Prime Agent: 지속적 REPL과 에이전트 CRUD를 갖춘 자기 개선 RLM 코딩 하네스
Prime Intellect가 Prime Agent를 출시했습니다. 이는 재귀 언어 모델(RLM)과 지속적 하네스(Continual Harness)라는 두 가지 추상화를 중심으로 설계된 오픈소스 코딩 하네스입니다. 목표는 고정된 도구 호출 스키마와 정적 하위 에이전트를 넘어, 에이전트가 세션 중에 자신의 컨텍스트를 관리하고 스캐폴딩을 진화시킬 수 있게 하는 것입니다.
재귀 언어 모델: 컨텍스트를 REPL로
RLM은 컨텍스트를 변수로 취급하고 하위 에이전트 위임을 지속적인 IPython REPL 내의 함수 호출로 취급합니다. 이는 모델에게 자신의 히스토리, 하위 에이전트 및 도구에 대한 프로그래밍 방식의 접근을 제공하여, 컨텍스트에 작용하는 언어 모델 프로그램을 작성할 수 있게 합니다. REPL은 데이터를 변수에 저장하므로 에이전트는 과거 정보에 대한 접근을 잃지 않고 임의로 긴 세션을 작업할 수 있습니다.
지속적 하네스: 에이전트의 자기 관리
지속적 하네스는 하네스 자체의 상태(프롬프트, 스킬, 메모리, 하위 에이전트)를 CRUD 가능한 객체로 추상화합니다. 에이전트는 궤적 동안 이를 생성, 읽기, 업데이트, 삭제할 수 있습니다. 에이전트 간 메시징과 결합하여 하위 에이전트 간 및 별도의 Prime Agent 세션 간 오케스트레이션을 가능하게 합니다. 예를 들어, 에이전트는 지속적인 하위 에이전트를 생성하고 나중에 메시지를 보내거나 다른 Prime Agent 인스턴스와 직접 통신할 수 있습니다.
주요 아키텍처: 유일한 도구로서의 지속적 커널
Prime Agent는 유일한 도구로 지속적인 IPython 커널을 사용합니다. 하위 에이전트를 포함한 모든 표준 하네스 기능은 해당 커널 내에서 함수로 호출됩니다. 각 하위 에이전트는 또 다른 Prime Agent 인스턴스입니다.
- 백그라운드 데몬: 로컬 소켓을 통해 모든 라이브 세션을 소유합니다. 에이전트를 중지하지 않고 연결/분리할 수 있습니다.
- 에이전트 뷰: 모든 루트 세션과 하위 에이전트를 재귀적으로 나열하는 TUI입니다. 빈 프롬프트에서
←를 누르면 열립니다. - 세션 복구: 각 작업자 프로세스는 복구 가능합니다. 충돌 시 데몬이 JSONL 및 커널 상태 스냅샷에서 복원합니다.
- 메모리 관리: 유휴 하위 에이전트는 30분 후 언로드되고 디스크에서 필요 시 다시 로드됩니다.
- 영구 저장: 세션 기록은 추가 전용 JSONL로 저장됩니다.
설치
curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh대상 사용자
장기 자율 코딩 평가를 실행하는 팀, 자동 연구를 수행하는 연구자, 또는 자신의 하네스를 적응시킬 수 있는 코딩 어시스턴트를 원하는 개발자.
📖 전체 소스 읽기: HN AI Agents
👀 See Also
LLM 숨겨진 에이전시 신호(Â)를 활용한 향상된 도구 호출
개발자가 LLM이 AUC > 0.94로 도구 호출을 예측하는 선형 분리 가능한 숨겨진 상태 방향인 Â를 가지고 있음을 발견했습니다. 이 신호를 사용하여 도구 호출을 강제하면 Qwen3-1.7B 성능이 26.7%에서 85%로 향상되었으며(+58% 이득), 도구 미사용 실패가 43%에서 2.6%로 감소했습니다.
RAG 학습 아카데미, Claude Code 내에 구축된 20명의 전문 에이전트
한 개발자가 Claude Code 내에 20명의 전문 에이전트, 17개의 슬래시 명령어, 9개 모듈 커리큘럼으로 구성된 대화형 RAG 학습 아카데미를 만들었습니다. 이 아카데미는 지식 수준을 평가하고 기본적으로 오픈소스 도구를 사용합니다.
클로드 코드의 읽기 도구가 이미지 해상도를 묵시적으로 낮추어 환각을 유발함
Claude Code의 `read` 도구는 모델이 이미지를 보기 전에 조용히 해상도를 낮추어, 스크린샷에서 텍스트를 추출할 때 출력 품질이 저하되고 인식하지 못한 환각 현상이 발생하게 됩니다.
RAG-Engram 아키텍처로 미세 조정된 Qwen3.5-2B 모델은 8K 컨텍스트에서 근거 기반 답변 정확도를 50%에서 93%로 향상시킵니다.
한 개발자가 '중간에서 길을 잃는' 현상을 해결하기 위해 맞춤형 RAG-Engram 아키텍처로 Qwen3.5-2B를 미세 조정하여, 실제 질의에서 8K 토큰 기준 정답률을 50%에서 93%로 향상시켰습니다. 이 시스템은 정적 개체 임베딩과 동적 청크 탐색이라는 두 단계 접근법을 사용합니다.