Archon 소개 - AI 에이전트를 구축하는 AI 에이전트

Cole Medin 구독자 78,300명

요약

이 영상은 Archon이라는 오픈소스 AI 에이전트를 소개하며, 이 에이전트가 다른 특화된 AI 에이전트를 자동으로 생성하는 혁신적인 시스템임을 설명합니다. 발표자는 Archon을 코딩 보조 도구 및 교육용 툴로 활용할 계획이며, WindSurf, Cursor, Klein 등 AI IDE와의 통합을 통한 작업 흐름을 시연합니다. 또한 Docker 기반 설치 및 mCP 서버와의 연동, 그리고 향후 다중 에이전트 코딩 워크플로우, 도구 라이브러리, 자율 반복/실행, 마켓플레이스 통합 등 다양한 발전 방향을 상세하게 소개합니다. 발표자는 공개 개발 과정을 통해 참여와 기여를 독려하며, AI 에이전트가 소프트웨어 개발의 미래에서 중요한 역할을 할 것이라 확신합니다.

주요 키워드

Archon AI 에이전트 코딩 보조 mCP 서버 pantic AI LangGraph Docker 다중 에이전트 자율 실행 마켓플레이스

하이라이트

🔑 Archon은 다른 AI 에이전트를 생성하는 오픈소스 AI 에이전트로, 기존의 일반적인 AI 코딩 보조 도구보다 특화된 역할을 수행합니다.
⚡️ 코딩과 프레임워크 통합 측면에서 WindSurf와 mCP 서버, pantic AI, LangGraph 등 다양한 기술과의 연동을 강조합니다.
🚀 Archon은 Docker 및 Python을 통한 손쉬운 설치와 직관적인 인터페이스 제공으로 사용자 편의를 극대화합니다.
📌 향후 다중 에이전트 코딩 워크플로우, 도구 라이브러리, 자율 실행 및 피드백 루프 구축 등으로 발전할 계획임을 상세히 설명합니다.
🌟 공개 개발 및 교육용 툴로서의 Archon은 사용자가 직접 기여하고 학습할 수 있는 환경을 제공하여, AI 에이전트 생태계를 견인할 잠재력을 가지고 있습니다.

용어 설명

Archon

다른 AI 에이전트를 자동으로 생성하는 특화된 오픈소스 AI 에이전트

pantic AI

AI 에이전트 개발에 사용되는 프레임워크로, Archon의 주요 구성 요소 중 하나

LangGraph

에이전트 워크플로우를 관리하기 위한 프레임워크로, 보다 복잡한 에이전트 생성을 돕는다

mCP 서버

에이전트 서비스와 로그, 설정 관리 등 통합 관리를 위해 활용되는 서버 구성 요소

AI IDE

WindSurf, Cursor, Klein 등 AI 기반 통합 개발 환경으로, Archon과 연동되어 에이전트 코딩을 지원함

Docker

컨테이너 기반 가상화 플랫폼으로, Archon의 손쉬운 설치와 배포에 활용됨

RAG (Retrieval Augmented Generation)

문서나 데이터의 검색 및 재구성을 통해 AI 모델의 성능을 향상시키는 기법

Archon의 기본 개념과 목적을 설명함. AI 에이전트가 다른 에이전트를 생성하는 혁신적 아이디어를 제시함.

[00:00] 아콘(Archon)이라는 새로운 오픈소스 AI 에이전트를 공식 소개합니다. 이는 다른 AI 에이전트들을 생성하는 특별한 에이전트입니다.

[00:14] 아콘은 교육 도구이자 다른 에이전트들을 자동으로 생성하는 강력한 AI 시스템으로 발전할 예정이며, 이 모든 과정이 공개적으로 진행됩니다.

[00:38] 현재 AI의 가장 강력한 활용 사례는 코딩이며, Claude 3, Gemini 1.5 등 주요 LLM들도 코딩 기능에 초점을 맞추고 있습니다.

AI 코딩 보조 도구와 WindSurf, mCP 서버 등의 기술 통합 사례를 시연함. 코딩 분야의 AI 활용 가능성을 강조함.

[01:11] 범용 AI 코더는 많지만, 특정 프레임워크나 문제를 전문적으로 해결하는 특화된 AI 에이전트는 부족한 상황입니다.

[01:34] AI 에이전트가 소프트웨어 분야의 미래를 주도할 것이며, 필요에 따라 특화된 에이전트를 생성할 수 있는 능력이 중요해질 것입니다.

[02:02] 아콘은 독립형 앱으로 실행되거나 AI IDE 내에서 도구로 사용될 수 있으며, Windsurf, Cursor, Kline 등과 통합이 가능합니다.

[02:48] 아콘 서비스를 시작하고 MCP 서버의 핵심 기능을 설명합니다. MCP 탭에서는 각 코딩 어시스턴트의 설정 방법을 자세히 보여줍니다.

Docker와 Python을 통한 설치 및 직관적 UI 인터페이스 소개. 환경 변수 설정과 mCP 서버 연동 과정을 설명함.

[03:05] 윈드서프에서 아콘을 사용해 브레이브 API 기반의 간단한 웹 검색 AI 에이전트를 제작하는 과정을 시작합니다.

[03:40] 범용 AI 코더의 한계를 설명하며, 아콘과 같은 특화된 도구의 필요성을 강조합니다. 더 나은 문서 검색과 RAG 기능의 중요성을 언급합니다.

[04:12] 아콘이 생성한 완벽한 판틱 AI 코드와 관련 파일들(환경 변수, 요구사항, 리드미)을 설명하고, 코드 반복 개선 기능을 소개합니다.

[05:00] 아콘 UI의 실시간 로그 추적 기능과 AI IDE와의 효과적인 통합을 강조합니다.

[05:18] Archon을 특화된 엔진으로 개발하여 현재는 Pantic AI와 LangGraph를 지원하며, 앞으로 Crew AI, LlamaIndex, AutoGen 등 다양한 프레임워크를 통합할 계획입니다.

[05:40] 추가 크레딧이 필요하지만, 환각 현상을 줄이고 에이전트 생성 속도를 높여 장기적으로는 크레딧을 절약할 수 있습니다.

[05:59] Archon의 미래 목표는 코드 생성뿐만 아니라 자율적인 반복 개선과 에이전트 실행까지 가능한 완벽한 AI 에이전트 생성 시스템을 구축하는 것입니다.

[06:24] Archon은 Pantic AI와 LangGraph를 결합하여 일반적인 AI 코딩 지원보다 더 뛰어난 에이전트 워크플로우를 제공합니다.

[06:43] 공개 개발 방식을 통해 커뮤니티 참여를 독려하고, 복잡한 에이전트 개발 과정을 교육 도구로 활용하고 있습니다.

다중 에이전트 코딩 워크플로우, 도구 라이브러리, 자율 반복 및 실행 등 향후 계획을 상세히 논의함. 기능 확장의 필요성을 강조함.

[07:12] 다른 프레임워크들과 달리 Pantic AI와 LangGraph는 불필요한 추상화를 피하고 커스터마이징과 제어 능력을 유지합니다.

[07:54] 아콘의 비전과 미래 발전 방향에 대해 많은 내용이 있으며, 이에 대해 추후 상세히 설명할 예정입니다.

[08:01] 아콘의 설치 과정은 매우 간단하며, 도커를 이용한 설치는 단 3개의 명령어로 가능합니다. 파이썬 설치도 가능하지만 도커 방식을 추천합니다.

[08:22] 스트림릿 인터페이스를 통해 환경 변수, MCP 에이전트 서비스, RAG 문서화 등 모든 설정을 단계별로 쉽게 진행할 수 있습니다.

[08:54] 첫 번째 탭에서는 UI의 채팅 인터페이스나 MCP 서버 설정에 필요한 모든 기능을 제공합니다.

[09:19] 각 탭은 완벽하게 구현되어 있으며, UI에서 직접 환경 변수 설정이 가능하고 데이터베이스 설정도 용이합니다.

[09:43] 문서화 탭에서는 Pantic AI 문서 크롤링을 실시간으로 모니터링할 수 있으며, 다양한 AI IDE 설정 지원도 제공합니다.

[10:27] 미래 계획을 상세히 설명하기 위한 전용 섹션을 소개하면서, 아콘의 비전과 향후 발전 방향을 강조합니다.

여러 프레임워크와의 통합, 자율적 에이전트 실행, 시장 출시 및 마켓플레이스 연동 계획을 소개함. 실시간 로그 및 에이전트 피드백 기능을 설명함.

[11:03] 버전 5에서는 멀티 에이전트 코딩 워크플로우를 구현할 계획을 설명하며, 코딩 작업을 여러 전문화된 하위 에이전트로 분할하는 방식을 소개합니다.

[11:34] LLM을 분할하여 사용하는 두 가지 주요 이유를 설명: 1) 각 부분에 특화된 처리가 가능하고 2) LLM의 부담을 줄일 수 있습니다.

[12:34] 버전 6에서는 도구 라이브러리와 예제 통합 기능을 추가하여, 미리 정의된 도구들을 쉽게 재사용할 수 있도록 할 계획입니다.

[13:08] 도구 라이브러리 통합에 대해 설명합니다. 기존에 만들어진 도구들을 재사용하여 효율적으로 에이전트를 구축할 수 있습니다.

[13:34] Pantic AI 문서의 예제를 활용하여 기본 구조를 만들고, 이를 기반으로 더 복잡한 사용 사례를 구축하는 방법을 설명합니다.

[13:53] 버전 7에서는 LangGraph 문서를 통합하여 Archon이 다양한 프레임워크를 지원할 수 있도록 확장합니다.

[14:22] 사용자가 프레임워크를 선택할 수 있게 하고, 에이전트 목적에 따라 적절한 프레임워크를 자동으로 선택하는 기능을 추가합니다.

[15:01] 버전 8과 9에서는 자체 피드백 루프와 자율 실행 기능을 추가하여 Archon의 자율성을 높이고 사용자 개입을 최소화합니다.

[15:45] 현재 AI 코딩 도구들의 한계점을 설명하며, 에이전트 코드를 작성해도 실제 실행 환경이나 데이터베이스 연결 등의 기능이 없다는 점을 지적합니다.

[15:58] Archon에 자동화된 환경 구축 기능을 추가하여, 사용자 승인 후 벡터 DB, SQL DB, 웹 검색 등이 포함된 독립 환경을 Docker Compose로 구성하는 계획을 설명합니다.

전체 진행 과정을 요약하고, 공개 개발 및 교육 참여를 독려함. 시청자에게 기여와 피드백을 요청함.

[16:29] 에이전트의 자동 테스트와 실행을 통한 자율적 개선 가능성에 대해 설명하며, 단순한 코드 분석을 넘어선 실제 테스트와 오류 수정 기능을 소개합니다.

[16:48] 버전 10에서 Pantic AI, LGraph, Langchain 등 다양한 프레임워크 지원 계획을 설명하고, 각 프레임워크의 장점과 선택 이유를 논의합니다.

[17:11] 버전 11의 자율적 프레임워크 학습 프로세스에 대해 설명하며, Archon이 스스로 예제와 도구를 개선하고 시스템 프롬프트를 조정하는 방안을 제시합니다.

[17:57] 버전 12에서 구현할 고급 RAG 기술들(하이브리드 검색, 재순위화, 쿼리 분해, 계층적 청킹 등)에 대해 설명합니다.

[18:15] 아콘이 다양한 프레임워크의 문서를 더 잘 이해하고 활용할 수 있도록 하는 기회와 가능성에 대해 설명합니다.

[18:23] MCP 에이전트 마켓플레이스를 소개하며, 아콘으로 만든 에이전트들을 다른 사람들이 하위 에이전트로 활용할 수 있는 방안을 설명합니다.

[19:06] 향후 통합 계획으로 LangSmith, 다양한 벡터 데이터베이스, Local AI 패키지 등과의 통합 계획을 소개합니다.

[21:10] 아콘의 비전과 향후 계획을 요약하며, 커뮤니티의 참여와 기여를 독려합니다.

[00:00] 오늘 여러분께 공식적으로

[00:02] 아콘(Archon)을 소개하게 되어 기쁩니다. 이것은 오픈소스

[00:05] 다른 AI 에이전트들을 실제로 만들어내는 AI 에이전트입니다.

[00:08] 제 채널에서 이미 일부 다뤘지만

[00:09] 아직 제대로 된 소개나

[00:11] 제가 가진 놀라운 아이디어들을 공유하지 않았습니다.

[00:14] 이것을 교육 도구로 사용할 뿐만 아니라

[00:16] 궁극적으로는

[00:17] 다른 에이전트들을 자동으로 생성하는

[00:19] 거대한 AI 에이전트로 발전시킬 계획입니다.

[00:22] 필요에 따라 다른 에이전트들을 만들어내는

[00:25] 이 모든 과정을 공개적으로 진행하고 있어서

[00:27] 여러분이 따라하며 배우고

[00:29] 원하신다면 참여하실 수 있습니다.

[00:31] 우리가 이것을 제대로 만든다면

[00:33] 아콘은 쉽게 가장 중요한

[00:36] AI 에이전트 중 하나가 될 수 있습니다.

[00:38] 제 말씀을 들어보세요. 코딩은 현재

[00:40] AI의 가장 크고 강력한 활용 사례입니다.

[00:43] 과대 선전이 아닙니다.

[00:44] AI를 코딩에 활용하는 것은

[00:47] 현재 모든 사람들의 관심사이며

[00:49] LLM을 개발하는 모든 기업들도 마찬가지입니다.

[00:51] 최근 출시된 모델들을 보세요.

[00:54] Claude 3, Gemini 1.5, DeepSeek, R1, Qwen 2.5 Coder까지

[00:57] 모두 코딩에 초점을 맞추고 있죠.

[01:01] 저는 지금 이 분야에 완전히 빠져있습니다.

[01:03] AI를 사용해 코드를 작성하는 앱을 만들 수 있는

[01:06] 엄청난 기회가 있기 때문이죠.

[01:09] 왜냐하면 이렇습니다.

[01:11] Windsurf, Cursor, Kline과 같은

[01:13] 범용 AI 코더들은 많이 있지만

[01:16] 특정 프레임워크나

[01:18] 특정 문제를 정말 잘 해결할 수 있는

[01:20] 전문화된 AI 에이전트는 많지 않습니다.

[01:23] Bolt나 Lovable같은 전문 도구들이

[01:25] 멋진 프론트엔드를 만들어내지만

[01:27] 다른 AI 에이전트를 만들고

[01:29] 실행하고 개선하는

[01:31] AI 코딩 어시스턴트는 어떨까요?

[01:34] 이것이 필요한 이유는

[01:36] AI 에이전트가 앞으로의

[01:39] 소프트웨어 분야를 지배할 것이

[01:41] 점점 더 명확해지고 있기 때문입니다.

[01:43] 필요할 때마다 특화된 에이전트를 만들어

[01:46] 모든 문제를 해결할 수 있다면

[01:48] 여러분이 세상을 지배하는 겁니다.

[01:50] 그래서 제가 아콘을 만들고 있습니다.

[01:52] 프론트엔드용 Bolt처럼 생각하시면 되지만

[01:54] 에이전트를 위한 것이고 더 많은 기능이 있습니다.

[01:57] 지금 데모를 보여드리고

[01:58] 이 프로젝트에 대한

[02:00] 제 대담한 비전도 공유하겠습니다.

[02:02] 아콘은 두 가지 방식으로 실행됩니다.

[02:04] 첫째는 전용 인터페이스가 있는

[02:06] 독립형 앱으로 나중에 보여드리겠습니다.

[02:08] 둘째는, 정말 흥미로운 부분인데

[02:10] 아콘을 AI 에이전트를 만드는 엔진으로

[02:13] AI IDE 내에서 사용할 수 있습니다.

[02:16] 지금 Windsurf에서 보여드리는 것처럼

[02:18] Cursor나 Kline에서도

[02:19] 똑같이 할 수 있습니다. 제 Windsurf에서는

[02:22] Claude의 Model Context Protocol을 사용해

[02:24] 아콘을 Windsurf의 도구로 사용하고 있습니다.

[02:27] 일종의 하위 에이전트라고 생각하시면 됩니다.

[02:29] Windsurf가 전문적인

[02:32] 에이전트 지능이 필요하다고 판단하면

[02:34] 아콘을 호출해 코드를 생성하고

[02:37] 그 코드는 Windsurf로 반환되어

[02:39] 개발 환경에 바로

[02:40] 구현됩니다.

[02:42] 정말 멋진 시스템이죠.

[02:44] 나중에 더 자세히 다룰

[02:45] 아콘의 인터페이스로 넘어가서

[02:48] 아콘 서비스가 실행 중인데

[02:49] 이것은 제 MCP 서버의 핵심이며

[02:52] 여기 MCP 탭에서는

[02:54] 각각의 코딩 어시스턴트에 대해

[02:56] MCP에 필요한 정확한 설정과

[02:58] 모든 설정 방법을 보여줍니다

[03:01] 윈드서프, 커서, 클라인과 함께

[03:03] 아콘을 쉽게 시작할 수 있도록 했죠

[03:05] 자, 이제 윈드서프에서 아콘을 실행해보겠습니다

[03:08] 지금은 아주 기본적인 에이전트를 만들어볼 건데

[03:10] 나중에 전용 영상에서

[03:11] 더 복잡한 사용 사례를 만들어보겠습니다

[03:13] 아콘을 발전시키면서 더 이해하기 쉬워질 거예요

[03:16] 자, 여기서는 브레이브 API를 사용해서

[03:17] 웹을 검색하는 간단한 AI 에이전트를 만들어보겠습니다

[03:20] 바로 윈드서프가 아콘 도구를 사용하기 시작하는 것을

[03:22] 볼 수 있고, 지금 실제로

[03:24] 이 도구 호출로

[03:26] 우리의 에이전트를 실행하고 있습니다

[03:29] 곧 로그를 확인할 수 있을 텐데

[03:31] 아콘 UI에서도

[03:33] MCP 서버로 요청을 보낼 때

[03:34] 로그를 볼 수 있습니다

[03:37] 여기서 정말 강조하고 싶은 점은

[03:40] 윈드서프 같은 범용 AI 코더를 사용할 수 있다는 건데

[03:41] 판틱 AI 문서나

[03:44] 랭그래프 문서를 참조해서

[03:45] 윈드서프가 이러한 에이전트를

[03:47] 아콘과 동일한 프레임워크로 만들 수 있습니다

[03:49] 하지만 이런 AI IDE들이

[03:51] 너무 범용적이라서

[03:53] 제가 원하는 만큼 잘 작동하지 않습니다

[03:57] 그래서 우리는 아콘같이 특화된

[03:59] 도구가 필요한 거죠

[04:00] 우리가 제공하는 지침을 통해

[04:02] 이러한 프레임워크들을 다룰 줄 아는

[04:05] 더 나은 문서 검색과

[04:07] RAG 검색을 통해

[04:09] 이러한 특화 기능을 구현할

[04:11] 많은 기회가 있습니다

[04:12] 자, 여기 아콘에서 결과가 돌아왔고

[04:14] 윈드서프에게 생성할 파일들을 알려줬습니다

[04:17] 이제 제 개발 환경에

[04:19] 아콘이 지시한 정확한 구조대로

[04:21] 모든 것을 만들고 있네요

[04:22] 여기 이 에이전트는

[04:25] 완벽한 판틱 AI 코드를 생성하고 있습니다

[04:26] 지금은 간단히 넘어가지만

[04:28] 이 코드는 정말 완벽해 보이네요

[04:30] 그리고 예제 파일도 생성하는데

[04:32] 환경 변수나 필요한 요구사항들도

[04:34] 고려하고 있죠

[04:36] 또한 에이전트를 시작하는 데 도움이 되는

[04:37] 리드미 파일도 생성합니다

[04:39] 정말 훌륭하죠

[04:40] 우리는 다시 돌아가서

[04:42] 에이전트를 반복 개선할 수도 있고

[04:44] 그러면 아콘이 다시 호출되어

[04:46] 에이전트 코드를 업데이트합니다

[04:48] 아콘이 윈드서프에 보내는 모든 업데이트는

[04:50] 필요한 파일들을 수정하므로

[04:52] 처음부터 다시 작성할 필요가 없죠

[04:53] AI IDE가 필요한 파일을 수정할 겁니다

[04:56] 이 모든 과정 동안

[04:57] 아콘 UI에서 로그를 볼 수 있는데

[05:00] 방금 아콘을 사용했을 때의 로그들이 여기 있고

[05:02] 앞으로의 모든 반복 작업도

[05:04] 실시간으로 여기에 표시됩니다

[05:05] MCP 서버에서 일어나는

[05:07] 모든 것을 쉽게 추적할 수 있죠

[05:09] 아콘을 AI IDE와 함께 사용하는 것은

[05:11] 정말 좋은 조합입니다

[05:14] AI IDE와 함께 아콘을 사용하면 좋은 이유는

[05:18] 또 다른 VS Code 포크를 만들지 않고

[05:20] Archon을 특화된 엔진으로 만드는 데 집중하고 있습니다.

[05:23] 현재는 Pantic AI와 LangGraph와 함께 작동하지만

[05:25] 앞으로는 Crew AI, LlamaIndex, AutoGen과 같은

[05:27] 모든 프레임워크를 구현하고 싶습니다

[05:29] 이를 통해 Archon이

[05:30] AI 에이전트 생성기가 될 수 있도록 말이죠

[05:33] 정말 멋진 기능들이 있지만

[05:35] Archon과 AI IDE 모두에서 LLM 호출을 사용해야 하기 때문에

[05:38] 약간의 추가 크레딧이 필요합니다

[05:40] 하지만 이를 통해 많은 환각 현상을 막을 수 있고

[05:42] 실제로 에이전트를 더 빠르게 생성할 수 있다면

[05:45] 결국에는 많은 크레딧을 절약할 수 있습니다

[05:47] 가장 중요한 것은 우리가 에이전트를

[05:49] 올바르게 개발하기를 원한다는 것이고

[05:51] 빠르게 하고 싶다는 것입니다

[05:52] 지금부터 Archon을

[05:53] 시작하는 방법을 보여드리고

[05:56] 제가 가진 미친 아이디어들도 공유하고 싶습니다

[05:58] 현재의 초기 단계에서

[05:59] Archon을 진정한 괴물로 만들어

[06:02] AI 에이전트를 즉석에서 생성하고

[06:05] 코드를 만들 뿐만 아니라

[06:07] 자율적으로 반복 개선하고

[06:08] 에이전트를 직접 실행할 수 있게 만드는 것이

[06:11] 우리의 꿈입니다

[06:13] 여기 Archon의 GitHub 리포지토리가 있습니다

[06:15] 비디오 설명에 링크를 첨부해 두었고

[06:17] 제 채널에서 이미 처음부터 Archon을

[06:20] 어떻게 만들었는지 다뤘습니다

[06:22] 그 영상 링크도 여기 있습니다

[06:24] 기본적으로 Archon은

[06:26] 제가 가장 좋아하는 두 프레임워크인

[06:28] Pantic AI와 LangGraph를 결합하여

[06:30] 지능적인 에이전트 워크플로우를 만듭니다

[06:32] 이는 일반적인 AI 코딩 지원보다

[06:35] 훨씬 더 뛰어난 에이전트를 만들 수 있습니다

[06:37] 저는 두 가지 이유로 Archon을 반복적으로 개발하고 있습니다

[06:39] 첫째, 공개적으로 개발하여 여러분이 기여하고

[06:43] 개발 과정을 따라올 수 있게 하고 싶습니다

[06:45] 둘째, 이를 교육 도구로 사용하여

[06:47] Pantic AI와 LangGraph로 더 복잡한

[06:50] 에이전트를 만드는 방법을 보여주고 싶습니다

[06:52] 그래서 더 복잡한 것을 설명할 때

[06:53] 간단한 단계로 나누어 설명하고 싶고

[06:55] Archon의 각 반복이 바로 그 단계들입니다

[06:57] 단순한 에이전트로 시작해서

[07:00] 더 강력한 에이전트 생성 흐름을 위해

[07:02] LangGraph를 구현하고

[07:04] 버전 3에서는 MCP 지원을 추가했으며

[07:05] 최신 버전에서는 Archon을 관리하기 위한

[07:08] 대규모 Streamlit 인터페이스를 추가했습니다

[07:10] 제가 Pantic AI와 LangGraph에 특별히 집중하는 이유는

[07:12] LangChain과 같은 다른 프레임워크들이

[07:14] 제가 생각하기에 '추상화의 함정'에 빠져있기 때문입니다

[07:17] 너무 많은 것을 구현하려다 보니

[07:18] AI 에이전트를 만들 때 필요한

[07:20] 커스터마이징과 제어 능력을 잃어버립니다

[07:22] 하지만 Pantic AI와 LangGraph에서는

[07:24] 그런 문제를 느끼지 않습니다

[07:26] 물론 나중에는 다른 프레임워크들도

[07:29] 통합하고 싶습니다

[07:30] 자세한 내용은 나중에 설명드리겠지만

[07:32] 이것이 제가 이 프레임워크들에

[07:34] 집중하는 이유입니다

[07:36] 네, 여기에서 보시는 것처럼

[07:38] 정말 많은 내용이 있습니다

[07:40] Archon의 비전과

[07:41] 미래 반복에 대해 더 자세히 설명드리겠습니다

[07:43] 다른 프레임워크들도 통합하고 싶지만

[07:46] 그것은 나중에 더 자세히 다루도록 하겠습니다

[07:48] 이것이 제가 이 프레임워크들에

[07:50] 집중하는 이유이고

[07:51] 네, 여기 보시다시피

[07:54] 여기에는 아콘(Archon)의 비전과

[07:55] 향후 발전 방향에 대해 많은 내용이 있습니다.

[07:58] 이에 대해서는 나중에 더 자세히 설명하겠지만,

[07:59] 실제 아콘을 시작하는 것에 관해서는

[08:01] 최대한 쉽게 만들었습니다.

[08:03] 리드미(README)를 조금 아래로 스크롤하면

[08:06] 도커(Docker)를 이용한 첫 번째 설치 옵션이 있는데,

[08:08] 단 세 개의 명령어로

[08:10] 실행할 수 있을 만큼 매우 간단합니다.

[08:12] 원하신다면 파이썬만으로도 설치가 가능한데,

[08:14] 이 경우 몇 가지 명령어가 더 필요합니다.

[08:17] 도커 방식을 추천하지만,

[08:18] 어떤 방식을 선택하더라도 스트림릿 인터페이스가

[08:21] 실행될 것입니다.

[08:22] 이 인터페이스는 아콘 설정의

[08:24] 모든 과정을 안내해 줄 것입니다.

[08:26] 환경 변수 설정부터 시작해서

[08:28] MCP용 에이전트 서비스,

[08:31] RAG를 위한 문서화 작업까지

[08:34] 하나씩 빠르게 진행할 수 있습니다.

[08:36] 정말 쉽게 시작할 수 있죠.

[08:37] 나중에 아콘 설치 방법에 대한

[08:39] 전용 영상을 만들 수도 있지만,

[08:41] 이 설명만으로도

[08:43] 충분히 따라하실 수 있을 거라 생각합니다.

[08:44] 실제로 많은 분들이

[08:46] 이미 성공적으로 설치를 완료하셨습니다.

[08:48] 도커나 순수 파이썬으로

[08:49] 아콘을 실행하면, 첫 번째 탭에서

[08:52] 시작 안내를 받을 수 있습니다.

[08:54] 이를 통해 아콘을 실행하는데

[08:56] 필요한 모든 것을 설정할 수 있습니다.

[08:58] UI의 채팅 인터페이스나

[09:00] 앞서 보여드린 MCP 서버 모두

[09:03] 사용 가능합니다.

[09:05] 환경 변수 설정,

[09:06] 슈퍼베이스를 사용하는 데이터베이스,

[09:08] 현재는 Pantic AI를 사용하는

[09:11] 문서 크롤링 설정

[09:12] (나중에는 다른 문서들도 추가할 예정),

[09:14] 그리고 MCP 설정까지

[09:16] 모든 과정을 안내해 드립니다.

[09:19] 각 탭은 완벽하게 작동하도록

[09:22] 많은 공을 들였습니다.

[09:24] 예를 들어, UI에서 직접

[09:25] 모든 환경 변수를 설정할 수 있어

[09:27] .env 파일을 따로 만들 필요가 없습니다.

[09:28] 이는 데이터베이스 설정에도 도움이 됩니다.

[09:31] 문서 크롤링 전에

[09:33] 모든 설정이 제대로 되어있는지,

[09:35] 테이블이 준비되어 있는지 확인하고

[09:37] RAG를 위한 모든 것을 생성합니다.

[09:39] 문서화 탭도 있는데,

[09:41] 지금은 보여드리지 않겠지만

[09:43] 매우 흥미로운 기능이 있습니다.

[09:45] 버튼 하나로

[09:46] AI 파이썬 스크립트가 백그라운드에서 실행되어

[09:49] Pantic AI 문서를 크롤링하고

[09:51] 각 페이지를 처리하는 과정을

[09:53] 실시간으로 업데이트해줍니다.

[09:55] 앞으로 더 많은 소스가 추가될 예정입니다.

[09:57] 또한 앞서 보여드린 에이전트 서비스에서는

[10:00] MCP 서버의 로그를

[10:01] 모니터링할 수 있고,

[10:03] Klein, Cursor, Windsurfr와 같은

[10:07] AI IDE들의 설정 방법도 안내합니다.

[10:09] 도커로 설정하는 경우와

[10:12] 순수 파이썬으로 설정하는 경우

[10:14] 구성 방법이 다르며,

[10:16] 이러한 설정들은

[10:18] 운영체제와

[10:19] MCP 서버 경로에 따라

[10:22] 동적으로 조정됩니다.

[10:24]

[10:27] 그리고 마지막 섹션이 있는데요,

[10:30] 여기서 좀 시간을 할애하고 싶습니다.

[10:31] 아콘 인터페이스에 전용 섹션을 만들었습니다.

[10:34] 이는 제가 구현하고자 하는

[10:38] 모든 향후 반복 작업을 상세히 설명하기 위해서입니다.

[10:41] readme에서 간단히 설명하는 것이 아니라

[10:42] 아콘에 대한 제 큰 계획을

[10:44] 강조하고 싶었기 때문입니다.

[10:47] 그래서 모든 세부 사항을

[10:50] 자세히 설명하는 전용 페이지를 만들었습니다.

[10:53] 상세한 내용을 모두 담았죠.

[10:55] 제가 가진 비전을 보여주고

[10:57] 여러분들도 이에 동참하시길 바랍니다.

[10:59] 다음 버전 5에서

[11:02] 가장 먼저 구현하고 싶은 것은

[11:03] 멀티 에이전트 코딩 워크플로우입니다.

[11:06] 이게 무엇인지 설명드리자면,

[11:09] 여기 도표가 잘 보여주고 있는데요.

[11:11] 제가 방금 보여드린

[11:13] 기본 코딩 에이전트를

[11:15] 코드 생성의 각 부분을 전문으로 하는

[11:18] 하위 에이전트들로 나누고 싶습니다.

[11:20] 예를 들어, 하나는 프롬프트를 만들고

[11:22] 다른 하나는 에이전트용 도구를 정의하며

[11:24] 또 다른 하나는 데이터베이스 연결과

[11:26] API 키 같은 의존성을 만듭니다.

[11:28] 그리고 에이전트 인스턴스를 생성하고

[11:30] 사용할 대규모 언어 모델을

[11:32] 정의하는 에이전트도 있습니다.

[11:34] 이렇게 하는 데는 두 가지 이유가 있는데요.

[11:36] 첫 번째로,

[11:38] 에이전틱 워크플로우에서

[11:41] 서로 다른 LLM이 문제의 각 부분을

[11:43] 해결하는 것이 매우 유용합니다.

[11:45] 지금 보시는 것처럼요.

[11:47] 그리고 이들이 모여서

[11:49] 사용자를 위한 최종 결과물을 만듭니다.

[11:51] 아콘은 교육 도구이기도 하므로

[11:53] 이는 AI 워크플로우의

[11:55] 이런 중요한 사용 사례를

[11:56] 실용적으로 보여줄 좋은 기회입니다.

[11:59] 두 번째 이유는,

[12:01] LLM에 많은 지시를 줄 수 있다고 해서

[12:03] 시스템 프롬프트와 모든 도구가

[12:05] 컨텍스트 윈도우에 맞는다고 해서

[12:07] 그렇게 해야 하는 것은 아닙니다.

[12:08] 너무 많은 작업을 주면

[12:11] LLM이 부담을 느낄 수 있기 때문입니다.

[12:13] 따라서 코더 에이전트를

[12:15] 여러 하위 에이전트로 분할하면

[12:18] 워크플로우의 각 부분이

[12:20] 전문화되어 처리되므로

[12:22] 더 나은 결과를

[12:24] 얻을 수 있습니다.

[12:26] 다른 프로젝트에서도 이런 워크플로우를

[12:28] 구현해봤는데 확실히

[12:31] 결과가 많이 개선되었습니다.

[12:32] 그래서 버전 5가 기대됩니다.

[12:34] 그리고 버전 6에서는

[12:36] 도구 라이브러리와 예제 통합을

[12:39] 개발하고 싶습니다.

[12:41] 미리 만들어진 도구와

[12:43] 예제 에이전트를 제공하여 아콘이 더 나은

[12:46] 에이전트를 만들 수 있도록 돕는 거죠.

[12:48] 도구 라이브러리가 있으면,

[12:49] 이건 아직 초기 구성이긴 하지만

[12:52] 구성이 이런 식으로 되어있어서

[12:53] 웹 검색이나 데이터베이스 쿼리 같은

[12:55] 모든 도구가 미리 정의되어 있고

[12:57] 이를 통해 아콘이 에이전트를 만들 때

[13:00] 이미 정의된 도구를

[13:02] 간단한 방식으로 사용할 수 있습니다.

[13:04] 그래서 아콘이 직접

[13:06] 도구를 처음부터 만들 필요가 없죠.

[13:08] 라이브러리에서 도구를 가져와서

[13:10] 코드에 바로 주입할 수 있기 때문에

[13:12] 이렇게 하면 우리는

[13:14] 도구 생성을 임의로 만들어내는 것에 대해

[13:16] 걱정할 필요가 없습니다

[13:18] 이미 수천 번 만들어진 도구라면

[13:19] 바로 사용할 수 있도록

[13:21] 준비해 두는 것이 좋겠죠

[13:23] 날씨 도구나 데이터베이스 쿼리와 같은

[13:25] 기능이 필요할 때마다 에이전트가 사용할 수 있도록 말이죠

[13:28] 예제 에이전트도 비슷한 개념입니다

[13:29] 에이전트의 구조를 처음부터 정의하는 대신

[13:32] 이미 만들어진 구조를 활용할 수 있습니다

[13:34] Pantic AI 문서에서 볼 수 있는

[13:36] 날씨 에이전트 같은 예제를 참고해서

[13:38] 이를 기반 포인트로 사용할 수 있습니다

[13:41] 기본적인 Pantic AI 에이전트가 어떤 모습인지 보고

[13:44] 이를 기반으로 더 복잡한 사용 사례를

[13:46] 구축할 수 있습니다

[13:49] Pantic AI로 만들고 싶은 어떤 경우에도

[13:51] 그리고 버전 7로 넘어가서

[13:53] LangGraph 문서를 Archon의

[13:56] 지식 베이스에 포함시키고 싶습니다

[13:58] 이렇게 하면 Pantic AI 뿐만 아니라

[14:00] 더 많은 프레임워크를 다룰 수 있게 되죠

[14:03] Archon이 더 많은 프레임워크와

[14:05] 작업할 수 있게 되는 것입니다

[14:07] 시작점으로 LangGraph를 추가하고

[14:10] 나중에는 Crew AI와 LlamaIndex도 추가하고 싶습니다

[14:13] 이것에 대해서는

[14:14] 다른 버전에서 더 자세히 설명하겠지만

[14:16] 본질적으로

[14:18] Pantic AI만 하드코딩되어 있는 대신

[14:21] 다른 프레임워크들도 통합하여

[14:22] 사용자가 선택할 수 있게 하고

[14:24] Archon이 어떤 프레임워크를 사용할지 결정하게 하며

[14:27] 더 나아가 지능적으로

[14:28] 구축하는 에이전트를 기반으로

[14:30] Pantic AI만 사용할지

[14:32] 아니면 LangGraph와 Pantic AI를

[14:34] 함께 사용할지 결정하게 됩니다

[14:36] 그리고 다른 프레임워크가 추가되면

[14:38] 정확히 무엇을 구축하느냐에 따라

[14:40] 그것들을 대신 사용하기로 결정할 수도 있죠

[14:43] 이것이 LangGraph 에이전트의 예시입니다

[14:46] Pantic AI만으로는 구축할 수 없는

[14:48] 더 복잡한 에이전트 워크플로우를 보여주죠

[14:49] 따라서 Archon의 기능에 LangGraph를 추가하면

[14:52] 더 많은 기능을 구현할 수 있고

[14:53] 더 복잡한 사용 사례를 만들 수 있게 됩니다

[14:55] 이는 실제 세계에서 중요한 문제를 해결하는

[14:58] AI 에이전트에게 필요한 것이죠

[15:00] 우리를 위해 이런 문제들을 해결할 때

[15:01] 버전 8로 넘어가면

[15:03] 자체 피드백 루프를 통해

[15:05] Archon 자체의 에이전트 흐름을 개선합니다

[15:08] 현재 Archon이 에이전트 코드를 생성하면

[15:10] 바로 사용자에게 피드백을 받지만

[15:12] 만약 자율적으로 반복 작업을

[15:14] 수행하게 하고 싶다면 어떨까요?

[15:16] 때로는 무엇을 개선해야 할지

[15:18] 사용자보다 더 잘 알 수 있고

[15:20] 환각 현상이 사소한 경우

[15:22] LLM이 쉽게

[15:23] 스스로 수정할 수 있습니다

[15:26] 우리는 Archon 내에

[15:28] 이런 기능을 넣고 싶습니다

[15:30] 그리고 버전 9에서는 자체 에이전트

[15:33] 실행이 있는데

[15:34] 이것은 Archon의 가장 도전적인 부분 중 하나가 될 것이지만

[15:36] 정말 기대됩니다. 현재

[15:39] AI 코딩 어시스턴트들, 범용 도구인

[15:42] Warp, Cursor, Archon 같은 것들이

[15:45] 에이전트를 위한 코드를 작성하더라도

[15:47] 실제로 실행할 방법이 전혀 없고

[15:49] RAG를 위한 데이터베이스를 자동으로 연결하거나

[15:51] 로컬 웹 검색을 위한 CRX 같은 다른 서비스를 설치할 수도 없죠

[15:53] 이런 기능들이 현재는 없습니다

[15:56] 그래서 이런 기능을 Archon에 추가하고 싶어요

[15:58] Archon이 에이전트 코드를 생성하고

[16:00] 사용자로부터 모든 것이 괜찮다는

[16:02] 승인을 받은 후에

[16:03] 제가 채널에서 자주 다뤘던

[16:06] 로컬 AI 패키지를 사용해서

[16:08] 독립된 환경을 구축하려고 합니다

[16:10] 벡터 데이터베이스, SQL 데이터베이스

[16:12] 웹 검색 기능이 포함된

[16:15] 이 모든 기능들이

[16:16] AI 에이전트가 바로 연결할 수 있도록

[16:18] 패키지로 준비될 거예요

[16:21] 에이전트를 컨테이너로 만들어서

[16:23] 다른 서비스들과 함께 Docker Compose 스택으로 구성하여

[16:25] 바로 실행할 수 있는 환경을 만들 겁니다

[16:27] 이렇게 되면 미래에

[16:29] 더 많은 가능성이 열리게 되죠

[16:30] 자동으로 테스트하고

[16:32] 에이전트를 실행할 수 있게 되면서

[16:34] 자율적인 개선이 가능해집니다

[16:36] 단순히 LLM이 출력된 코드를

[16:37] 분석하는 것을 넘어서

[16:40] 실제로 에이전트를 테스트하고

[16:42] 오류를 확인하면서 개선할 수 있게 됩니다

[16:44] 정말 기대되는 부분이에요

[16:47] 그리고 앞서 언급했듯이

[16:48] 버전 10에서는

[16:50] 다중 프레임워크 지원을 구현하고 싶습니다

[16:53] Pantic AI, LGraph, Langchain, Egno

[16:56] Crew AI와 LlamaIndex 같은

[16:57] 주요 프레임워크들이 있는데

[16:59] 제가 Pantic AI와 Langraph를 선호하지만

[17:02] 사람들마다 선호도가 다르고

[17:03] 각각의 프레임워크를 사용하는

[17:05] 이유가 있죠

[17:06] 예를 들어 Crew AI처럼 더 단순한 것을 원할 수도 있고

[17:08] 그래서 Archon이 이 모든 것을 지원하게 하고 싶습니다

[17:11] 그 다음 버전 11에서는 자율적인

[17:13] 프레임워크 학습 프로세스를 추가할 건데

[17:15] 기본적으로 Archon이 좋은 에이전트를 만들거나

[17:18] 좋은 도구를 정의하고 테스트하여 검증할 때마다

[17:20] 이를 예제와 도구 라이브러리에

[17:23] 추가하여

[17:25] 더 나은 예제와 도구를

[17:27] 지속적으로 스스로 개선할 수 있게 하고 싶습니다

[17:29] 이런 자체 개선 프로세스는 정말 멋질 것 같아요

[17:32] 심지어

[17:33] 시스템 프롬프트도

[17:35] 스스로 조정할 수 있게 될 수도 있죠

[17:37] 시간이 지나면서 어떤 방식이

[17:39] 에이전트를 가장 잘 작동하게 하는지 파악하면서요

[17:42] 이것들은 꽤 먼 미래의 계획이에요

[17:44] 마지막 몇 가지는

[17:45] 확실히 더 고급 기능들이지만

[17:47] 이 수준까지 도달하고 싶습니다

[17:49] 아마도 더 많은 버전이 나올 것 같아요

[17:51] 벌써 버전 13까지 계획했지만

[17:53] Archon을 더욱 발전시킬 수 있는

[17:55] 방법이 정말 많이 있습니다

[17:57] 버전 12에서는 고급 RAG 기술을 다룰 건데

[17:59] 현재 지식 베이스를 탐색하는

[18:01] RAG 방식이 꽤 잘 작동하지만

[18:03] 아직 많은 고급 기술들을 구현하지 않았어요

[18:05] 하이브리드 검색이나

[18:07] 재순위화, 쿼리 분해

[18:09] 또는 계층적 청킹과 같은

[18:12] 더 나은 청킹 방식 등

[18:13] 많은 것들이 있죠

[18:15] 우리가 여기서 할 수 있는

[18:16] 아콘이 다양한 프레임워크의 문서를

[18:19] 더 잘 이해하고 활용할 수 있도록

[18:21] 기회가 많이 있습니다. 그리고 현재로서는

[18:23] 마지막 버전으로 계획하고 있는 것이

[18:25] MCP 에이전트 마켓플레이스입니다. 이를 통해

[18:27] 아콘으로 만든 에이전트들을

[18:29] 마켓플레이스에 게시할 수 있게 되어

[18:32] 다른 사람들이 MCP 마켓플레이스에서

[18:34] 하위 에이전트로 가져와서 사용할 수 있게 됩니다

[18:37] AI IDE나 다른 MCP 클라이언트에서

[18:40] 아콘이 MCP 클라이언트가 사용할 수 있는 도구이자 하위 에이전트인 것처럼

[18:43] 아콘이 생성한 에이전트들도 하위 에이전트로

[18:46] 사용될 수 있습니다. 여기서 매우 메타적이 되는데

[18:49] 모든 세부사항을 다루고 싶지는 않지만

[18:52] 정말 흥미로운 부분입니다

[18:54] 이와 관련된 모든 것을

[18:55] 설명하고 싶지는 않지만

[18:57] 아콘이 만드는 모든 것을

[18:59] 다른 사람들이 재사용할 수 있고

[19:01] MCP 에이전트 마켓플레이스와 같은 곳에서

[19:04] 공유할 수 있다는 점이 정말 멋집니다

[19:06] 향후 통합 계획에 대해서는

[19:08] 정확히 어떤 버전에 포함될지는 모르지만

[19:10] 다양한 서비스들과

[19:12] 통합하고 싶습니다. 우선 LangSmith부터 시작해서

[19:13] 이것은 LangChain의 추적 및

[19:15] 모니터링 플랫폼인데

[19:17] 에이전트 워크플로우에서 무슨 일이

[19:19] 일어나고 있는지 자세히 볼 수 있게 해줍니다

[19:21] 아콘과 아콘이 만드는 에이전트들을 더 잘 디버깅할 수 있게 도와줄 것이므로

[19:24] 언젠가는 반드시 LangSmith와

[19:26] 통합하고 싶습니다

[19:27] LangFuse 같은 것도 사용할 수 있을 것 같고

[19:29] 여러 가지 선택지가 있지만

[19:31] 아콘의 핵심 컴포넌트로

[19:32] LangGraph를 사용하고 있기 때문에

[19:33] LangSmith가 가장 적합해 보입니다

[19:36] 그리고 MCP 마켓플레이스도 있는데

[19:38] 이것은 버전 13과는 다른 것입니다

[19:40] 아콘 에이전트를 MCP 마켓플레이스에

[19:43] 게시하는 것이 아니라

[19:45] 실제로 아콘을 MCP 마켓플레이스에

[19:48] 올려서 사람들이 직접

[19:50] MCP 서버로 사용할 수 있게 하는 것입니다

[19:52] GitHub 레포지토리를 통해 직접

[19:54] 설정할 필요 없이

[19:56] 모든 것을 실행할 수 있게 되죠

[19:58] 이것도 정말 멋질 것 같습니다

[19:59] 그리고 Pydantic AI 외에도

[20:01] 다른 프레임워크들도 있는데

[20:03] 이는 버전 10에서 다룰 예정입니다

[20:06] 이것은 어디에 들어갈지 알고 있지만

[20:07] 다른 것들은 아직

[20:08] 정확히 어느 버전에 넣을지

[20:10] 모르는 상태입니다

[20:12] 그리고 Supabase 외에도

[20:14] 다른 벡터 데이터베이스들이 있는데

[20:16] 여기 나열된 많은 인기 있는 옵션들이

[20:18] 있습니다. 사람들이

[20:20] 각각의 벡터 데이터베이스를 다른 용도로

[20:22] 선호하기 때문에, 예를 들어 Weaviate는

[20:24] Supabase보다 빠르고

[20:26] 자체 호스팅도 가능합니다. Pinecone은 서버리스로 실행되고

[20:28] 오픈소스는 아니지만 매우 빠르죠

[20:30] 각각 사용하는 이유가 있기 때문에

[20:31] 이것들과의 통합도

[20:33] 좋을 것 같습니다. 마지막으로 Local AI

[20:35] 패키지와의 통합을 계획하고 있는데

[20:37] 특히 버전 9의 자체 에이전트 실행에서

[20:39] 사용할 예정입니다

[20:41] 이것도 어디에 들어갈지 알고 있는데

[20:43] 제가 심혈을 기울여 개발한

[20:45] Local AI 패키지와 아콘을

[20:47] 연결하는 것이 정말

[20:49] 멋질 것 같습니다. 이것이 바로

[20:52] 향후 통합 계획과 아콘의

[20:54] 향후 반복의 모든 것입니다. 정말

[20:57] 흥미진진한 계획들이 많고

[20:59] 만약 이것에 대해 흥분되지 않는다면

[21:01] 뭐라고 말씀드려야 할지 모르겠네요. 저는

[21:03] 현재의 아콘과 앞으로 발전할

[21:06] 모습에 대해 정말 기대가 큽니다

[21:08] 우리가 함께 만들어나갈

[21:10] 이것이 바로 아콘이고

[21:12] 제가 가진 멋진 계획들을

[21:14] 간단히 요약한 것입니다. 여러분도

[21:16] 이 여정에 동참하시길 바랍니다

[21:18] 관심 있으시다면 기여도 하시고

[21:20] 직접 사용해보시면서

[21:22] 기능도 제안해주세요. 마지막으로

[21:24] 말씀드리고 싶은 것은

[21:25] 아콘이 제 채널에서 추구하는 것의

[21:27] 완벽한 예시라는 점입니다. 저는

[21:30] 강력하고 실용적이며 쉽게 대체될 수 없는

[21:32] 복잡한 에이전트를 만들되

[21:35] 이를 여러분이 쉽게 이해할 수 있도록

[21:37] 복잡한 주제를

[21:39] 쉽게 설명하려고 노력합니다

[21:40] 그래서 AI 에이전트 구축 방법을

[21:42] 가장 잘 가르쳐드릴 수 있죠. 이 콘텐츠가

[21:45] 도움이 되셨고

[21:46] 앞으로의 아콘과 AI 에이전트에

[21:48] 기대가 되신다면

[21:50] 좋아요와 구독 부탁드립니다

[21:52] 다음 영상에서 뵙겠습니다