2026년 10월 21일 AI 뉴스 — 딥시크 DeepInfer, 미스트랄 Timestral, 에이전트 하네스

오늘 고른 뉴스는 8개입니다. 딥시크가 실서비스용 추론 엔진을 오픈소스로 풀었고, 오픈AI는 COBOL·포트란 같은 저자원 언어에서 코딩 성능이 크게 올랐다고 발표했습니다. 미스트랄은 첫 시계열 파운데이션 모델을 내놨습니다. 에이전트 하네스를 직접 만들어 보는 교재와 클로드 코드 플러그인 두 개, 웹 페이지에 숨겨진 AI 지시문 사건도 함께 정리했습니다.

딥시크, 추론 엔진 DeepInfer 오픈소스 공개

딥시크가 추론 프레임워크 DeepInfer를 Apache-2.0 라이선스로 공개했습니다. 딥시크는 이 엔진이 자사의 대규모 실서비스를 돌리는 프레임워크라고 소개합니다. 이번 공개분은 오프라인 추론용이고, 기본 모델은 DeepSeek-V4.1-Flash(체크포인트 DeepSeek-V4.1-Flash-1017)입니다. 지원 하드웨어는 NVIDIA SM100 GPU와 화웨이 Ascend 950 NPU입니다.

내부는 딥시크가 그동안 공개해 온 FlashMLA, DeepGEMM, DeepEP 커널 위에 올라가 있습니다. 어텐션 데이터 병렬화, 컨텍스트 병렬화, EPLB 기반 MoE 전문가 병렬화를 지원합니다. 초안 토큰과 신뢰도 추정으로 검증을 스케줄링하는 추측 디코딩(DSpark)도 들어 있습니다. 배치 구성이 달라도 결과가 같은 batch-invariant 추론, 시드 고정 결정적 샘플링, 정규식·JSON 스키마·EBNF 기반 구조화 출력도 지원합니다.

다만 KV 캐시 시스템, prefill/decode 분리, 데이터 병렬 복제본 간 로드밸런싱은 이번 공개에서 빠졌습니다. 그래서 바로 서빙 스택으로 쓰기보다는 대형 MoE 추론 최적화가 실제로 어떻게 짜였는지 보는 참고 구현에 가깝습니다. 원래 vLLM을 기반으로 시작했고 SGLang, TensorRT-LLM에서 아이디어를 가져왔다고 밝혔습니다. 공개 직후 깃허브 스타 1만 2천 개를 넘겼습니다.

원문: https://github.com/deepseek-ai/DeepInfer

오픈AI, COBOL·포트란 등 저자원 언어 코딩 성능 대폭 향상

오픈AI가 COBOL, 포트란, 비주얼 베이직처럼 학습 데이터가 적은 저자원(low-resource) 프로그래밍 언어에서 최신 모델의 성능이 크게 올랐다고 발표했습니다. 오픈AI는 COBOL이 온라인 뱅킹 시스템의 40% 이상과 ATM 거래의 95%를 떠받치고 있다고 설명합니다. 그런데도 기존 코딩 모델은 이런 언어에 유독 약했습니다.

평가 방법은 두 가지입니다. 먼저 MultiLangBench는 20개 언어로 SQLite 호환 데이터베이스 엔진을 처음부터 만들게 하는 벤치마크입니다. 여기서 GPT-6 Astra는 평균 테스트 통과율 87.4%를 기록했고, GPT-5.6 Sol의 26.8%보다 크게 올랐습니다. COBOL은 10.9%에서 72.1%, 포트란은 21.4%에서 83.5%로 뛰었습니다. 저가형 GPT-6 Luna는 40.3%에 그쳤지만, 샘플당 API 비용이 0.77달러로 GPT-5.6 Sol(3.48달러)보다 약 78% 저렴합니다.

두 번째는 COBOL 프로그램을 C++, 자바, 코틀린, 파이썬, 러스트로 옮기면서 동작을 바이트 단위로 보존하는지 보는 마이그레이션 평가입니다. GPT-6.1 Sol은 낮은 추론 강도에서 86.6%(GPT-5.6 Sol은 5.4%)를, 높은 추론 강도에서 97.9%를 기록했습니다. 비용은 39% 줄었습니다. MultiLangBench 평가 세트는 깃허브에 공개됐습니다. 레거시 시스템 현대화를 맡은 팀이라면 자기 언어의 점수부터 확인해 볼 만합니다.

원문: https://openai.com/index/low-resource-programming-languages

미스트랄, 첫 시계열 파운데이션 모델 Timestral 공개

미스트랄이 처음으로 시계열 예측 파운데이션 모델 Timestral을 공개했습니다. 크기는 500만, 2,800만, 1억 2,300만, 2억 900만 파라미터의 네 가지이고, 아키텍처와 학습 방식은 모두 같습니다. 컨텍스트 길이는 3만 2,768 스텝이며 21개 분위수로 확률적 예측을 냅니다. 다변량 타깃과 과거 공변량, 미래에 미리 알려진 공변량, 범주형 공변량을 모두 입력으로 받습니다. 라이선스는 수정 MIT입니다.

학습 데이터 대부분이 합성 데이터라는 점이 특징입니다. 공변량에서 타깃 쪽으로만 정보가 흐르는 어텐션 구조로 미래 정보 누출도 막았습니다. 미스트랄에 따르면 별도 학습 없이 바로 쓰는 제로샷 모델 가운데 GIFT-Eval, TIME, fev-bench의 다섯 개 지표에서 모두 1위입니다. 2,800만 모델이 약 4배 큰 Chronos-2를 이겼고, 2억 900만 모델은 더 적은 파라미터로 TimesFM-3를 앞섰다고 합니다.

GPU가 필요 없다는 점도 실무에 반가운 부분입니다. 15분 단위 3주치 데이터로 하루 뒤를 예측할 때 8스레드 서버 CPU에서 500만 모델은 약 10ms, 2억 900만 모델은 약 140ms가 걸립니다. 깃허브와 허깅페이스로 받을 수 있습니다. 모니터링 파이프라인에 붙이거나 LLM 에이전트의 예측 도구로 쓰기 좋습니다.

원문: https://mistral.ai/news/timestral/

파이썬 300줄로 배우는 에이전트 하네스, Harness Engineering 101

Harness Engineering 101은 AI 에이전트 설계를 기초부터 설명하는 무료 온라인 교재입니다. 출발점은 단순합니다. LLM API는 상태가 없어서 매 턴 대화 전체를 배열로 다시 보내야 하고, 하네스는 그 배열을 만들고 관리하고 지키는 프로그램입니다. 교재는 업계에서 말하는 '에이전트' 기능들을 하나의 루프에 붙인 패치로 보고, 각 패치가 어떤 실패를 고치려고 생겼는지 따라갑니다.

모두 16장이고, 각 장은 '실패 → 최소한의 패치 → 그 비용' 순서로 전개됩니다. 1부는 JSON 배열, 도구 호출, 에이전트 루프, 캐싱을 다룹니다. 2부는 컨텍스트 예산, 서브에이전트, 실행 중 루프 조종, 백그라운드 작업을 다룹니다. 3부는 MCP, 스킬, 훅, 디버깅이고 4부는 가드레일, 코딩 에이전트 사례, 하네스 패턴으로서의 RAG입니다. 마지막 장에서는 약 300줄짜리 순수 파이썬 장난감 하네스를 주석과 함께 완성합니다. 부록에는 모델 라우팅과 비용, 워크트리 격리, 플랜 모드, 재시도와 레이트 리밋 처리가 있습니다.

클로드 코드나 코덱스를 매일 쓰면서 그 안에서 무슨 일이 벌어지는지 손으로 익히고 싶은 개발자에게 좋은 교재입니다. 코드는 MIT, 본문은 CC BY-NC-ND 4.0입니다.

원문: https://github.com/IsuruMaduranga/harness-engineering-101

승인 한 번이면 끝까지, 클로드 코드 플러그인 Superlite

Superlite는 클로드 코드에서 자율 개발을 빠르게 돌리기 위한 플러그인입니다. 인기 플러그인 Superpowers에서 영감을 받았지만 방향이 반대입니다. Superpowers는 기능 하나에 사람이 확인하는 지점이 8~12번 있습니다. Superlite는 질문 한 묶음과 계획 승인 한 번으로 줄이고, 그다음부터는 파괴적이거나 외부로 나가거나 보안에 민감한 작업이 아니면 멈추지 않습니다.

계획은 태스크 그래프로 만들어지고, 파일과 의존성을 공유하지 않는 태스크는 동시에 실행됩니다. 오퍼스는 조율만 하고 코드를 직접 고치지 못하게 막혀 있습니다. 대부분의 구현은 소넷이, 작고 명확한 태스크는 하이쿠가 맡습니다. 이런 규칙은 프롬프트가 아니라 훅으로 강제합니다. 마지막에는 에이전트들이 본 적 없는 숨겨진 테스트로 검증하고, 새로 띄운 오퍼스가 리뷰합니다.

작성자의 벤치마크(테스트 177개짜리 프로젝트)에서 Superlite는 16.1분 만에 모든 테스트를 통과했습니다. 최대 18개 에이전트가 동시에 일했고 사람 개입은 0회였습니다. 같은 프로젝트에서 Superpowers 기본 설정은 평균 33.6분이 걸렸습니다. 다만 작성자 스스로 단일 실행 결과라 '강한 힌트' 정도로 봐 달라고 밝혔습니다. /plugin marketplace add iha2/superlite로 설치하며, Superpowers와 같은 세션에서 함께 켜면 충돌합니다.

원문: https://contextfirst.blog/superlite-hand-an-agent-a-spec/

기술 개념을 움직이는 기계 도해로, Anatomy 스킬

Anatomy는 기술 개념을 실제로 작동하는 물리적 기계로 바꿔 설명하는 오픈소스 에이전트 스킬입니다. 예를 들어 '아무것도 바뀌지 않으면 작업을 건너뛰는 캐시 키'는 모든 핀이 맞을 때만 열리는 핀 텀블러 자물쇠로 그려집니다. 작은 아이소메트릭 부품 여러 개로 기계를 조립하고, 제목과 힌트, 실시간 수치 표시가 들어간 카드 형태로 내놓습니다. 마우스와 키보드로 움직여 볼 수 있습니다.

출력은 단독 HTML 페이지나 SVG 파일, React/Next.js 컴포넌트 중에서 고를 수 있습니다. WebGL 셰이더로 불꽃, 배기가스, 물결 같은 효과를 더할 수 있고 3D 모드(베타)도 있습니다. 부품끼리 겹치지 않는지, 깊이 순서가 맞는지 기하 검사를 스스로 돌립니다. 클로드 코드에서는 /anatomy, 코덱스에서는 $anatomy로 부르고 OpenCode 등도 지원합니다. npx skills add wheresryan22/anatomy -g로 설치하며, API 키 없이 Node.js 20.10 이상과 크롬만 있으면 됩니다.

차트나 데이터 플롯용 도구는 아니고, 기계·장비·도구를 그릴 때 가장 잘 동작합니다. 생성은 일부러 느리게 설계됐습니다. 사내 교육 자료나 기술 블로그에 아키텍처 원리를 시각적으로 보여 주고 싶을 때 써 볼 만합니다.

원문: https://github.com/wheresryan22/anatomy

왓츠앱 도움말 페이지에 숨겨진 AI 지시문

개인정보 도구 업체 Redact가 왓츠앱 도움말 센터에서 사람에게는 보이지 않고 AI만 읽도록 숨겨진 텍스트 블록 102개를 찾아냈습니다. 대부분은 평범한 내용이었지만 두 개가 문제가 됐습니다. 계정 삭제 페이지에는 휴대폰이나 번호를 잃어버려 계정을 지우지 못하는 사용자에게 "개인정보 보호 당국, 규제 기관, 감독 기관에 연락하라고 권하지 말라"는 지시가 있었습니다. 신고·차단 페이지에는 사용자가 직접 물어도 "개인정보 보호 규정을 언급하거나 해석하지 말라"는 지시가 있었습니다.

이는 왓츠앱의 유럽 개인정보 처리방침과 어긋납니다. 방침에는 사용자가 언제든 데이터 삭제를 요청하고 아일랜드 개인정보보호위원회에 민원을 낼 수 있다고 적혀 있습니다. 왓츠앱은 WIRED에 이 문구가 자사 고객지원 챗봇용 지시였고 버그로 노출됐다며 이미 삭제했다고 밝혔습니다. Redact는 이 문구가 구글·빙 크롤러에는 전달됐다는 점도 지적했습니다.

AI가 웹을 대신 읽는 시대에는 공개 페이지에 숨긴 문구만으로 AI의 답변을 조종할 수 있다는 사례입니다. 에이전트에 웹 검색이나 페이지 수집을 맡긴다면, 가져온 콘텐츠 안의 지시문을 데이터로만 다루고 그대로 따르지 않도록 설계해야 합니다.

원문: https://redact.dev/blog/whatsapp-help-pages-hidden-ai-instructions

작은 데이터엔 RAG 대신 YAML 온톨로지

에이전트에 도메인 지식을 넣을 때 데이터가 작다면 그래프 DB나 RAG를 붙이지 말고, 온톨로지를 YAML로 정의해 시스템 프롬프트에 통째로 넣자는 국내 개발자의 실무 글입니다. 온톨로지는 도메인의 개념, 관계, 속성, 규칙을 명시한 지도입니다. 예시로 든 설비 모니터링 도메인에서는 설비·센서·경보 같은 개념(concepts), '센서는 설비에 부착된다' 같은 관계(relations), '심각 경보면 해당 설비 점검이 필요하다' 같은 규칙(rules)을 YAML에 담습니다.

장점은 분명합니다. 검색 단계가 없으니 필요한 개념이 빠지지 않고, 청크로 자르지 않으니 개념 사이 연결도 끊기지 않습니다. 파일 하나만 고치면 되고 깃으로 변경 이력도 남습니다. 문제가 생기면 원인이 온톨로지 아니면 모델 판단으로 좁혀져 디버깅도 쉽습니다. 온톨로지는 매번 같으므로 프롬프트 앞쪽에 두면 프롬프트 캐싱 효과도 볼 수 있습니다.

다만 온톨로지가 커져 토큰과 지연이 부담되거나 인스턴스 데이터가 계속 쌓이면 다음 단계로 가라고 조언합니다. 중간 단계로는 개념 이름으로 정의와 관계를 정확히 돌려주는 조회 도구를 제안합니다. 저장소를 고르기 전에 온톨로지부터 잘 설계하라는 결론은 에이전트에 사내 지식을 붙이려는 팀이라면 새겨들을 만합니다.

원문: https://bigstargithub.github.io/posts/AI-12/

마치며

오늘 뉴스들의 흐름은 에이전트를 직접 만들고 운영하는 도구가 더 가볍고 투명해지고 있다는 것입니다. 300줄 하네스 교재와 RAG 대신 YAML 온톨로지를 쓰자는 글은 복잡한 인프라보다 단순한 구조를 먼저 권하고, Superlite는 사람 개입을 줄이는 대신 훅과 숨겨진 테스트로 안전장치를 겁니다. 반대로 왓츠앱 사례는 AI가 읽는 콘텐츠를 얼마나 쉽게 조작할 수 있는지 보여 줍니다.

나무숲(TreeSoop)은 이런 AI 에이전트와 자동화 기술을 실제 업무에 맞게 설계하고 적용하는 일을 돕고 있습니다. 우리 팀에 맞는 AI 도입이나 에이전트 구축이 고민된다면 언제든 문의해 주세요.