OpenCrabs: 자율적이고 자체 개선하는 AI 에이전트
요약
OpenCrabs는 Rust 언어로 구축된 자율적이며 자체 개선 기능을 갖춘 멀티채널 AI 에이전트입니다. 이 프로젝트는 사용자가 직접 코드를 작성하거나 복잡한 설정을 할 필요 없이, 스스로 목표를 설정하고 작업을 수행하며 지속적으로 성능을 향상시키는 것이 특징입니다.
핵심 포인트
- Rust 기반의 단일 바이너리로 배포가 용이합니다.
- 자율적(Autonomous)이며 자체 개선(Self-improving) 기능을 제공합니다.
- 멀티채널 지원으로 다양한 플랫폼에서 활용 가능합니다.
<a href="https://trendshift.io/repositories/22468?utm_source=trendshift-badge&utm_medium=badge&utm_campaign=badge-trendshift-22468" target="_blank" rel="noopener noreferrer"><img src="https://trendshift.io/api/badge/trendshift/repositories/22468/daily?language=Rust" alt="opencrabs/opencrabs — Trendshift #3 Repository Of The Day, Rust" width="250" height="55"/></a>
<a href="https://trendshift.io/repositories/22468?utm_source=trendshift-badge&utm_medium=badge&utm_campaign=badge-trendshift-22468" target="_blank" rel="noopener noreferrer"><img src="https://trendshift.io/api/badge/trendshift/repositories/22468/weekly?language=Rust" alt="opencrabs/opencrabs — Trendshift #20 Repository Of The Week, Rust" width="250" height="55"/></a>
🦀 OpenCrabs
자율적이고 자체 개선하는 AI 에이전트. 단일 Rust 바이너리. 모든 채널.
Rust로 구축된 자율적이며 자체 개선하는 멀티채널 AI 에이전트.
___ ___ _
/ _ \ _ __ ___ _ _ / __|_ _ __ _| |__ ___
| (_) | '_ \/ -_) ' \ | (__| '_/ _` | '_ \(_-<
...
작성자: Adolfo Usier
⭐ 마음에 드셨다면 GitHub에서 별점을 눌러주세요!
목차
📚 문서 (Documentation)
공식 문서: docs.opencrabs.com — 포괄적인 가이드, 아키텍처 심층 분석, 참고 자료.
문서와 opencrabs.com의 랜딩 페이지는 6개 언어로 제공됩니다: 영어(English), 포르투갈어(Português (PT-PT)), 스페인어(Español), 프랑스어(Français), 러시아어(Русский), 그리고 인도네시아어(Bahasa Indonesia). 메뉴 표시줄의 언어 전환기에서 하나를 선택하세요. 번역되지 않은 단락은 누락되는 대신 영어로 대체됩니다.
시작하기 (Getting Started)
참고 자료 (Reference)
- 아키텍처(Architecture)
- 뇌 헌법(Brain Constitution)
- 새 프로바이더 추가하기
- Plan JSON 사양
- 동적 워크플로우 가이드(Dynamic Workflows Guide) — 스크립트를 사용하여 에이전트 오케스트레이션: 팬아웃(fan-out), 파이프라인(pipelines), 구조화된 출력(structured outputs), 체크포인팅(checkpointing)
- 의사결정 캐시(Decision Cache): L1 정확한 결정 재사용 링,
[decisions]계층, 섀도우/실시간/비활성화 모드, 회계 처리, 출시일 평가 (#1648)
브레인 파일 템플릿 (Brain File Templates)
- SOUL.md — 개성(personality) 및 목소리(voice)
- AGENTS.md — 작업 공간 거버넌스 및 엄격 규칙
- TOOLS.md — 도구 사용 및 기술
- MEMORY.md — 장기 기억(long-term memory)
- CODE.md — 코딩 표준
- SECURITY.md — 에이전트가 따르는 보안 정책 (저장소의 취약점 공개 정책 /SECURITY.md와는 다름)
- BOOT.md — 시작 및 서비스 설정
- USER.md — 사용자 프로필 템플릿
- HEARTBEAT.md — 주기적 체크리스트, 필요 시 또는 크론 작업(cron job)으로 읽기
기술 (Skills)
크론 템플릿 (Cron Templates)
명령어 템플릿 (Command Templates) (선택 사항, LLM 기반)
- Commands Guide: LLM을 호출하는
commands.toml조각(fragments)을 복사하여 붙여넣기 합니다. 기계적이고 비용이 들지 않는 명령어(/architecture,/attach)는 내장되어 있어 설치가 필요 없습니다.
OpenCrabs를 사용하는 이유?
OpenCrabs는 터미널에서 단일 바이너리로 실행됩니다 — 서버도, 게이트웨이도, 인프라스트럭처도 필요하지 않습니다. 사용자의 컴퓨터에서 LLM 제공업체에 직접 HTTPS 호출을 수행합니다. 다른 것은 아무것도 외부로 나가지 않습니다.
OpenCrabs vs Node.js Agent Frameworks
| OpenCrabs (Rust) | Node.js Frameworks (예: Open Claw) | |
|---|---|---|
| 바이너리 크기 | 34–36 MB 단일 바이너리, 종속성 없음 | 1 GB 이상 수백 개의 전이 패키지가 포함된 node_modules |
| ... |
로컬에 유지되는 것 (절대 기기를 벗어나지 않음)
- 모든 채팅 세션 및 메시지 (SQLite)
- 도구 실행 (bash, 파일 읽기/쓰기, git)
- 메모리 및 임베딩 (로컬 벡터 검색)
- 로컬 STT 모드 음성 전사 (whisper.cpp, 온디바이스)
- 브레인 파일, 설정, API 키
외부로 나가는 것 (사용할 때만)
- LLM 제공업체 API로의 메시지 (Anthropic, OpenAI, GitHub Copilot 등)
- 웹 검색 쿼리 (선택적 도구)
ghCLI를 통한 GitHub API (선택적 도구)- 브라우저 자동화 (선택적,
browser기능 — CDP를 통해 Chromium 기반 브라우저를 자동 감지하며, Firefox는 아님) - 동적 도구 HTTP 요청 (tools.toml에서 HTTP 도구를 정의할 때만)
🔒 제로 원격 측정(Zero Telemetry) — 옵트인조차 없음
OpenCrabs는 절대 데이터를 전송하지 않습니다.
분석 기능도, 추적도, 사용 통계도, 원격 로깅도, 충돌 보고서도,
메모리 검색(Memory retrieval) (전체 보고서)
모든 수치는 실제 작업 공간에서 측정되었습니다: 뇌 파일 9개, 일일 노트 158개, 세션 문서 93개, 총 258 MB.
| Metric | Before | After |
|---|---|---|
Rule-lookup hit rate (scope="brain") | 2/5 | 5/5 |
| ... | ||
End-to-end 체크: 54일 전의 사실(월별 청구서 크론 작업이 일정을 놓친 이유)을 memory_search를 시작점으로 하여 9단계, 1분 40초 만에 복구했으며, 이 과정에서 찾은 주요 출처들을 읽었습니다. 전체 체인은 보고서를 참고하세요. |
검색 품질(Recall quality) (전체 보고서)
Fixture 기반 점수 측정 (13개 섹션 코퍼스, 긍정 질의 12개 + 부정 질의 12개), 이후 실제 156개 섹션 메모리 파일 및 437개의 실제 사용자 메시지를 통해 검증:
| Metric | Before (hit count ≥ 2) | After (normalized BM25 ≥ 0.35) |
|---|---|---|
| precision@2 | 0.625 | 0.917 |
| ... | ||
| 검색 품질 저하 지점은 이렇습니다: 이전 규칙은 거의 모든 것을 답변했기 때문에, 그 정확도가 낮았던 것입니다. 6개 언어 평가(en, ru, es, pt, fr, id)는 각 언어별 검색률 3/3을 기록하며 1.000 / 1.000을 달성했고, 이를 구축하는 과정에서 두 가지 실제 토크나이저 버그를 잡아냈습니다: 악센트 민감 매칭과 키릴 문자 결합 부호입니다. |
청크 임베딩(Chunked embeddings) (전체 보고서)
벡터 행의 25.5%가 빈 플레이스홀더였기 때문에, 해당 문서는 하이브리드 검색의 의미론적 부분에 보이지 않았고, 크기 제한을 초과하는 내용은 청크 처리된 적이 없었습니다. 두 문제 모두 수정되었으며, 이제 순위는 평균화된 문서 벡터별이 아닌 청크별로 측정됩니다.
구조적 코드 검색(Structural code search) (전체 보고서)
이 저장소(1,383개 .rs 파일)를 기준으로 측정되었으며, 블라인드 검색 전에 grep을 통해 정답 데이터가 잠겨 있었습니다. 심볼 그래프(code-graph, 기본 활성화)는 FTS5+벡터 옆에 구조적 레인을 추가합니다:
| Query class | Before (FTS5+vector) | After (+ symbol graph) |
|---|---|---|
| Callers of a function | 텍스트 청크, 호출자 정보 없음 | 정확한 호출자, 파일 + 라인 |
| ... | ||
| Graph: 15,769 심볼 / 95,601 호출 에지 / 5,649 임포트, 전체 리포 인덱싱을 12.1초 만에 완료했습니다. 실행 전후로 발견된 네 가지 추출기 결함(수신자-한정 호출 대상, enum-변형 노이즈, 테스트 이름 순위 지정, 중첩 호출/impl 재귀)은 수정되었으며 — 보고서에서 회귀 테스트를 거쳤습니다. |
지연 시간 (Latency) (criterion, 릴리스 빌드)
cargo bench --bench memory, 인메모리 SQLite: FTS 검색 50개 문서 기준 2.57ms, 벡터 검색 1.02ms, 하이브리드 RRF 융합 3.49ms, 파일당 인덱싱 214µs. 전체 테이블은 개발 섹션을 참조하세요.
🎬 온보딩 비디오 (Onboarding Videos)
| OS | 빠른 시작 (Quick start) | 고급 설정 (Advanced setup) (Telegram, 음성, 이미지) |
|---|---|---|
| macOS | 2분 이내 설치 방법 (Homebrew) | macOS에서 고급 설정하기 |
| ... | ||
| 모든 비디오: youtube.com/@OpenCrabs |
🎬 데모 (Demo)
🖥️ 분할 패널 (Split Panes)

🎯 핵심 기능 (Core Features)
AI 자동 생성 콘텐츠
본 콘텐츠는 개발 자료 GitHub · 21e63e26의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기