OpenSage: Self-programming Agent Generation Engine

이 논문은 에이전트 토폴로지, 도구, 메모리를 스스로 생성하고 관리할 수 있는 최초의 에이전트 개발 키트인 'OpenSage'를 제안하여, 기존 인간 중심의 에이전트 개발 패러다임을 AI 중심의 패러다임으로 전환할 수 있는 가능성을 제시합니다.

핵심

OpenSage: AI 가 스스로 '팀'을 꾸리는 마법 같은 공장

이 논문은 **'OpenSage'**라는 새로운 도구를 소개합니다. 쉽게 말해, 이 도구는 AI(인공지능) 가 스스로 일을 처리할 때 필요한 **'팀 구성', '도구 제작', '기억 관리'**를 인간이 일일이 시키지 않아도, AI 가 스스로 알아서 해내게 해주는 혁신적인 시스템입니다.

기존의 방식과 OpenSage 의 방식을 비유로 설명해 드릴게요.

---

1. 기존 방식: "인간이 모든 것을 다 짜야 하는 레고"

지금까지 AI 에이전트 (작업 수행 로봇) 를 만들 때는 인간 전문가가 모든 것을 설계했습니다.

• 비유: 마치 레고 장난감을 조립할 때, 인간이 "이 블록은 A 가 들고, 저 블록은 B 가 들고, C 는 이걸로 벽을 쌓아라"라고 하나하나 지시해야 하는 상황입니다.
• 문제점: 일이 복잡해지면 인간이 지시할 수 있는 범위를 벗어나고, 새로운 상황에 맞춰 레고 구조를 다시 뜯어고치는 데 너무 많은 시간이 걸립니다.

2. OpenSage 방식: "AI 가 스스로 팀장을 뽑고 도구를 만드는 공장"

OpenSage 는 AI 에게 **"너가 필요한 팀을 직접 꾸려서 문제를 해결해"**라고 말합니다.

🏗️ 1. 스스로 팀을 꾸리는 능력 (자기 생성 에이전트 토폴로지)

• 상황: 복잡한 미션이 주어졌을 때, OpenSage 는 AI 가 스스로 "이건 내가 하고, 저건 전문가는 다른 AI 가 맡아야겠다"라고 판단합니다.
• 비유: 한 명의 **팀장 (메인 AI)**이 등장합니다. 팀장은 "이 문제는 너무 어려우니, 수석 개발자 AI를 뽑아서 해결하게 하고, 디버거 AI를 뽑아서 버그를 잡게 하자"라고 직접 부하 직원 (서브 에이전트) 을 채용합니다.
• 효과:
  • 수직 구조: 큰 일을 작은 조각으로 나누어 각자 맡은 전문가에게 시킵니다.
  • 수평 구조: 같은 일을 여러 AI 가 서로 다른 방법으로 해보고, 가장 좋은 답을 합칩니다.
  • 기존 시스템은 고정된 팀원만 썼지만, OpenSage 는 필요할 때 바로 팀원을 뽑고, 일이 끝나면 해고할 수 있어 매우 유연합니다.

🛠️ 2. 필요한 도구를 직접 만드는 능력 (동적 도구 합성)

• 상황: AI 가 일을 하다가 "이 일을 하려면 이 특정 도구가 필요한데, 우리 손에 없네?"라고 생각할 때.
• 비유: 요리사가 요리를 하다가 "이 재료를 다지기 위해 특별한 칼이 필요한데, 우리 부엌에 없네?"라고 생각하면, OpenSage 는 요리사 (AI) 가 직접 그 칼을 만들어서 사용하게 합니다.
• 효과:
  • 기존 시스템은 미리 정해진 도구 (칼, 숟가락, 냄비) 만 쓸 수 있었습니다.
  • OpenSage 는 AI 가 새로운 도구 (코드, 스크립트) 를 직접 작성하고, 그 도구가 서로 충돌하지 않도록 **독립된 작업 공간 (샌드박스)**을 만들어줍니다. 마치 각 요리사가 자신의 전용 주방에서 일하듯 말입니다.

🧠 3. 지혜를 체계적으로 기억하는 능력 (계층적 기억 시스템)

• 상황: 긴 작업을 하다 보면 "어제 했던 일이 뭐였지?", "이 파일은 어디에 있었지?"를 잊어버리기 쉽습니다.
• 비유: 기존 시스템은 일기를 긴 줄글로만 적어두어, 나중에 찾으려면 끝까지 다 읽어야 했습니다.
  • OpenSage 는 **지식 지도 (그래프)**를 그립니다. "A 라는 사건은 B 라는 사람과 관련 있고, C 라는 파일에 저장되어 있다"처럼 연결고리를 만들어 둡니다.
  • 또한, **전담 비서 (메모리 에이전트)**를 둬서 중요한 정보는 '장기 기억 (지식 지도)'에 저장하고, 지금 당장 필요한 정보만 '단기 기억'에 담아줍니다.
• 효과: AI 가 긴 프로젝트를 할 때도 정보를 잃어버리지 않고, 필요한 순간에 딱 맞는 지식을 찾아냅니다.

---

🏆 실제 성과: 왜 이것이 중요한가요?

이 논문은 OpenSage 를 3 가지 어려운 시험 (해킹 취약점 찾기, 터미널 작업, 소프트웨어 버그 수정) 에 적용해 보았습니다.

• 결과: OpenSage 를 쓴 AI 는 기존 최고의 AI 들보다 압도적으로 높은 점수를 받았습니다.
• 이유: 인간이 미리 정해둔 틀에 갇히지 않고, 상황에 맞춰 스스로 팀을 꾸리고, 도구를 만들고, 기억을 정리했기 때문입니다.
• 예시: 소프트웨어 버그를 고치는 작업에서, OpenSage 는 "이 버그를 고치려면 먼저 코드 전체를 분석하는 AI 를 뽑고, 그다음 패치를 만드는 AI 를 뽑자"라고 스스로 결정하여 성공률을 크게 높였습니다.

🚀 결론: AI 시대의 새로운 패러다임

OpenSage 는 **"인간이 AI 를 조종하는 시대"에서 "AI 가 스스로 성장하고 발전하는 시대"**로 넘어가는 첫걸음입니다.

• 과거: 인간이 AI 에게 "이거 해, 저거 해"라고 일일이 지시.
• 미래 (OpenSage): 인간이 "이 문제를 해결해 줘"라고 말하면, AI 가 **"알겠습니다. 제가 필요한 팀원을 뽑고, 도구를 만들고, 기억을 정리해서 해결하겠습니다"**라고 스스로 답하며 일을 시작합니다.

이 기술은 앞으로 더 복잡하고 창의적인 일들을 AI 가 스스로 해낼 수 있는 토대를 마련해 줄 것입니다. 마치 AI 가 스스로 배우고 성장하는 **'자율적인 생태계'**를 만든 것과 같습니다.

기술 요약

OpenSage: 자기 프로그래밍 에이전트 생성 엔진 (Self-programming Agent Generation Engine)

1. 문제 정의 (Problem)

기존의 에이전트 개발 키트 (ADK, Agent Development Kits) 는 에이전트 구축을 위한 플랫폼과 도구를 제공하지만, 다음과 같은 근본적인 한계를 가지고 있습니다.

• 인간 중심의 설계: 에이전트의 토폴로지 (구조), 도구 (Tools), 메모리 (Memory) 시스템은 인간 개발자가 수동으로 설계해야 합니다. 이는 확장성을 제한하고 도메인 전문성을 요구합니다.
• 정적 구조와 유연성 부재: 기존 ADK 는 에이전트 구조가 고정되어 있어 작업에 따라 동적으로 하위 에이전트를 생성하거나 툴셋을 재구성할 수 없습니다.
• 일반화 능력 저하: 수동으로 설계된 구조는 다양한 작업에 대한 적응력이 부족하며, 에이전트의 전반적인 성능과 범용성을 제한합니다.
• 메모리 관리의 비효율성: 기존 시스템은 에이전트가 과거 상호작용에서 학습하거나 복잡한 작업을 수행할 때 필요한 구조화된 메모리 관리가 부족합니다.

이러한 한계는 초기 기계학습이 '수동으로 설계된 특징 (handcrafted features)'에 의존했던 시기와 유사하며, 현대 AI 에서는 '경험과 피드백을 통해 스스로 학습하는 AI 중심 (AI-centered) 패러다임'으로의 전환이 필요합니다.

2. 방법론 (Methodology)

OpenSage 는 LLM(대규모 언어 모델) 이 에이전트 토폴로지, 도구 세트, 메모리 시스템을 자율적으로 생성하고 관리할 수 있도록 설계된 최초의 ADK 입니다. 핵심 기술은 다음과 같습니다.

가. 자기 생성 에이전트 토폴로지 (Self-generating Agent Topology)

• 동적 하위 에이전트 생성: 부모 에이전트가 실행 중 메타데이터 (모델명, 시스템 지시어, 도구 등) 를 기반으로 하위 에이전트 인스턴스를 실시간으로 생성, 실행, 종료할 수 있습니다.
• 수직 및 수평 토폴로지:
  • 수직 (Vertical): 복잡한 작업을 하위 작업으로 분해하여 전문적인 하위 에이전트에게 순차적으로 위임합니다.
  • 수평 (Horizontal): 여러 하위 에이전트가 동일한 작업을 서로 다른 계획으로 병렬 수행한 후, 결과를 통합 (Ensemble) 합니다.
• 에이전트 풀 관리: 생성된 모든 하위 에이전트를 통합 풀 (Pool) 에서 관리하며, 재사용, 검색, 복제 및 실행을 지원합니다.

나. 동적 도구 합성 (Dynamic Tool Synthesis)

• AI 작성 도구: 에이전트가 기존 메타-도구 (Meta-tools) 를 활용하여 새로운 도구를 직접 작성하고 등록할 수 있습니다.
• 계층적 도구 관리: 파일 시스템 기반의 계층 구조를 사용하여 도구를 조직화하고, 메타데이터를 통해 도구 발견 효율성을 높입니다.
• 격리된 실행 환경 (Sandboxing): 각 도구는 Docker 컨테이너 기반의 격리된 환경에서 실행되어 의존성 충돌을 방지합니다.
• 비동기 실행 및 상태 관리: 장시간 실행되는 도구 (예: 정적 분석, 컴파일) 는 백그라운드에서 비동기적으로 실행되며, 상태가 저장되어 재사용 가능합니다.
• 도메인 특화 툴킷: 소프트웨어 엔지니어링 작업을 위한 정적/동적 프로그램 분석 도구를 내장합니다.

다. 계층적 메모리 관리 (Hierarchical Memory Management)

• 그래프 기반 메모리:
  • 단기 메모리: 에이전트 실행 이력을 노드와 엣지로 구성된 그래프로 저장하여 에이전트 간 호출 관계와 이벤트 이력을 추적합니다.
  • 장기 메모리: Neo4j 를 기반으로 한 그래프 데이터베이스로, 작업 간 공유 가능한 고수준 지식 (코드 구조, 질문 - 답변 쌍 등) 을 저장합니다.
• 전용 메모리 에이전트 (Memory Agent): 사용자가 직접 메모리 스키마를 이해할 필요 없이 자연어 명령을 내리면, 메모리 에이전트가 자동으로 검색, 저장, 업데이트 작업을 수행합니다.
• 지능형 검색: 임베딩 기반 유사도 검색과 그래프 기반 패턴 매칭 (grep 스타일) 을 결합하여 정밀한 정보 검색을 지원합니다.

3. 주요 기여 (Key Contributions)

1. AI 중심 패러다임의 선구자: 인간이 수동으로 설계하는 기존 ADK 와 달리, OpenSage 는 AI 가 에이전트 구조, 도구, 메모리를 스스로 생성하고 관리하는 최초의 프레임워크를 제시합니다.
2. 동적 에이전트 토폴로지 및 도구 생성: 작업의 복잡도에 따라 실시간으로 하위 에이전트를 생성하고, 작업에 특화된 도구를 직접 작성하여 실행하는 메커니즘을 구현했습니다.
3. 고급 메모리 아키텍처: 단기 및 장기 메모리를 통합한 계층적 그래프 구조와 이를 관리하는 전용 에이전트를 도입하여, 긴 맥락 (Long-horizon) 작업에서의 성능을 극대화했습니다.
4. 광범위한 벤치마크 검증: 세 가지 최첨단 벤치마크 (CyberGym, Terminal-Bench 2.0, SWE-Bench Pro) 에서 기존 SOTA 에이전트 및 ADK 를 압도하는 성능을 입증했습니다.

4. 실험 결과 (Results)

OpenSage 로 구축된 에이전트 (SageAgent) 는 다양한 백본 모델 (GPT-5, Codex, Gemini 등) 을 사용하여 평가되었으며, 다음과 같은 결과를 보였습니다.

• CyberGym (보안 취약점 분석): SageAgent 는 **60.2%**의 해결률을 기록하여 2 위 (Anthropic Agent, 50.6%) 를 크게 앞섰습니다. 특히 도메인 특화 툴킷과 자기 생성 구조의 효과가 입증되었습니다.
• Terminal-Bench 2.0 (범용 터미널 작업): **78.4%**의 해결률을 기록하여 1 위를 차지했습니다. 기존 ADK 기반 에이전트 (Claude Code 58.0%, OpenHands 51.9%) 보다 월등히 높은 성능을 보였습니다.
• SWE-Bench Pro (소프트웨어 엔지니어링): **59.0%**의 해결률을 기록하여 기존 SWE-agent (40.2%) 보다 우월한 성능을 보였습니다. 이는 계층적 메모리 시스템이 긴 작업 흐름에서 컨텍스트를 효과적으로 관리했기 때문입니다.
• DevOps-Gym: SageAgent 는 **46.8%**의 해결률로 1 위를 차지했으며, 다른 모든 베이스라인이 0% 를 기록한 '엔드 투 엔드 파이프라인 작업'을 성공적으로 해결한 유일한 에이전트였습니다.
• Ablation Study (성분 분석):
  • 에이전트 토폴로지 (수직/수평) 와 도구 시스템을 제거할 경우 성능이 급격히 하락하여 각 구성 요소의 필수성을 입증했습니다.
  • 메모리 에이전트와 계층적 메모리를 제거한 경우 (NoMem) 보다 AI 중심 메모리 관리 (SageAgent) 가 훨씬 우수한 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 패러다임 전환: 에이전트 개발을 '인간 중심 (Human-centered)'에서 'AI 중심 (AI-centered)'으로 전환하는 토대를 마련했습니다. 이는 인간 개발자의 수동 개입을 최소화하고 AI 가 스스로 최적의 구조를 탐색하도록 합니다.
• 확장성과 일반화: 수동 설계의 한계를 극복하여 다양한 도메인과 복잡한 작업에 적응 가능한 에이전트 생성을 가능하게 합니다.
• 미래 연구 방향: OpenSage 는 향후 AI 가 워크플로우를 자동 생성하거나, 자체적으로 학습 데이터를 수집하고 모델을 훈련시키는 (Self-evolving agents) 단계로 나아가는 핵심 인프라가 될 것입니다.
• 사회적 영향: 복잡한 에이전트 시스템 구축의 엔지니어링 장벽을 낮추어 연구자와 실무자가 더 쉽게 프로토타이핑하고 반복할 수 있게 하며, 신뢰할 수 있는 인프라 표준화에 기여할 것으로 기대됩니다.

요약하자면, OpenSage는 에이전트가 스스로 자신의 구조, 도구, 기억을 설계하고 관리할 수 있게 함으로써, 기존 ADK 들이 가진 정적 한계를 극복하고 차세대 자율 에이전트 개발의 새로운 기준을 제시한 획기적인 연구입니다.