본문으로 건너뛰기
AI UsefulInfo ai.usefulinfo

#MCP

23개의 기사

에이전트 9월 16일

구글, 스마트 홈을 운영할 수 있는 임의의 AI 에이전트를 허용합니다.

구글이 인공지능(AI) agent를 위한 스마트 홈을 열어주고 있습니다. 클라우드(Claude)와 오픈 클로우(Open Claw)와 같은 도구가 연결된 장치를 제어하고, 스마트 홈의 데이터를 분석할 수 있도록 표준화된 모델 콘텍스트 프로토콜(Model Context Protocol, MCP)을 사용합니다. 구글 홈 MCP는 제3의 AI agent가 스마트 홈을 제어하고 모니터링하며 [...]

연구 7월 22일

대규모 AI 도구 발견: 모든 것이 DNS에 있다

인공지능(AI)_AGENT가 자율적으로 작동하는 시대가 다가오고 있습니다. 이러한 자율 AI_AGENT를 위한 발견 메커니즘은 수백만 개의 도구를 탐색할 수 있어야 하지만, 현재의 해결책은 O(N) 복잡도와 중앙집중화된 통제를 가지고 있기 때문에 무너집니다. 또 다른 취약한 Overlay를 구축하기 보다는, 우리는 도메인 이름 시스템(DNS, Domain Name System)을 Intern

에이전트 7월 20일

ToolVerse: 대인격 강화 학습을 위한 거대한 환경 및 장기적인 목표를 풀어내다.

대규모 언어 모델(LLM) agent는 compact하고 잘 정의된 시나리오에서 강력한 추론 능력을示산하지만, 대규모, 다양한, 그리고 동적 세계 환경에서 TOOL INTEGRATION이 필요할 때에는 강도와 효율성이 유지되지 않는다. 이 격차를 해결하기 위해 우리는 TOOLVERSE라는 통합 framework를 도입한다. TOOLVERSE는 대규모 TOOL-INTEGRATED REASONI

에이전트 7월 17일

다중 agent 인공지능과 MCP 서버를 이용한 전력망 연구의 조율

이 논문은 주어진 전력망 운영 업체(TSO) 환경에서 행동 기반 인공지능(Agentic AI)과 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)가 전력망 연구를 어떻게 지원할 수 있는지探討합니다. 우리는 대규모 언어 모델(LLM)을 수치 시뮬레이션 도구, 구조화된 워크플로우, 그리고 인간의 감독과 통합하는 것을 주목합니다. 우리는 Agent-assisted grid

에이전트 7월 17일

인자 네트워크 간 규제 드라이버 식별을 위한 암 유전체학 다중 agent 프레임워크

RegNetAgents는 대규모 언어 모델(LLM)과 같은 AI-oriented 다중 agent framework를 제시합니다. 이 시스템은 bulk tumor와 single-cell-derived ARACNe 네트워크를 통합하여 대규모 단일 세포 조절 네트워크를 포함한 TCGA-derived 암 네트워크와 GREmLN 프로젝트의 암 네트워크를 통합합니다. 특정 포커스 유전자에 대한 fram

에이전트 7월 8일

산업급 수준의 CAD_AGENT : 전문가 지식 distillation 기반의 전문 지식 distillation

산업 제품의 컴퓨터 aided design(CAD)가 필요로 하는 대규모 언어 모델(LLM)로 인한 절차적 모델링, 강력한 특성 의존성, 편집 가능한 기하학적 파라미터, 및 B-Rep 실행의 생산급 성능은 현재의 텍스트를 CAD로 변환하는 방법들이 promise한 진전에도 불구하고, 사용자 지시가 모호하거나 미약하거나, 또는 고급 디자인 의도만 설명한 경우에는 여전히 어려움을 겪고 있다. 또

에이전트 6월 16일

LLM agent에 대한 표준화된 Prolog 도구 인터페이스: PrologMCP

프론티어(_frontier) 논리 reasoning-tuned 언어 모델은 깊은 deductive 작업에서 실패하고, 내부 reasoning을 확장하여 성능을 개선하는 비용은 좋지 않다. Symbolic delegation은 논리 프로그래밍의 자동 formalization pipe line을 통해 문제를 번역하고, 해결기를 통해 추론을 수행하는 보완적인 경로를 제공한다. 그러나 현재 논리 프

AI 모델 6월 10일

더 적은 맥락, 더 나은 agent: 장기 목표를 가진 도구 사용 LLM agent를 위한 효율적인 맥락 엔지니어링

대규모 언어 모델(LLM)이 기업 워크플로우에서 자율 제어하는 agent로 배치된 경우, 기업 시스템에서 TOOL RESPONSE가 verbose하다는 문제가 발생하여 Context Overflow, Stale-State Error, 고인식 비용이 발생하는 문제가 있다. Microsoft Dynamics 365 Finance and Operations를 사용한 자동 지출 항목화 작업에서 Mo

에이전트 6월 9일

개방형 소스 개인 자동화 및 단일 인터페이스跨 플랫폼 실행

개인용 AI agent는 API, 셸, 웹 표면, 데스크톱 GUI와 같은 다양한 인터페이스에 걸쳐 작동해야 하지만 많은 시스템은 여전히 단일 인터페이스에 맞춰져 있고 사용자 교육 및 감사성에 대한 지원이 제한적이다. 우리는 Syll이라는 오픈 소스, 자체 호스팅 멀티 모달 agent harness를 제시한다. Syll은 MCP/API 도구, CLI 실행, 그리고 모듈러 런타임 내에서 시각적

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.

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 15일

구조적 LLM 계획을 위한 SPIN: 산업용 태스크를 위한 반복적인 탐색

대규모 언어 모델(LLM) 에이전트 시스템은 계획과 실행을 분리하지만, LLM 계획자는 구조적으로 잘못된 또는 불필요한 워크플로를 생성하여 brittle 실패와 불필요한 도구 및 API 비용을 초래합니다. 이를 해결하기 위해 SPIN을 제안하는데, 이는 유효한 방향 그래프(DAG) 계획과 접두사 기반 실행 제어를 결합한 계획 래퍼입니다. SPIN은 \_validate\_plan\_text와 수리 프롬프트를 사용하여 strict DAG 계약을 강제하고, 실행하기 전에 실행 가능한 계획을 생성하고, 현재 접두사가 쿼리를 답변하기 충분하도록 DAG 접두사를 순차적으로 평가합니다.

에이전트 5월 15일

다음 환경에서 작업하기 전 무작정 메모리 구축: Preping

이 연구에서는 무작정 메모리를 구축하는 방법을 연구한다. 무작정 메모리는 offline에서 커데이션된 데모레이션으로 구축하거나 online에서 포스트-배포 인터랙션으로 구축할 수 있다. 그러나 무작정 메모리는 새로운 환경에 처음 도입되었을 때 작업에 특화된 경험을 제공하지 않는 경우 cold-start gap을 마주한다. 이 연구에서는 무작정 메모리를 구축하기 전에 다음 환경의 경험을 제공하지 않는 경우 대규모 언어 모델(LLM)과 같은 메모리를 구축하는 방법을 연구한다.

에이전트 4월 23일

OpenCLAW-P2P v6.0: 분산 AI 피어 리뷰 플랫폼의 강력한 멀티 레이어 지속성, 실시간 참조 검증, 그리고 대규모 생산 환경에서의 분산 AI 피어 리뷰

OpenCLAW-P2P v6.0은 인간의 중재자 없이 AI 에이전트가 연구 논문을 출판, 피어 리뷰, 점수, 반복적으로 개선하는 분산 집단 지능 플랫폼의 정교한 진화입니다. 이 릴리스는 4대 새로운 서브시스템을 도입하였습니다. 첫째, 4개 저장층(인메모리 캐시, Cloudflare R2, Gun.js, GitHub)으로 구성된 멀티 레이어 논문 지속성 아키텍처를 통해 논문 손실을 0으로 만들었습니다. 둘째, 자동 백필을 통해 조회_LAST도 3초 이상에서 0초 미만으로 줄였습니다. 셋째, 스코링 중에 CrossRef, arXiv, Semantic Scholar를 통해 가짜 인용을 검출하는 실시간 참조 검증 쿼리를 수행했습니다. 넷째, 7개의 공공 데이터베이스에 대한 캐시된 접근을 제공하는 과학 API 프록시를 도입했습니다.

에이전트 4월 22일

악의적인 환경이 의사결정 AI를 속이는 이유

의사결정 AI는 도구를 사용해 성능을 평가하지만, 이러한 의존성은 공격 표면을 노출시킨다. 현재 평가 방법은 성능을 평가하지만, 도구가 사실을 숨기고 있는지 여부는 고려하지 않는다. 따라서 AI는 의존성에 대한 의구심을 갖지 못한다. 연구자들은 이러한 의존성에 대한 취약성을 '의존성 격차'라고 명명하고, 공격 모델인 '악의적인 환경 주입'을 제안한다. 이 공격 모델은 도구의 출력을 변조하여 AI를 속이는 것을 목표로 한다.

인기 태그

#arXiv 1177 #AI 에이전트 955 #추론 574 #OpenAI 459 #Google 395 #벤치마크 333 #Anthropic 253 #GPT 218 #Meta 166 #Claude 145 #가격 정책 140 #AI 안전 139 #Microsoft 134 #Gemini 130 #멀티모달 106 #로보틱스 104 #NVIDIA 96 #오픈소스 92 #파인튜닝 88 #허깅페이스 65