2026년 8월 13일 AI 뉴스 — 에이전트 운영 대시보드, 14MB 온디바이스 모델, AI 코딩과 Go

오늘 AI 뉴스는 에이전트를 "운영"하는 도구들이 눈에 띈다. 개인이 에이전트 한둘을 굴리던 단계를 지나, 팀 단위로 배포한 에이전트에 예산을 걸고 승인 절차를 붙이고 판단 근거를 추적하는 인프라가 오픈소스로 쏟아지고 있다. 여기에 14MB짜리 파운데이션 모델과 AI 시대의 언어·직군 논쟁까지 8건을 정리했다.

클로드 코드에서 다이어그램 29종 생성

문서에 그림 한 장 넣으려고 Figma를 켜는 흐름을 없애는 클로드 코드 스킬이다. 아키텍처, 플로우차트, 시퀀스, 상태머신, ERD, 스윔레인부터 사분면·컨설턴트 2×2·벤·레이더, 타임라인·간트, 바·산점도·데이터 파이프라인까지 29종을 다룬다. 각 타입마다 미니멀 라이트, 미니멀 다크, 풀 에디토리얼 세 가지 변형이 딸려 온다.

설치는 플러그인 마켓플레이스를 통한다. `/plugin marketplace add cathrynlavery/diagram-design` 후 `/plugin install diagram-design@diagram-design`이면 끝이고, 이후에는 "아키텍처 다이어그램 하나 만들어줘"처럼 대화로 요청하면 클로드가 알아서 타입을 고른다.

흥미로운 건 이 스킬이 강제하는 제약이다. "가장 품질을 높이는 수는 대개 삭제다"라는 원칙 아래 노드 밀도를 10점 만점에 4 수준으로 유지하고, 강조색은 딱 한 가지를 1~2개 요소에만 쓴다. 1px 헤어라인, 그림자 금지, 최대 10px 라운딩, 그리고 모든 좌표를 4의 배수로 맞춘다. 제작자는 마지막 항목을 두고 "다이어그램이 AI가 만든 티가 나지 않게 하는 핵심"이라고 설명한다. 외부 이미지도 자바스크립트도 쓰지 않아 결과물은 자체 완결형 HTML + SVG 한 덩어리로 떨어진다.

https://github.com/cathrynlavery/diagram-design

팀 AI 에이전트 배포를 한 대시보드에서

paperclip은 여러 AI 에이전트를 공동 목표를 향해 조율하는 오픈소스 오케스트레이션 시스템이다. 에이전트를 각자 굴러가는 프로세스가 아니라 조직도 안의 직원처럼 다룬다는 발상이 특징이다.

추적 항목이 구체적이다. 이슈는 회사·프로젝트·목표 계층에 연결되고 원자적 체크아웃으로 중복 작업을 막는다. 토큰과 비용은 회사·에이전트·프로젝트·목표·이슈·프로바이더·모델 단위로 집계되며 예산 상한을 강제할 수 있다. 하트비트 스케줄링과 워크스페이스 상태, 구조화된 로그로 실행을 감시하고, 승인·감사 추적·일시정지/재개/종료 제어로 거버넌스를 붙인다.

런타임 중립적이라 클로드 코드, OpenClaw, 코덱스, 커서, bash/CLI 에이전트, HTTP 웹훅 봇을 모두 물릴 수 있다. 프로젝트의 표현을 빌리면 "하트비트를 받을 수 있으면 고용된다". 로컬에서는 임베디드 PostgreSQL을 쓰는 단일 Node 프로세스로 뜨고, 프로덕션에서는 자체 PostgreSQL을 물려 멀티 회사 격리까지 지원한다.

https://github.com/paperclipai/paperclip

14MB 모델이 폰과 워치에서 돈다

cactus-compute의 Needle 2는 45M 파라미터 오픈 모델을 14MB 단일 바이너리로 패키징했다. 한 세션 전체가 약 28MB RAM 안에서 돌아간다. 범용 대화가 목표가 아니라 툴 콜링, 디바이스 조작, 구조화된 데이터 추출에 특화됐고, 선언한 스키마에서 컴파일한 바이트 단위 문법으로 출력을 강제해 항상 유효한 JSON을 뱉는다.

성능도 허풍이 아니다. 프로젝트 문서는 FunctionGemma 270M, LFM2.5 230M, 애플 FM 같은 소형 모델들과 "5배에서 70배 작은 크기로 승패를 주고받는다"고 밝힌다. 처리량은 프리필 약 4300 토큰/초, 디코드 약 850 토큰/초다.

구조는 Simple Attention Network 기반으로 Hadamard MLP, 그룹 쿼리 어텐션, engram 키-값 메모리를 조합한 뒤 Cactus Quants의 CQ2 비트 양자화로 압축했다. 응답을 게이팅하는 신뢰도 점수, 대규모 툴 카탈로그를 위한 툴 검색, 256 토큰 슬라이딩 윈도우 메모리 관리도 내장이다. 폰·웨어러블·스마트홈 기기·로봇처럼 클라우드 왕복이 사치인 환경을 정조준한 물건이다.

https://github.com/cactus-compute/needle

에이전트 기능 붙은 오픈소스 RAG 엔진

RAGFlow는 최신 RAG에 에이전트 기능을 결합해 LLM을 위한 컨텍스트 레이어를 만드는 오픈소스 엔진이다. 핵심은 "심층 문서 이해"로, 워드·PDF·이미지·스캔본·구조화 데이터를 섞어 넣어도 복잡한 포맷 전반에서 맥락을 유지한 채 지식을 뽑아낸다.

에이전트 쪽은 사전 제작 템플릿과 오케스트레이션 가능한 워크플로로 제공된다. Python/JavaScript 코드 실행기와 메모리 컴포넌트가 붙으면서 다단계 작업이 가능해졌고, 2026년 들어서는 3월 OpenClaw 스킬 공식 연동, 4월 DeepSeek v4 호환, 6월 Feishu·디스코드·텔레그램·라인 멀티채널 챗 지원이 차례로 들어갔다.

클라우드 호스팅과 자체 호스팅 모두 지원한다. 셀프 호스팅 요구 사양은 Docker 24.0.0 이상, Python 3.13 이상, 최소 4코어·16GB RAM·50GB 디스크이고 Docker Compose로 띄운다. 사내 문서를 외부로 못 내보내거나 검색 단계를 직접 튜닝해야 하는 조건에서 현실적인 선택지다.

https://github.com/infiniflow/ragflow

에이전트 맥락을 지식그래프로 관리

semantica는 에이전트 밑에 결정론적 추론·의사결정 추적 레이어를 까는 오픈소스 파이썬 프레임워크다. 임베딩만 저장하는 벡터 DB와 달리, 에이전트가 아는 것과 결정한 것을 질의 가능하고 감사 가능한 그래프로 만든다.

겨냥하는 문제가 분명하다. "이 AI는 왜 이 대출을 승인했는가"에 구조화된 답이 없고, 모순되는 사실이 조용히 덮어써지고, 결정에서 원본 데이터까지 계보를 따라갈 수 없고, 규제 기관이 들여다볼 수 없는 블랙박스라는 것. 금융·헬스케어·법률·행정처럼 몇 달 뒤 감사에서 방어 가능해야 하는 영역이 타깃이다.

결정을 그래프의 1급 노드로 기록하고 `trace_decision_chain()`으로 인과 사슬을 되짚고, `find_similar_decisions()`로 선례를 찾고, `analyze_decision_impact()`로 파급 효과를 본다. 시점 스냅샷으로 과거 상태를 재생할 수 있고, 어떤 사실이 참이었던 시점과 그것을 알게 된 시점을 구분하는 이중 시간 축을 지원한다. 추론은 전방 연쇄, Rete 네트워크, Datalog, SPARQL로 돌아가며 LLM 추론 없이 그래프 위에서 직접 수행된다. 모든 사실은 W3C PROV-O 표준으로 출처에 연결된다. 기존 LLM과 벡터 스토어를 그대로 두고 거버넌스 층만 얹는 구조다.

https://github.com/semantica-agi/semantica

문서를 던지면 PPT가 나온다

ppt-master는 문서나 주제를 넣으면 편집 가능한 PowerPoint 덱을 만들어주는 도구다. 이미지로 렌더링한 가짜 슬라이드가 아니라 네이티브 도형·전환·애니메이션, 필요하면 데이터 기반 차트와 표까지 들어간 진짜 `.pptx`가 나온다는 점이 핵심이다. 슬라이드 마스터와 레이아웃 상속도 지원하고, 발표자 노트는 음성 내레이션으로 바꿀 수 있다.

입력은 PDF, DOCX, 이미지, HTML, EPUB, 주피터 노트북, 채팅에 그냥 붙여 넣은 텍스트를 받는다. Pandoc을 깔면 DOC·ODT·RTF·TEX·RST·ORG·TYP 같은 레거시 포맷도 처리한다. 자료를 `projects/` 디렉터리에 넣거나 대화창에 붙이면 된다.

Python 3.10 이상에서 저장소를 클론하고 의존성을 설치한 뒤, 클로드 코드나 커서 같은 에이전트 도구로 프로젝트를 열어 덱을 만들어 달라고 요청하는 흐름이다. 1M 토큰 컨텍스트의 Kimi K3나 클로드 Opus 4.7에서 결과가 가장 좋다고 안내하며, 이미지 생성은 gpt-image-2 또는 gemini-3.1-flash-image와 붙는다. 파이프라인 전체가 로컬에서 돌아 플랫폼 종속이 없다.

https://github.com/hugohe3/ppt-master

구글, AI 코딩엔 Go가 최적인 이유

Go 그룹 PM 카메론 발라한과 구글 클라우드 수석 에반젤리스트 리처드 세로터가 8월 11일 구글 개발자 블로그에 올린 글이다. 논지는 AI가 언어 선택 기준 자체를 바꿔놨다는 것. 이제 중요한 건 코드를 얼마나 쉽게 쓰느냐가 아니라 "리뷰하고 검증하고 유지보수하기"가 얼마나 쉬우냐다. 글은 AI를 두고 "점점 당신의 팀 동료다 — 좀 제멋대로인 동료지만 어쨌든 동료"라고 표현한다.

근거는 네 가지다. 첫째, Go는 언어가 아니라 포매팅·테스트·의존성 관리·보안 도구가 통합된 플랫폼이라 사람과 AI가 같은 방식으로 검증할 수 있다. 둘째, `gofmt`가 "시니어가 쓰든 주니어가 쓰든 LLM이 쓰든 모든 코드를 똑같이 보이게" 만들어 오류를 빨리 찾게 한다. 셋째, 정적 타입이 "에이전틱 코드를 위한 자동 안전망"으로 존재하지 않는 API 호출 같은 환각을 컴파일 타임에 잡는다. 넷째, 호환성 약속과 결정론적 현대화 도구가 자율 에이전트로 인한 아키텍처 표류를 막는다.

https://developers.googleblog.com/why-go-is-an-ideal-language-for-ai-assisted-software-engineering/

AI가 중간층 개발자를 지운다

구현이 너무 싸고 빨라지면서 중간 계층 엔지니어가 사라지고 판단을 내리는 최상위 엔지니어만 남는다는 주장이다. 여기서 중간층은 유능하지만 탁월하지는 않은, 코드 리뷰와 품질 관리와 아키텍처 감독으로 가치를 더하던 사람들을 뜻한다.

글은 2020년과 2026년을 대비시킨다. 2020년의 시니어는 PR을 리뷰하고 코드 품질을 지켜 자기가 자리를 비운 동안의 혼란을 막았다. 2026년의 같은 사람은 AI가 써준 설명이 붙은 거대한 PR 7개 이상을 매일 마주한다. 저자는 "AI는 엔지니어링 문화가 약한 프로젝트를 훨씬 빨리 망하게 한다"고 쓴다. 충분한 숙고 없이 "에이전트에 몇 시간 프롬프트를 넣고 PR을 열 수 있게" 됐기 때문이다. 자기가 짠 코드를 설명하지 못하고 "음... 사실 모르겠네요. 클로드한테 물어볼게요"라고 답하는 장면이 그 결과다.

결론은 양극화다. AI의 판단을 평가할 수 있는 엘리트는 더 빨라지고 더 귀해지는 반면, 평범한 엔지니어는 AI가 주는 것 이상을 더하지 못해 "고용하기에 훨씬 비싼" 존재가 된다. 구현과 품질 통제라는 중간층의 역할이 자동화되면서 그 계층 자체가 사라진다는 것이다. 저자의 표현대로 "누군가는 여전히 무슨 일이 벌어지는지 알아야 하는" 경제로 들어가는 중이다.

https://blog.florianherrengt.com/ai-removing-middle-class-software-engineering.html

마치며

오늘 목록을 관통하는 흐름은 분명하다. 에이전트 하나를 잘 쓰는 법에서, 여러 에이전트에 예산과 승인과 감사 추적을 붙여 조직 단위로 운영하는 쪽으로 관심이 옮겨가고 있다. paperclip이 비용과 거버넌스를, semantica가 판단 근거의 계보를 맡는 식이다. 동시에 모델은 14MB까지 작아져 기기 안으로 들어가고, 언어와 직군을 고르는 기준도 "쓰기 쉬운가"에서 "검증하기 싼가"로 다시 쓰이는 중이다.

나무숲은 이런 변화를 매일 정리해 전한다. 오늘 목록에서 하나만 골라 실제로 설치해보길 권한다. 읽는 것과 돌려보는 것의 차이가 요즘만큼 큰 시기도 드물다.