Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
GitHub AI Tools 406건필터 해제
Azure OpenAI 및 Azure Cosmos DB for MongoDB vCore를 사용한 RAG 구현 Python 샘플
본 문서는 Azure OpenAI와 Azure Cosmos DB for MongoDB vCore를 활용하여 RAG(검색 증강 생성) 시스템을 구축하는 상세한 Python 샘플 및 배포 가이드를 제공합니다. 개발자는 필요한 리소스를 설정하고, 로컬 환경에서 종속성을 설치하며, 최종적으로 `quart` 프레임워크를 사용하여 애플리케이션을 실행할 수 있습니다.
AI Night Shift: 수면 중에도 작동하는 다중 에이전트 자율 프레임워크
AI Night Shift는 사용자가 수면 중에도 여러 이질적인 AI 에이전트(Claude Code, Gemini 등)를 협력적으로 운영하는 오픈 소스 자율 프레임워크입니다. 이는 단일 에이전트가 아닌 다중 에이전트를 오케스트레이션하여 실시간으로 코딩, 디버깅, 콘텐츠 작성 등의 작업을 수행합니다. 공유 프로토콜을 통해 에이전트 간의 협업과 상태 관리가 가능하며, 크론 작업 및 플러그인 시스템을 지원해 확장성이 뛰어납니다.
VectorInstitute/kg-rag
본 저장소는 지식 그래프 기반 RAG(Retrieval Augmented Generation)와 기존의 기준선 RAG 방법론들을 비교하고 구현한 모듈형 Python 패키지입니다. Standard RAG, CoT RAG 같은 전통적 방식과 Entity/Cypher/GraphRAG 등 고급 KG-RAG 방식을 모두 제공합니다. 사용자는 uv를 이용해 환경을 설정하고, 스크립트를 통해 벡터 DB 및 지식 그래프 구축 후 질의 테스트와 성능 평가까지 진행할 수 있습니다.
doncheli/don-cheli-sdd
Don Cheli는 AI 에이전트를 위한 포괄적인 Specification-Driven Development (SDD) 프레임워크입니다. 88개 이상의 명령어와 51개의 스킬을 제공하며, TDD 기반으로 OWASP 감사, 자율 모드, 충돌 복구 등 다양한 기능을 갖추고 있습니다.
Task-force-for-AI-agents-in-Healthcare/haarf
본 리포지토리는 의료 환경에 특화된 자율 AI 에이전트를 위한 통합적이고 생애주기 중심적인 규제 프레임워크를 제시합니다. 270개 이상의 요구사항과 3가지 위험 카테고리를 포함하며, 의료 분야의 안전성과 컴플라이언스를 목표로 합니다.
SuperAGI: 자율 AI 에이전트 구축 및 운영을 위한 오픈소스 프레임워크
SuperAGI는 자율 AI 에이전트를 구축, 관리 및 실행할 수 있도록 돕는 오픈소스 프레임워크입니다. 이 프레임워크를 통해 여러 에이전트가 끊김 없이 동시에 작동하며, 툴킷을 활용해 기능을 확장하고 성능을 지속적으로 개선할 수 있습니다. Docker와 Superagi Cloud 등을 이용해 쉽게 배포 및 실험이 가능합니다.
Qude Framework open-source 코드를 이용한 AI 에이전트 개발 및 배포 가이드
Qude Framework는 오픈소스 코드를 활용하여 사용자가 CLI 환경에서 직접 AI 에이전트를 생성하고 배포할 수 있도록 돕는 가이드입니다. 이 프레임워크를 통해 Solana 블록체인에 커스텀 에이전트를 배포하고, 자연어 쿼리를 이용해 시장 분석 및 트렌드 통찰력 등 다양한 기능을 수행할 수 있습니다.
Intelligent-Internet/ii-researcher: BAML 함수를 활용한 지능형 웹 검색 및 답변 생성 에이전트
본 기사는 BAML 함수를 활용하여 지능적인 웹 검색과 포괄적인 답변 생성을 수행하는 딥 검색 에이전트 'II-Researcher'에 대해 소개합니다. 이 에이전트는 Tavily, SerpAPI 등 다양한 검색 제공업체를 사용하며, 다단계 추론 및 반성(Reflection) 기능을 통해 높은 정확도를 보여줍니다. 개발을 위해서는 Python, Docker, Node.js 환경 설정과 API 키 관리가 필요합니다.
OpenBMB/IoA
IoA(Internet of Agents)는 AI 에이전트들이 인터넷처럼 협업하여 복잡한 과제를 해결하는 것을 목표로 하는 오픈 소스 프레임워크입니다. 이 아키텍처는 자율적인 팀 구성, 이종 에이전트 통합, 비동기 작업 실행 등 인터넷에서 영감을 받은 기능을 제공합니다. 사용자는 Docker를 통해 IoA 서버 및 클라이언트를 쉽게 구축하고 사용할 수 있습니다.
yaodub/cast
Cast는 다중 사용자 및 에이전트 시스템을 위한 오픈 소스 하네스를 제공합니다. 이는 기존의 단일 개발자-단일 에이전트 가정에서 벗어나, 팀이나 가정이 공유하는 복잡한 협업 환경을 지원하도록 설계되었습니다. 사용자는 채팅 기반 빌더(Design)나 Claude Code를 통해 평문 설명만으로도 에이전트를 구성할 수 있습니다.
Anthropic Claude 인증 아키텍트: 기초(CCA-F) 시험 학습 자료
Anthropic의 Claude Certified Architect: Foundations (CCA-F) 자격증 취득을 위한 종합 학습 자료를 제공합니다. 이 자료는 에이전트 아키텍처, MCP 통합, Claude Code 워크플로우 등 시험에 필요한 다섯 가지 핵심 도메인을 다루며 실습 시나리오와 코드 예제를 포함하고 있습니다.
OpenMatch/RAG-DDR: 미분 가능한 데이터 보상(Differentiable Data Rewards)을 사용한 검색 증강
본 기사는 'RAG-DDR'이라는 논문을 소개하며, 미분 가능한 데이터 보상(Differentiable Data Rewards)을 활용하여 검색 증강 생성(RAG) 모델의 성능을 최적화하는 방법을 제시합니다. 사용자는 GitHub에서 프로젝트를 다운로드하고, 특정 패키지를 설치한 후, 주어진 절차에 따라 학습 및 평가 환경을 구축할 수 있습니다.
Vero: AI 파이프라인 평가 및 모니터링 플랫폼
Vero는 AI 파이프라인을 실제 비즈니스 환경의 엄격함으로 평가하고 모니터링하는 오픈 플랫폼입니다. 사용자 페르소나와 스트레스 테스트를 통해 에이전트를 까다로운 시나리오에서 평가하여 위험 요소를 식별합니다. 이 도구는 생성, 검색, 재순위 지정기 등 다양한 AI 지표들을 체계적으로 오케스트레이션합니다.
암호화폐를 위한 에이전트 기반 트레이딩 프레임워크
암호화폐 트레이딩 전략을 위한 에이전트 기반 프레임워크인 vibetrading을 소개합니다. 이 도구는 자연어 설명으로 코드를 생성하고, 백테스팅 및 LLM 분석 기능을 제공하여 실제 거래소 배포까지 지원합니다. 사용자는 템플릿이나 LLM API를 통해 전략을 개발할 수 있습니다.
amazon-science/auto-rag-eval
이 리포지토리는 ICML 2024 논문의 보조 자료로, RAG 시스템을 평가하기 위한 자동화된 프레임워크를 제공합니다. 이 도구는 주어진 지식 코퍼스 기반으로 LLM을 활용하여 작업별 객관식 시험을 생성하고, 이를 통해 다양한 RaG 변형들을 체계적으로 평가하며 개선하는 방법을 제시합니다.
midea-ai/SemaClaw
SemaClaw는 개인 AI 에이전트 구축을 위한 범용 오픈 소스 엔지니어링 프레임워크입니다. 재사용 가능한 런타임을 기반으로 권한, 메모리, 스케줄링 등 다양한 주변 장치를 제공합니다. 특히 세 계층의 컨텍스트 관리와 Human-in-the-Loop 권한 같은 고급 기능을 지원하며, DAG 오케스트레이션과 플러그인 마켓플레이스를 통해 확장성을 극대화했습니다.
sequenzia/agent-alchemy
Agent Alchemy는 Claude Code를 위한 오픈 소스 개발자 툴킷으로, 사양 정의부터 작업 실행까지 구조화된 워크플로우를 제공합니다. 이 툴킷은 여섯 가지 플러그인과 실시간 작업 관리자, VS Code 확장 기능을 통합하여 AI 엔지니어가 체계적인 개발을 할 수 있도록 지원합니다.
TIGER-AI-Lab/LongRAG
본 문서는 Long-context LLMs를 활용하여 검색 증강 생성(RAG)의 성능을 개선한 'LongRAG' 프레임워크를 소개합니다. 기존 RAG가 짧은 검색 단위에 의존해 리트리버와 리더 간의 비효율성을 가졌다면, LongRAG는 4K-token의 긴 검색 단위를 도입하여 이 문제를 해결했습니다.
HighMark-31/TRAE-Tips
본 문서는 AI 에이전트 개발 및 활용에 대한 심층 가이드라인을 제공합니다. 핵심 개념, 아키텍처 백서와 함께 즉시 적용 가능한 실용적인 팁들을 다룹니다. 특히 'Agents', 'Rules', 'Skills'의 차이를 명확히 설명하고, TRAE 생태계 내에서 프로덕션 레디 에이전트 및 스킬 저장소를 제공하여 개발자들의 효율적인 구현을 돕습니다.
RAG-DDR: 미분 가능한 데이터 보상을 사용한 검색 증강 생성 최적화
본 논문은 검색 증강 생성(RAG)의 성능을 최적화하기 위해 미분 가능한 데이터 보상(Differentiable Data Rewards, DDR) 기법을 제안합니다. 이 방법론은 RAG 시스템의 생성 및 지식 정제 모듈에 적용되어 전반적인 정확도를 높이는 것을 목표로 합니다.
이 피드 구독하기
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.