Sgai: 목표 기반 다중 에이전트 소프트웨어 개발 도구

Sgai의 기능
Sgai(발음은 "Sky")는 로컬 저장소에서 실행되는 목표 중심 AI 소프트웨어 팩토리입니다. 단계별 프롬프트 대신, GOAL.md 파일에 무엇을 구축해야 하는지(방법이 아닌) 설명하는 결과를 정의합니다. 그러면 시스템이 여러 AI 에이전트를 조율하여 목표를 실행합니다.
주요 기능
- 목표 중심 워크플로우: 완료 게이트(예:
make test)와 함께 GOAL.md 파일에 결과를 정의하여 작업이 실제로 완료되는 시점을 결정합니다 - 다중 에이전트 조율: 목표를 역할의 DAG(개발자 → 검토자 → 보안 분석가 등)로 분해합니다
- 로컬 실행: 모든 작업이 저장소에서 로컬로 실행되며 GitHub에 자동 푸시되지 않습니다
- 시각적 모니터링: 웹 대시보드에서 에이전트 그래프의 실시간 실행을 보여줍니다
- 대화형 명확화: 에이전트는 실행 전에 필요한 경우 명확한 질문을 합니다
- 기술 추출: 완료된 세션에서 재사용 가능한 기술과 코드 스니펫을 추출합니다
작동 방식
워크플로우는 다음 단계를 따릅니다:
- 목표 생성: 대부분의 사용자는 내장 마법사를 사용하여 목표를 생성합니다. 목표는 GOAL.md에 저장되며 구현 단계가 아닌 결과를 설명합니다.
- 에이전트 작업 계획: Sgai는 목표를 정의된 역할을 가진 조율된 에이전트의 워크플로우 다이어그램으로 분해합니다.
- 승인 및 모니터링: 에이전트는 명확한 질문을 한 후, 작업을 자율적으로 실행하고 테스트를 실행하며 완료를 검증합니다.
- 세션에서 학습: 시스템은 완료된 세션에서 재사용 가능한 기술을 추출합니다.
GOAL.md 예시
--- flow: | "backend-developer" -> "code-reviewer" completionGateScript: make test interactive: yes ---REST API 구축
JWT 인증을 사용한 사용자 등록 및 로그인을 위한 엔드포인트를 생성하세요.
- POST /register는 이메일을 검증하고 비밀번호를 해시합니다
- POST /login은 JWT 토큰을 반환합니다
- 완료 전에 테스트를 통과합니다
설치 및 설정
opencode를 통한 권장 자동 설정:
opencode update opencode auth login opencode --model anthropic/claude-opus-4-6 run "install Sgai using the instructions from https://github.com/sandgardenhq/sgai/blob/main/INSTALLATION.md"
수동 설치 요구사항: Go, Node.js, bun, opencode. 권장: jj(버전 관리), tmux(세션 관리), ripgrep(코드 검색), Graphviz(다이어그램 렌더링).
설치 명령:
go install github.com/sandgardenhq/sgai/cmd/sgai@latest
또는 소스에서 빌드:
git clone https://github.com/sandgardenhq/sgai.git cd sgai cd cmd/sgai/webapp && bun install && cd ../../.. make build
Sgai 실행
sgai serve로 서버를 시작하고 http://localhost:8080을 열어 대시보드에 접근합니다.
기술적 세부사항
- 오픈소스 (Go)
- Anthropic, OpenAI 또는 opencode를 통한 로컬 모델과 함께 작동
- 변경사항은 버전 관리 시스템을 통과합니다 (Git도 작동하지만 jj 권장)
- 데모 이용 가능: 4분 비디오
- 사용 예시: "드래그 앤 드롭 이미지 압축기 구축" → 3명의 에이전트 (개발자, 검토자, 디자이너) → 테스트를 통과한 작동 앱 → 45분
이 프로젝트는 "아직 초기 단계이며 일부는 거칠지만, 공유할 수 있을 만큼 기능적"이라고 설명되며, 소규모 앱 프로토타이핑과 내부 도구 구축에 내부적으로 사용되었습니다.
📖 전체 소스 읽기: HN AI Agents
👀 See Also

Graft: Claude Code 후크가 grep 토큰을 42% 줄이다
Graft는 코딩 에이전트를 위한 영구 지식 그래프를 구축하여 도구 호출을 46%, 토큰을 42% 줄이고 SWE-bench 정확도를 54%에서 66%로 향상시킵니다.

클로드 코드 MCP 스택 측정: 캐시 친화성 대 바이트 절감 및 프롬프트 캐시를 위한 2줄 수정
Greg Shevchenko가 MCP 압축기와 검색 레이어를 두 가지 축(바이트 절약 및 캐시 친화성)으로 벤치마킹했습니다. 2줄의 수정(rg 결과 정렬, 맵 항목 정렬)으로 바이트 절약 손실 없이 캐시 적중률을 ~0%에서 100%로 높였습니다. 오픈소스 하네스 포함.

NLA가 Gemma 3의 내부 활성화를 모든 토큰에 대해 읽을 수 있는 텍스트로 변환
Anthropic이 모델의 내부 상태를 텍스트로 디코딩하는 NLA(Natural Language Autoencoders)를 발표했습니다. Gemma 3와 함께, Auto Verbalizer는 생성된 모든 토큰에 대해 모델이 "생각"한 내용을 설명합니다. 가중치는 Hugging Face에, 데모는 Neuronpedia에 있습니다.

오픈소스 MCP 서버는 AI 에이전트가 라이트닝 네트워크를 통해 L402 결제를 처리할 수 있도록 지원합니다.
FastMCP로 구축된 Python MCP 플러그인은 HTTP 402 결제 필요 응답을 가로채 라이트닝 네트워크 인보이스를 결제하고 AI 에이전트를 위한 데이터를 검색합니다. 이 저장소에는 실제 자금을 사용하지 않고 테스트할 수 있는 로컬 더미 에이전트가 포함되어 있습니다.