때, 어느 단계에서 문제가 발생했는지 어떻게 판단할 수 있을까요? 모델의 판단이 잘못된 것인지, 아니면 도구의 실행에 실패한 것인지 말입니다.

AGH에서의「궤적」페이지에서 개발자들은 타임라인을 따라 작업의 실행 과정을 확인할 수 있습니다. 인터페이스를 통해 모델이 어떤 도구들을 호출했는지, 그리고 각 단계가 얼마나 걸렸는지를 볼 수 있습니다. 특정 기록을 확장하여 도구의 매개변수와 실행 상태를 더 자세히 검토함으로써 개발자들은 문제를 식별하는 데 도움을 받을 수 있습니다.

확장 기능 측면에서,AGH는 플러그인 확장 메커니즘을 활성화했습니다. 사용자는 플러그인을 통해 자신의 비즈니스 도구에 접근하고 MCP를 사용하여 기존 서비스에 연결할 수 있으며, 다양한 직무에 맞는 전용 인터페이스를 개발할 수도 있습니다.

플러그인 관리 페이지에서 사용자는 찾을 수 있는 플러그인을 둘러볼 수 있으며, 출처, 버전, 호환성 정보를 확인하고 설치 및 관리할 수 있습니다. 이미 검증된 작업 방법들은 Skills를 통해 보존되어 다른 프로젝트에서도 계속 사용할 수 있습니다.

이러한 기능들은 또한 맞춤형 기업 환경을 위한 기반을 제공합니다.

"""통과"""FDE（Forward Deployed Engineering）라는 배포 방식입니다.엔지니어링 팀은 기업의 기존 시스템을 기반으로 특정 비즈니스 현장에 깊이 들어가 접속 및 적응을 완료할 수 있습니다. 프로젝트에서 개발된 도구, 작업 방법, 비즈니스 규칙들은 점차 재사용 가능한 역량으로 축적되어 후속 배포 과정에서의 중복 개발을 줄일 수 있습니다.

AGH는 App Server를 통해 다양한 사용자 인터페이스가 동일한 백그라운드 작업을 공유할 수 있도록 합니다. 개발자는 웹 워크스테이션에서 작업을 시작한 다음, 기록을 다시 정리하지 않고 명령줄을 통해 동일한 대화를 복원할 수 있습니다.

지속적인 구현에서 비즈니스 확장에 이르기까지, AGH는 개발자들에게 매우 맞춤화된 Agent 운영 환경을 제공합니다. 이러한 도구들이 로봇, 실험 장비 및 기타 물리적 장치로 더욱 확장됨에 따라, Agent의 작업 범위도 현실 세계로 확장되었습니다.

소프트웨어에서 현실 세계로

Agent가 물리적 장치에 연결을 시작합니다.

소프트웨어 도구와 기업 시스템 외에도, AGH는 MHS를 통해 물리적 장치에 대한 접근을 동일한 작업 실행 시스템에 통합합니다. AGH는 또한 단순한 에이전트 개발 프레임워크에서 다양한 모드, 지능적 주체, 프로그래머블 하드웨어를 지원하는 개방형 인프라 플랫폼으로 업그레이드되었습니다. MHS를 기반으로 다양한 장치에 대한 접근을 지원함으로써, 대규모 모델과 지능적 주체가 실제 물리적 장치에 연결될 수 있게 되었습니다.

Agnes AI 팀은 AGH에게 한 가지 과제를 할당했습니다.오피스 안의 이동 가능한 자동차가 지정된 책을 찾아서, 그 책의 내용을 음성으로 읽어줍니다.

데모에서, 자동차는 작업 요구에 따라 책 검색과 음성 읽기를 완료했습니다. 명령을 받은 후 실제 작업을 수행하는 과정에서, 에이전트의 기능 범위는 소프트웨어 도구에서 실제 장치로 확장되기 시작했습니다.

이것의 배경에는 또 다른 오픈소스 기술이 동시에 추진되고 있습니다:MHS（Model Hardware Standard）。

MHS는 Agnes AI가 독자적으로 설계한 통합된 장치 상호작용 프로토콜로, 프로그래밍 가능한 인터페이스를 가진 다양한 하드웨어를 대상으로 합니다. 통합된 인터랙션 방식을 통해, 장치는 자신의 기능과 작동 정보를 에이전트에게 제공할 수 있으며, 이를 통해 지능형 신체는 자신의 능력을 이해하고 작업 요구에 따라 적절한 작업을 호출할 수 있습니다.

이 시스템에서,AGH는 전체 작업을 조직하는 역할을 맡고 있으며, MHS는 특정 장치를 연결하는 역할을 담당합니다.모델은 목표에 따라 다음에 무엇을 해야 할지 판단합니다,AGH 조정 도구가 호출 및 실행 피드백을 수행한 후, 장치 인터페이스를 통해 해당 작업을 완료합니다.。중요한 단계에 이르렀을 때는 작업 요구 사항에 따라 인간의 확인을 도입할 수도 있습니다.

Agnes AI는 Mars라는 이름의 가상 화성 기지도 구축했으며, 화성 기지에서 구조 임무를 설계했습니다. 우주비행사가 기지 밖에서 연락이 끊겼을 때, 에이전트는 기지 내의 장비를 사용하여 우주비행사를 찾고 구조 작업을 조직해야 합니다.

이것은 가상 장치를 기반으로 한 시뮬레이션 실험으로, AGH가 여러 장치 작업을 어떻게 조직하는지와 MHS가 다양한 장치에 일관된 상호작용 방식을 제공하는지에 중점을 두고 있습니다. 이 시뮬레이션 시나리오에서 에이전트는 항공기를 배치하여 목표 지역을 수색하고, 로봇을 활용하여 구조 작업을 수행하며, 기지의 게이트와 같은 시설들을 조정할 수 있습니다. 전체 과정은 지도, 장치 상태, 작업 피드백을 결합하여 여러 작업 단계를 지속적으로 진행해 나가야 합니다.

오픈소스에는 지원 장비의 연결 및 개발 도구도 포함되어 있습니다.Agnes MHSSAI는 1.0 버전의 장비 프로토콜, MOS 1.0 버전의 데이터 인식 프로토콜, AgnesHub 장비 연결 컴포넌트, Python 및 TypeScript 개발 라이브러리, 그리고 mhs-check 일관성 테스트 세트를 동시에 공개했습니다.

그 중에서, MHS는 장치 상태, 도구 호출, 및 동작 요구사항을 담당하며, MOS는 카메라, 센서, 지도 등의 관측 데이터 전송을 담당합니다. 개발자들은 공개된 장치 개발 라이브러리를 통해 자신의 하드웨어에 접근할 수 있으며, 일관성 테스트 그룹을 사용하여 프로토콜을 검증할 수 있습니다.

현재, 공식 저장소에서는 11대의 가상 장치가 포함된 Mars World 예제와 이동 로봇, 기계 팔, 센서 등의 로컬 시뮬레이션 장비를 제공하고 있습니다. 개발자들은 물리적 하드웨어를 준비할 필요 없이 완전한 장치 접근 및 작업 호출 과정을 경험할 수 있습니다.

AGH와 MHS는 사무실의 이동 가능한 차량에서 가상 화성 기지까지의 다양한 장치를 활용한 구조 작업을 통해, 실제 장비를 복잡한 작업 협업에 연결하는 다양한 방법을 보여줍니다. 더 많은 장치의 적응성이 개발되고 검증됨에 따라, 이 오픈소스 시스템은 로봇 점검, 과학 실험, 현장 작업 등에 대한 추가적인 탐구의 기반을 제공하게 되었습니다.

MHS 오픈소스 코드: MHS 오픈소스 코드:

https://github.com/AgnesAI-Labs/agnes-harness/tree/main/packages/mhs

MHS 장비 연결 가이드:

https://github.com/AgnesAI-Labs/agnes-harness/blob/main/docs/guide/mhs.md

Agnes 3.0 Pro 기능 업그레이드

API가 곧 출시됩니다.

에이전트는 모델을 필요로 하여 정보를 처리하고 판단을 내립니다. 이는 소프트웨어 환경에서 복잡한 작업을 처리할 때뿐만 아니라, 인터페이스를 통해 실제 장치와 상호작용할 때도 마찬가지입니다.

Agnes AI는 시스템과 장치의 연결을 구현하는 것 외에도, 새로운 세대의 모델인 Agnes 3.0의 API가 곧 출시될 것이라고 발표했으며, Pro의 최신 기능에 대한 진전도 소개했습니다.

여섯 가지 공개 벤치마크 테스트, 즉 과학적 추론, 과학 연구 프로그래밍, 지시 사항 준수, 비즈니스 업무 수행, 종합 지식 분야에서 Agnes 3.0 Pro는 더욱 포괄적인 능력을 보여주었습니다. 그 중에서도,GPQA91.11점, Scicode56.13점, GPT-5.6점에서 Sol(Max)의 성적 차이는 1점 미만입니다; Tau3-Banking의 은행 업무 평가 시뮬레이션에서, 이번 비교 모델은 48.0점으로 1위를 차지했습니다.

GPQA에서 고난도의 과학 지식과 추론 능력을 평가하는 부문에서, Agnes 3.0은 91.11점을 받았습니다.GPQA는 모델이 전문 과학적 문제를 이해하고 추론하는 능력을 주로 평가하며, 모델이 복잡한 지식 작업을 처리하는 데 있어서의 성능을 판단하는 기준을 제공합니다.

과학 연구 프로그래밍 벤치마크인 Scicode에서 Agnes 3.0 Pro는 56.13점을 획득하여 이번 비교 모델에서 상위 3위에 올랐습니다.Scicode는 과학 연구에서 발생하는 실제 프로그래밍 문제를 해결하기 위해 설계되었으며, 모델이 전문 지식, 추론, 그리고 코드를 결합하여 작업을 완수해야 합니다. 이 비교에서 Agnes 3.0 Pro와 GPT-5.6 Sol(Max)은 57.1점으로 단 0.97점 차이를 보였으며, 이는 과학 연구 프로그래밍 작업에서의 경쟁력을 잘 보여줍니다.

서로 다른 평가들은 모델이 특정 작업에서 얼마나 잘 수행하는지를 반영합니다. 에이전트에게 더 중요한 것은 이러한 능력들이 실제 작업에서 어떻게 발휘되는지입니다.

이를 위해 우리는 Agnes 3.0 Pro에게 기업 업무를 모방한 과제를 수행하도록 요청했습니다: 기존의 역사 주문 서비스를 새로운 API로 이전하고, 100개의 주문에 대한 일일 결산을 완료하는 것이었습니다.

평가 결과 외에도, 우리는 Agnes 3.0 Pro가 기업 업무를 시뮬레이션하는 과제를 수행하도록 요청했습니다. 이 과제에서는 기존의 역사적 주문 서비스를 새로운 API로 이전하고, 매일 100개의 주문에 대한 결제 검증을 완료해야 했습니다. 테스트 자료에는 중복된 기록과 재무 기록의 부족이 사전에 설정되어 있었습니다. 모델은 인터페이스 문서의 수정된 코드를 이해하고 데이터를 하나하나 검토해야 했습니다.

결국, Agnes 3.0은 Pro를 인식했습니다.3건의 금액 차이, 2건의 재무 기록 누락, 4건의 미결제 환불 건이 있습니다.。독립적인 검수 과정에서, 전달된 코드는 10개의 테스트를 통과했으며, 100개의 주문에 대한 개별 결과가 사전에 설정된 기준 답변과 일치했습니다. 환불에 대한 증거가 부족한 경우, 해당 모델은 불확실한 상태를 유지하며 금액을 선택하거나 주문을 추측하지 않았습니다.

창의적인 개발 과제에서 Agnes 3.0 Pro는 상호작용적인 열대 식물 디지털 온실을 제작했습니다. 이 과제는 식물 데이터의 정리부터 여러 식물 삽화의 생성 및 정리, 그리고 웹 페이지 레이아웃과 인터랙티브 기능 개발에 이르기까지 여러 단계를 포함했습니다. 최종 페이지에서는 식물 샘플을 회전하여 볼 수 있으며, 개별 식물 데이터를 확인하고, 인터랙티브 방식으로 다양한 식물의 형태적 특징을 탐색할 수 있습니다.

또한, Agnes 3.0 Pro는 천문학 논문을 대화형 과학 교육 웹페이지로 변환합니다. 이 모델은 논문의 내용을 재구성하고, 별들의 움직임을 시뮬레이션하는 등의 대화형 디자인을 통해 전문 연구의 복잡한 개념들을 더 직관적인 읽기 경험으로 전달합니다.

이러한 사례들은 Agnes가 복잡한 비즈니스 데이터 처리부터 인터랙티브 애플리케이션 개발 3.0 Pro까지 다양한 유형의 작업에서 실제로 어떻게 성능을 발휘하는지 보여줍니다.

Agnes 3.0 Pro는 모델의 성능을 향상시키는 동시에 경쟁력 있는 가격 전략을 유지하고 있습니다. 호출 비용이 저렴하여 개발자들이 장기적인 운영 및 반복적인 디버깅 비용을 효과적으로 관리할 수 있으며, 복잡한 인공지능 애플리케이션의 개발과 배포에도 도움이 됩니다.

Agnes 3.0 Pro API가 곧 공식적으로 개방될 예정이며, 참고 가격은 다음과 같습니다:

한편으로,Agnes 3.0 Flash는 계속해서 무료로 사용할 수 있습니다.。Agentt를 자주 디버깅하거나 워크플로우를 검증하거나 여러 번의 개발 실험을 수행해야 하는 사용자들에게는 무료 모델이 시행착오의 장벽을 더욱 낮추어 줍니다. 이를 통해 개발자들은 토큰 소모에 대한 걱정 없이 실험 횟수와 반복 과정을 자유롭게 조절할 수 있습니다.

3.0은 복잡한 작업을 처리할 수 있는 기능을 갖추고 있으며, 지속적으로 무료로 제공되는 3.0 Flash와 Agnes 인공지능을 통해 다양한 요구사항을 가진 개발자들에게 더 유연한 모델 선택권을 제공합니다. 모델의 기능과 사용 비용 사이의 균형도 인공지능 애플리케이션이 일회성 데모에서 지속적인 운영으로 전환할 수 있는지에 영향을 미칠 것입니다.

3.0 AGH는 작업 실행을 조직하는 역할을 담당하며, MHS는 에이전트의 능력을 물리적 세계로까지 확장합니다.

코딩, 연구에서부터 기업 시스템 및 실제 장치에 이르기까지, 각각 모델 추론, 지속적인 실행, 하드웨어 연결에 초점을 맞추어 더 많은 에이전트 애플리케이션에 기술적 기반을 제공합니다.

모델은 계속 발전하고 있지만, 에이전트 시대의 경쟁은 모델의 능력 자체에만 국한되지 않습니다. 모델, 도구, 데이터, 권한, 애플리케이션, 물리적 장치를 신뢰할 수 있는 시스템으로 어떻게 조직할 것인가가 중요합니다.그것은 차세대 지능형 인프라의 중요한 과제가 되고 있습니다.

뇌, 기억, 그리고 몸이 이제 당신의 손에 달려 있습니다.

오픈소스 및 체험 접근 포인트:

Agnes Harness：

https://github.com/AgnesAI-Labs/agnes-harness

AGH 기술 보고서:

https://github.com/AgnesAI-Labs/agnes-harness-tech-report

MHS 장비 연결 가이드:

https://github.com/AgnesAI-Labs/agnes-harness/blob/main/docs/guide/mhs.md

저자는 “신지원”에서 왔습니다. “신지원”.