에이전트와 코딩

Bend 데모 게임의 두 장면. 왼쪽은 LAWS.bend 없이 보드 가장자리가 이어지자 플레이어가 깃발에 도달해 YOU WON 문구가 뜬 화면이고, 오른쪽은 LAWS.bend가 있을 때 AI가 반대편 가장자리에 벽을 세워 플레이어가 막힌 화면이다.

Bend: a fast language that blocks AI mistakes via proof

Victor Taelin 팀이 공개한 Bend 2는 사람이 LAWS.bend에 규칙을 적고, AI가 그 규칙이 지켜진다는 증명을 써야만 코드를 커밋할 수 있게 만든 언어다. 공식 사이트는 1코어에서 C와 비슷한 속도, 16코어와 GPU에서의 자동 병렬화, 1초 이내의 증명 검사를 수치로 제시했다.

핵심 사용자 여정 네 가지의 75퍼센타일 응답 시간을 8월 13일과 8월 27일의 실사용자 모니터링 값으로 비교한 원문 도표. claude.ai 웹 새로 불러오기가 3,085ms에서 550ms로 5.6배, Claude Cowork 메시지 전송의 클라이언트 처리 시간이 928ms에서 48ms로 19배 빨라지는 등 13개 측정치가 기하평균 3.1배 빨라졌다.

How we made claude.ai 3x faster in two weeks

Anthropic 팀이 2026년 8월 2주간의 스프린트에서 claude.ai와 Claude 데스크톱 앱의 핵심 사용자 여정 13개 측정치를 평균 3.1배 빠르게 만든 과정을 공개했다. Claude가 병목 탐색, 벤치마크 제작, 수정, 배포 감시를 맡고 사람이 목표와 절충, 승인을 맡아 3천 건 이상의 변경을 장애와 롤백 없이 머지했다. 팀은 측정할 수 있는 것은 무엇이든 Claude가 개선할 수 있다는 교훈을 얻었다.

Hindsight 개요 도식. 왼쪽의 에이전트가 RETAIN으로 정보를 저장하고, RECALL로 정보를 검색하고, REFLECT로 새 인사이트를 생성한다. 오른쪽 원에는 World Facts, Experiences, Observations, Opinions 네 요소가 Hindsight Memory Networks를 이룬다.

vectorize-io/hindsight: Hindsight: Agent Memory That Learns

Vectorize.io가 MIT 라이선스로 공개한 에이전트 메모리 시스템 Hindsight의 README와 문서를 정리했다. 저장한 사실을 근거가 딸린 관측과 멘털 모델로 통합해 에이전트가 경험에서 배우도록 설계했고, LongMemEval에서 94.6%를 보고한다.

Stripe가 공개한 실행 환경 구성도. 사내 지식 에이전트 Kai와 Stripe 제품용 에이전트가 하나의 보안 실행 환경을 공유한다. 쿠버네티스에서 동작하는 에이전트 하네스 상자 아래에 워크플로 오케스트레이션, 세션별 샌드박스, 세션 작업 공간, 상황별 라우팅 상자가 있고, 맨 아래에 1,000개 이상의 스킬과 도구가 연결돼 있다.

Meet Stripe's Knowledge AI Platform

Stripe가 비개발 직군을 위한 사내 AI 에이전트 플랫폼 Kai의 설계와 성과를 공개했다. Kai는 출시 두 주 만에 직원 대부분이 쓰기 시작했고, 지금은 직원의 83%가 매주 쓴다. Stripe는 인터페이스에 구애받지 않는 API, 도메인 팀이 쓰는 Agent Studio, 제품용 에이전트와 공유하는 실행 환경의 세 계층으로 Kai를 설계했다.

원문 체크리스트 도판. 요청, Claude Code의 긴 작업, 확인, 플래그의 네 묶음으로 체크박스 항목이 정리되어 있다.

Getting the most out of Opus 5.5 in Claude and Claude Code

Addy Osmani가 claude.dev 블로그에 올린 Opus 5.5 사용 가이드. 완료 조건까지 적은 한 번의 요청, CLAUDE.md에 적는 멈춤 규칙, 서브에이전트 분배, 보고서를 읽는 순서, 안전장치 플래그로 모델이 바뀌었을 때의 대처까지 Claude 앱과 Claude Code의 운용법을 정리했다.

옆에 놓인 부품 상자에서 꺼낸 판과 블록으로 접이식 화면을 세우면서 다른 손에는 두루마리 한 장을 쥔 치비 서소영

vercel-labs/json-render: The Generative UI framework

Vercel Labs가 공개한 Generative UI 프레임워크. AI는 개발자가 카탈로그에 등록한 컴포넌트와 액션만으로 JSON 스펙을 만들고, 29개 패키지가 그 JSON을 React 화면부터 PDF, 영상, 터미널까지 각자의 형식으로 그린다.

치비 서소영이 길게 이어진 두루마리 앞에 서서, 붓 대신 가위로 문단 몇 개만 오려 내고 나머지 글자는 그대로 두는 그림

fast-jev-compaction: 컴팩션 요약을 Jev의 판정으로 갈아 끼우기

Claude Code의 컴팩션 요약을 없애고, 도구 호출과 도구 결과만 Jev의 확률 판정으로 골라 삭제하는 플러그인 저장소. 남기기로 한 것은 요약하지 않고 원문 그대로 둔다.

위에 떠 있는 계획 쪽지와 발밑에 펼쳐진 선택지 카드 사이에 선 치비 서소영이 카드 한 장을 두 손으로 집어 드는 그림

Astra and JEV Minecraft agent

GPT-6 Astra가 목표를 세우고 TypeSafe Jev가 행동을 고르는 마인크래프트 에이전트 저장소. 빈 인벤토리에서 8분 43초 만에 엔더 드래곤을 잡았다. 기록을 줄인 수리 목록과, 성과를 과장하지 않으려고 미리 적어 둔 규칙들을 함께 읽어 본다.

논문의 그래픽 초록. 왼쪽에 컨텍스트 관리(T0에서 T4까지 다섯 전략), 계획(사용과 미사용), 액션 공간(도구 세트와 bash 전용)이라는 세 부품이 나열되고, 가운데에 4개 모델과 2개 벤치마크, 4가지 컨텍스트 창 크기를 조합한 176개 설정이 놓인다. 오른쪽은 세 갈래 결론을 요약한다. 창이 넓어질수록 컨텍스트 관리의 이득이 줄고, 계획은 약한 모델에게 정확도를 강한 모델에게 효율을 주며, 미리 정의된 도구와 bash 전용 인터페이스의 우열이 모델 능력에 따라 뒤집힌다.

An Empirical Study of Harness Design for Coding Agents

코딩 에이전트의 하네스를 통째로 재는 대신 부품 하나하나의 효과를 따로 잰 실증 연구다. 실행 루프를 고정한 채 계획, 액션 공간, 컨텍스트 관리만 바꿔 176개 설정을 돌린 결과, 세 부품 모두 모델의 능력과 컨텍스트 예산에 따라 효과가 뒤집혔다.

Cua의 네 가지 제품 카드. 위쪽에 Cua Fleets, 아래쪽에 Cua Driver, Lume, Cua Bench가 나란히 놓여 있고 각 카드마다 코알라 마스코트가 그려져 있다.

trycua/cua: Give AI agents computers they can use

AI 에이전트에게 조작할 컴퓨터를 제공하는 MIT 라이선스 오픈소스 스택. 클라우드 데스크톱(Fleets), 네이티브 앱 조작 계층(Driver), Apple Silicon VM(Lume), 평가 프레임워크(Bench) 네 가지로 이루어져 있고, 문서가 되는 기능보다 안 되는 기능을 더 정밀하게 적어 둔다.