클로드 코드를 활용한 AI 코딩 에이전트를 위한 재귀적 자기 개선 프레임워크

한 개발자가 Claude Code를 사용하여 AI 코딩 에이전트가 재귀적으로 스스로를 개선할 수 있도록 하는 프레임워크를 오픈소스로 공개했습니다. 이 시스템은 모델 제공업체들이 재귀적 에이전트 최적화를 어떻게 구현하는지에 대한 수개월간의 연구 끝에 개발되었습니다.

작동 방식

이 프레임워크는 에이전트 개선을 위한 구조화된 접근 방식을 제공합니다:

• 2줄의 코드로 에이전트에 추적 기능 추가 (이미 실행 기록이 있다면 3단계로 건너뛰기)
• 에이전트를 여러 번 실행하여 실행 기록 수집
• Claude Code에서 /recursive-improve 실행
• 시스템이 기록을 분석하고, 실패 패턴을 찾고, 수정 계획을 세워 승인을 요청
• 수정 사항 적용 후 에이전트 다시 실행, /benchmark로 기준선 대비 개선 확인
• 개선을 지속하기 위해 주기 반복

자율 운영 옵션

완전 자율 운영(카파시의 자동 연구와 유사)을 위해서는:

• /ratchet 실행하여 전체 개선 루프 자동 실행
• 시스템이 개선, 평가, 변경 사항 유지 또는 되돌리기 수행
• 개선된 부분만 살아남음
• 밤새 실행하여 더 나은 에이전트로 깨어날 수 있음

성능 결과

실제 기업용 에이전트 벤치마크(tau2)에서 완전 자율 모드로 스킬을 실행하여 테스트:

• 단일 개선 주기 후 25% 성능 향상

기술 배경

원래 연구에는 대규모 추적 분석을 위한 샌드박스 REPL, 다중 에이전트 파이프라인 및 기타 구성 요소를 갖춘 재귀적 언어 모델 아키텍처 구축이 포함되었습니다. 개발자는 에이전트를 구축하는 대부분의 사람들이 이러한 복잡성이 필요하지 않으며, Claude Code가 재귀적 자기 개선에 충분한 능력을 제공한다는 사실을 발견했습니다.

이 프레임워크는 코딩 에이전트에게 다음과 같이 지시합니다: 여기 실행 기록이 있고, 이를 분석하는 방법, 수정 사항 우선순위를 정하는 방법, 그리고 검증하는 방법이 있습니다.

오픈소스 저장소: https://github.com/kayba-ai/recursive-improve