산업 5월 19일
구글의 새로운 정보 에이전트를 활용하는 방법
구글은 배경에서 주제를 모니터링하고 사용자에게 업데이트와 변경 사항에 대한 예방적 경고를 제공하는 AI-powered '정보 에이전트'를 출시합니다. 이 기술은 대규모 언어 모델(LLM)과 같은 AI 기술을 기반으로 하며, 사용자에게 필요한 정보를 제공하는 데 도움이 될 것입니다.
#AI 에이전트
963개의 기사
에이전트 5월 19일
구글, 다음 AI 파도에 에이전트를 기대한다: Gemini 3.5 플래시
구글은 최근 개발자 회의에서 Gemini 3.5 플래시를 출시했는데, 이는 현재까지 가장 강력한 코딩 및 에이전트 AI 모델입니다. 이 모델은 복잡한 작업을 자율적으로 수행하고 소프트웨어를 처음부터 구축할 수 있습니다.
에이전트 5월 19일
구글, 오픈클라우의 자체 버전 '지미 스파크' 출시
구글은 이년 전부터 소비자들의 관심을 끌었던 AI 에이전트 플랫폼 오픈클라우의 자체 버전인 지미 스파크를 출시한다. 지미 스파크는 구글 I/O 2026에서 발표되었으며, 항상 켜져 있는 AI 에이전트로 이메일을 자동으로 작성하고, 지속적으로 업데이트되는 스터디 가이드를 생성하며, 은행 계좌의 숨겨진 구독 요금을 감지하는 등 다양한 기능을 제공한다.
에이전트 5월 19일
구글, Anthropic의 Mythos와 경쟁하기 위해 CodeMender를 공개한다
구글은 보안 분야에서 큰 진출을 하기 위해 CodeMender라는 AI 보안 도구를 공개한다. 이 도구는 대규모 언어 모델(LLM)과 같은 AI 기술을 사용하여 코드 보안을 강화한다. 구글은 이 도구를 외부로 공개하여 보안 전문가들이 쉽게 사용할 수 있도록 한다.
에이전트 5월 19일
Gemini 시대에 초대합니다: Google I/O 2026
Google I/O 2026에서 Gemini 기술이 소개되었습니다. Gemini은 대규모 언어 모델(LLM)로 사용자들이 더 많은 업무를 처리할 수 있도록 도와줍니다. 이 기술은 사용자 중심의 AI를 구현하기 위한 중요한 단계입니다.
에이전트 5월 19일
바바 인 원더랜드: 실행 가능한 월드 모델을 위한 온라인 자가监督 동역학 발견
바바 인 원더랜드: 온라인 자가 학습 동역학 발견을 위한 실행 가능한 세계 모델 실행 가능한 세계 모델은 읽을 수 있고, 편집할 수 있으며, 실행할 수 있으며, 계획을 위해 재사용할 수 있지만, 프로그램이 환경의 전이 법칙을 캡처하기보다는 표면 언어의 의미적 단축을 캡처하지 않는다면만 가능하다. 우리는 표준화된 규칙 설명, 보상 신호, 신뢰할 수 있는 어휘 전제가 없이 상호 작용 증거만으로 상태 종속 동역학을 유도해야 하는 에이전트가 온라인 실행 가능한 세계 모델 학습을 하는 경우를 연구한다.
AI 모델 5월 19일
GRID: 보안 텍스트 지식 그래프 구축을 위한 지능 데이터 그래프 표현
보안 지식 그래프를 구축하는 것은 어려운 작업으로, 보안 도메인 지식이 부족한 대규모 언어 모델(LLM)와 end-to-end 문서-그래프 훈련이 어려운 문제가 있습니다. GRID은 보안 텍스트 지식 그래프 구축을 위한 end-to-end 프레임워크입니다. GRID은 CTI 기사에서 보안 도메인 감독을 생성하기 위해 그래프 추출과 지식 그래프 조건에 의한 텍스트 수정을 통해 추적 가능한 기사-그래프 정렬을 만듭니다. 그리고 문서-그래프 학습을 스크립트된 태스크 뱅크로 변환하여, 4 옵션 멀티 셀렉트 질문과 트리플 레벨 정규 표현식 매칭 타겟을 결합하여, LLM 판독기와 반복적으로 전체 그래프 출력을 스코어하는 것보다 더 안정적인 태스크 스페시픽 보상을 얻을 수 있습니다.
LLM PC 5월 19일
자연 속 지능력의 지속 가능성: 지식 적응형 에지 전문가 에이전트를 통해 생태계 모니터링 민주화
자연 속 생물 다양성의 급격한 감소는 효과적인 모니터링의 긴급성을 강조한다. 그러나 수동 조사를 위한 수작업 조사는 자원에 대한 확장성 있는 대안을 제공한다. обыч AI는 환경의 변동성으로 인해 자연 속에서 성능을 발휘하는 데 어려움을 겪는다. 현재의 방법은 모델을 다시 훈련하기 위해 필드 데이터를 지속적으로 업로드하는 클라우드 자원에 의존한다. 그러나 이러한 접근 방식은 제한된 전력과 네트워크 연결로 인해 원격 배포에 적합하지 않다. 이러한 제약을 해결하기 위해 이 연구에서는 모델 적응에서 지식 적응으로 전환하는 것을 제안한다. 우리는 시각적 인지와 사유를 분리하는 아키텍처를 소개한다. 시각 인코더와 동적 지식베이스를 결합하여 시각 인코더와 동적 지식베이스를 결합한다. 우리는 암묵적으로 모델 매개변수에 전문 지식을 인코딩하는 대신 명시적인 지식베이스를 사용한다. 또한 지식의 지속성을 지원하여 구조화된 형식으로 전문가 인사이트를 보존한다. 생물학자와 원주민 공동체와의 교차 학문적 협력으로 이 작업은 윤리적인 AI 공동 개발을 진전시키고, 책임 있는 생태계 관리를 위한 문화적으로 교육된 생태계 관리를 지원한다.
AI 모델 5월 19일
대리인 모델링은 전략이 아니다: LLM 협상자들의 한계
대리인 모델링을 사용하는 대규모 언어 모델(LLM) 협상자들이 실제로 전략적인 협상을 수행할 수 있는지 연구한 결과, 현재의 LLM 협상자들이 대리인 모델링을 정확하게 수행하지만, 이를 전략적인 협상으로 변환하는 데 실패한다는 것이 밝혀졌다.
에이전트 5월 19일
속도와 효율성을 위한 웹 에이전트의 유추 실행
Skim은 웹 에이전트의 예측 가능한 구조를 이용하여 웹 사이트의 예측 가능한 패턴을 이용한 유추 실행 프레임워크입니다. Skim은 웹 에이전트의 비용이 과도한 컴포넌트의 적용에 의해 발생하는 것임을 발견하였으며, 사이트별로 한 번만 프로파일링하여 이러한 패턴을 캡처한 후 런타임에 각 쿼리를 템플릿과 매치하여 목적 URL을 합성하고 결과를 추출하는 방식으로 성능을 향상시킵니다.
에이전트 5월 19일
연구실 자동화의 새로운 지평: AI 에이전트로의 도약
연구실 자동화를 통해 과학 실험의 빠르기, 안전성, 정확성, 재현성을 높일 수 있다. 하지만 연구실 자동화를 위해 여러 장비와 로봇을 조정하는 것은 과학자들에게 코드 작성, 설정 파일 관리, 복잡한 소프트웨어 인프라 탐색과 같은 어려움을 собою 둔다. 이에 대한 해결책으로, 과학자들이 자연어를 통해 자동화된 실험 프로토콜을 생성하고 모니터링할 수 있는 AI 에이전트 아키텍처를 제시한다.
에이전트 5월 19일
LLM 에러를 고치는 새로운 기술, ANNEAL
대규모 언어 모델(LLM) 기반 에이전트는 개별 실행 오류를 회복할 수 있지만, 동일한 오류가 반복적으로 발생하는 경우 underlying process knowledge가 수정되지 않으면 계속해서 실패합니다. 새로운 기술 ANNEAL은 이러한 문제를 해결하기 위해 governed symbolic patch learning을 사용하여 process knowledge graph를 수정합니다.
LLM PC 5월 19일
자율 AI 에이전트의 런타임 안전성: AgentWall
자율 AI 에이전트의 안전성은 점점 더 중요한 오픈 문제로 인식되고 있습니다. 에이전트가 패스िव 텍스트 생성기에서 액티브 액터로 전환하면서, 셸 명령어를 실행, 파일을 수정, API를 호출, 웹을 탐색하는 등 안전하지 못하거나 적대적으로 조작된 행동의 결과가 즉각적이고 현실적인 것입니다. 기존의 AI 안전성 연구는 모델 정렬과 입력 필터링에 초점을 맞추었지만, 에이전트의 의도가 실제 머신에서 실제 행동으로 변하는 순간에 이를 해결하지 못했습니다. 특히 로컬 환경에서 개발자가 에이전트를 자신의 파일 시스템, 자격 증명, 인프라에 실행하는 동안 런타임 제어가 거의 없기 때문에 이러한 결함은 특히 심각합니다. 이 논문은 로컬 AI 에이전트의 런타임 안전성과 관찰성 레이어인 AgentWall을 소개합니다. AgentWall은 에이전트의 제안된 행동을 호스트 환경에 도달하기 전에 모든 행동을 중계하고, 명시적 선언적 정책에 따라 평가하고, 민감한 작업에 대한 인간 승인을 요구하고, 감사 및 재생을 위한 완전한 실행 기록을 기록합니다. AgentWall은 정책 집행 MCP 프록시와 네이티브 OpenClaw 플러그인으로 구현되어 Claude Desktop, Cursor, Windsurf, Claude Code, OpenClaw와 같은 단일 설치 명령어로 작동합니다.
허깅페이스 5월 18일
오픈 에이전트 리더보드: 인공지능의 새로운 시대
오픈 에이전트 리더보드는 인공지능(AI) 개발자들이 competed하는 리더보드입니다. 리더보드는 다양한 AI 모델의 성능을 비교하고, AI 기술의 발전을 추적하는 데 중요한 역할을 합니다.
에이전트 5월 18일
의견 엔진: 다중 에이전트 LLM 의사결정에서 설정 가능한 및 검토 가능한 태도 동적
의견 엔진(Belief Engine)은 대규모 언어 모델(LLM) 기반 에이전트의 의사결정 과정에서 태도 변화의 이유를 드러내지 못하는 문제를 해결하기 위해 개발된 시스템입니다. 의견 엔진은 '의견'을 증거에 대한 상태로 다루고, 증거 취득과 기존의 의견에 대한 기여를 제어하여 태도 동적을 제어합니다.
에이전트 5월 18일
코드 에이전트의 컨텍스트 지우기: 다중-링크 라틴적 사유
대규모 언어 모델(LLM) 기반 코드 에이전트는 파일을 읽는 데 대부분의 토큰 예산을 사용하지만, 대부분의 가져온 코드는 해당 작업에 관련이 없다. 기존의 학습된 지우기기는 이 컨텍스트를 단일 목표 시퀀스 레이블러로 압축한다.
에이전트 5월 18일
솔비타: 경쟁 프로그래밍을 위한 대규모 언어 모델(LLM) 향상
솔비타는 경쟁 프로그래밍의 엄격한 추론 요구 사항에 대응하기 위해 개발된 새로운 프레임워크입니다. 솔비타는 이전 작업에서 획득한 문제 해결 및 디버깅 경험을 활용하여 지속적인 학습을 허용하는 에이전트 진화 프레임워크입니다.
에이전트 5월 18일
자율 AI 시스템의 안전한 권한 부여: 증명 기반의 권한 부여 인프라스트럭처
자율 AI 에이전트가 시스템에 안전한지 여부를 판단하기 위해 현재 사용하는 신분 기반 권한 부여 방식은 유효한 자격 증명 소지자로 간주하는 것이 아니다. 자율 AI 에이전트는 문법적으로 올바른지만 의미적으로 안전하지 않은 동작을 생성할 수 있기 때문이다. 특히 자율 AI 시스템에서 이 위험은 클라우드 인프라, 규제 데이터, 금융 워크플로우 및 국가 규모의 디지털 서비스와 상호 작용할 수 있는 에이전트가 있기 때문에 특히 심각하다.
AI 모델 5월 18일
자율 실험실 오케스트레이터: 모델 컨텍스트 프로토콜 기반
자율 실험실((SDLs)은 과학적 발견을 가속화하는 데 관심이 증가하고 있지만 SDL 소프트웨어 개발은 기술적으로 어려운 문제입니다. 오케스트레이션 소프트웨어 프레임워크가 SDL 구성 요소를 조정하기 위해 제안되었습니다. 그러나 기존 프레임워크는 대부분 인간 상호 작용을 위해 설계되었으며 AI 에이전트에 적합한 표준 인터페이스를 제공하지 않습니다. 이 연구에서는 모델 컨텍스트 프로토콜(MCP) 기반의 SDL 소프트웨어 아키텍처를 제안하고, MCP 서버를 통해 모든 SDL 기능을 노출하는 MCP 기반 SDL 오케스트레이터, NIMO Controller를 소개합니다.
에이전트 5월 18일
내부 비판을 학습하는 강화 학습: ICRL
대규모 언어 모델(LLM) 기반 에이전트는 실수를 하지만, 비판은 종종 동일한 모델을 올바른 행동으로 안내할 수 있습니다. 그러나 비판이 제거되면 모델은 동일한 쿼리에서 다시 실패할 수 있습니다. 이는 모델이 비판의 지침을 내부적 능력에 내재화하지 못했기 때문입니다. ICRL은 이러한 문제를 해결하기 위해, 비판을 학습하는 강화 학습 프레임워크를 제안합니다. 이 프레임워크는 비판과 해결책을 공유하는 백본에서 동시에 훈련하는 것을 목표로 합니다.
에이전트 5월 18일
CAX-Agent: 경량 에이전트 하네스, MAPDL 자동화에 대한 신뢰성 가이드
대규모 언어 모델(LLM) 기반 MAPDL 유한 요소 시뮬레이션에서 경량 에이전트 하네스(CAX-Agent)가 제시된 연구는, 도메인별 실행 제어, 도구 캡슐화, 오류 회복 등이 구조화되지 않은 경우 출력이 일관되지 않고 작업 실패가 빈번하다는 문제를 해결하기 위해 도입되었다. 이 연구에서는 CAX-Agent의 아키텍처를 제시하고, 오류 회복 정책의 핵심 성분을 경험적으로 평가한다.
에이전트 5월 18일
스킬스미스: 경계 지침을 기반으로 한 런타임 인터페이스로 컴파일하는 에이전트 스킬
대규모 언어 모델(LLM)-기반 에이전트 시스템에서 스킬은 다양한 영역에서 널리 채택되고 있습니다. 기존 프레임워크에서는 스킬이 런타임 태스크와 매치되면 컨텍스트 지침으로 에이전트의 추론 루프에 주입되며, 특수한 태스크 해결 능력을 제공합니다. 그러나 이 실행 패러다임은 무의미한 컨텍스트 주입과 재귀적 스킬 별 추론 및 계획을 포함한 두 가지 주요 오버헤드를 유발합니다. 이를 해결하기 위해 우리는 경계-첫 번째 컴파일러-런타임 프레임워크인 스킬스미스를 제안합니다. 스킬 패키지를 오프라인으로 최소화된 실행 인터페이스로 컴파일하여, 스킬에서 미세한 운영 경계를 추출하여 에이전트가 런타임에서만 관련된 구성 요소에 동적으로 액세스하고 실행할 수 있도록 합니다. 이를 통해 무의미한 컨텍스트 주입과 재귀적 추론 오버헤드를 최소화할 수 있습니다.
에이전트 5월 18일
SDOF: 멀티 에이전트 오케스트레이션의 대선형세기
멀티 에이전트 오케스트레이션 프레임워크는 LangChain, LangGraph, CrewAI를 포함하여 그래프 기반 파이프라인을 통해 태스크를 라우팅하지만 실제 비즈니스 프로세스를 지배하는 단계 제약을 강제하지 않습니다. SDOF 프레임워크는 멀티 에이전트 실행을 제약된 상태 머신으로 다루고, Online-RLHF Specialized Intent Router와 StateAwareDispatcher를 통해 작동합니다.
에이전트 5월 18일
DeepSlide: artefact에서 발표 전달까지
DeepSlide은 artefact(미리 만들어진 슬라이드)의 최적화를 넘어, delivery process(속도, 이야기, 발표 준비)의 최적화를 지원하는 AI 시스템입니다.