MS 에이전시 오픈소스 공개, AI 에이전트 자발적 협업 구현

핵심요약

기사 핵심 요약

마이크로소프트가 중앙 관리자 없이 최대 1024개의 AI 코딩 에이전트가 자율적으로 협업하는 프레임워크 에이전시를 공개했다. 공유 저장소와 통신 체계를 통해 대규모 코딩 과제에서 통과율을 크게 개선했다.

MS가 AI 에이전트 1024개가 자율 분업하는 오픈소스 시스템 '에이전시'를 공개했다.

• 마이크로소프트가 중앙 관리자 없는 1024개 AI 에이전트 자율 분업 프레임워크 '에이전시'를 오픈소스로 공개했다.
• 프로그램벤치 테스트 결과 에이전트 수 증가에 따라 판독 재현 통과율이 33.89%에서 55.06%로 상승했다.
• 에이전트들은 동일한 시스템 지시문 아래에서도 코드 검토와 통합 등의 역할을 자발적으로 분담했다.

마이크로소프트(MS)가 중앙 관리자 없이 인공지능(AI) 코딩 에이전트 1024개가 자율 분업하는 시스템 ‘MS 에이전시(Agensh)’를 오픈소스로 공개했다. 지시를 일방적으로 하달하는 관리자 없이 에이전트들이 직접 일감을 고르고 동료와 소통하며 소프트웨어를 완성하는 구조다.

소프트웨어 개발 환경에서 단일 모델의 처리 한계를 넘어서려는 시도가 이어지는 가운데, 마이크로소프트의 MS 에이전시 협업 체계는 조직화된 분업 방식을 소프트웨어 엔지니어링에 도입했다는 점에서 눈길을 끈다.

중앙 관리자 없는 자율 분업 구조의 도입 배경

에이전시는 중앙 통제자 없이 개별 에이전트가 공통 목표를 확인하고 자율적으로 과업을 분담하는 탈중앙 협업 구조를 갖췄다. 기존 멀티 에이전트 프레임워크는 주로 중앙 관리자 에이전트 하나가 전체 작업을 쪼갠 뒤 하위 에이전트들에 배분하고 최종 결과를 취합하는 방식을 사용했다. 참여하는 에이전트 수가 늘어날수록 중앙 관리자의 연산과 조정 능력이 전체 시스템의 병목으로 작용해 확장성이 떨어지는 한계가 드러났다. MS 에이전시의 이러한 구조는 향후 기술 발전에 중요한 기초가 될 것이다.

연구진은 지난 9월 연구 논문을 선공개한 데 이어 24일(현지시간) 깃허브를 통해 에이전시 코드와 실험 재현 도구를 전면 공개했다. 여기서 하네스란 AI 에이전트가 외부 도구를 실행하고 연속적인 작업을 안정적으로 이어가도록 돕는 소프트웨어 기반을 뜻한다. 에이전시는 개별 모델 호출과 도구 조작을 담당하는 하네스 상단에 연결되어 에이전트 간 협력 기능을 지원하도록 설계됐다. 연구진은 실험 환경에서 깃허브 코파일럿 CLI를 기반 하네스로 채택했으나, 다른 형태의 하네스 소프트웨어에도 연동할 수 있다고 설명했다.

공유 저장소와 메시징 기반 협업 메커니즘

에이전시 내부의 에이전트들은 공유 인프라를 통해 중복 작업을 막고 실패 이력을 학습하며 연속적인 개발을 수행한다. 코드와 수정 이력을 축적하는 공유 저장소, 에이전트 사이의 실시간 조율을 돕는 메시지 시스템, 발견한 사실 및 실패한 접근법을 기록하는 공유 기록이 맞물려 구동된다.

협업이 진행되는 기본 흐름은 다음과 같은 절차로 이뤄진다.

1. 공통 목표 및 전체 동료들의 작업 진행 현황 조회
2. 개별 에이전트가 직접 착수할 세부 과업 선택 및 작업 범위 공표
3. 다른 동료와 작업 영역이 중복될 경우 메시지 시스템을 통한 조율
4. 코드 작성, 단위 검증 진행 후 공통 저장소 병합 및 다음 과업 탐색

특정 에이전트가 작업을 마칠 때까지 다른 구성원이 대기할 필요 없이 각자 과업을 진행한다. 한 에이전트가 파악한 버그나 시행착오가 공유 기록에 즉각 남겨지기 때문에 동료 에이전트들이 실패한 코딩 방식을 불필요하게 되풀이하지 않는다.

프로그램벤치 테스트로 확인된 성능 향상 지표

에이전트 투입 규모가 1개에서 1024개까지 늘어남에 따라 복잡한 소프트웨어 복원 과제에서 통과율이 일관되게 상승했다. 성능 검증은 대규모 프로그램의 기능을 인터넷 차단 상태에서 문서를 참조해 처음부터 재현하는 ‘프로그램벤치(ProgramBench)’의 고난도 5개 과제를 대상으로 이뤄졌다. 제한 시간은 6시간이었으며, 기초 추론 엔진으로는 ‘GPT-5.6 솔’ 모델이 투입됐다.

표: 에이전트 규모별 테스트 통과율 비교

실험 과제	투입 에이전트 수(개)	최종 통과율(%)	비고
프로그램벤치 5개 과제 평균	1	19.31	단일 에이전트 기준
프로그램벤치 5개 과제 평균	128	28.78	통과율 9.47%p 상승(상대 개선 약 49%)
문서 변환 프로그램 '판독(pandoc)'	1	33.89	단일 에이전트 기준
문서 변환 프로그램 '판독(pandoc)'	1024	55.06	통과율 21.17%p 상승

출처: 마이크로소프트 에이전시 연구 논문 및 깃허브 공개 자료

문서 변환 프로그램 판독(pandoc) 재현 실험에서 1024개 협업 구성은 55.06%의 통과율을 기록하며 단일 구성 대비 21.17%포인트 높은 성과를 냈다. 처리 속도 측면에서도 128개 협업군은 30분 만에 30% 통과율을 넘어섰으나 단일 에이전트는 초기 2시간 동안 해당 기준에 도달하지 못했다.

규모 확장에 따른 자발적 역할 분화와 협동 패턴

에이전트 집단의 규모가 커질수록 지시받지 않은 검토, 조율, 코드 통합 등 고도화된 역할 분담 행동이 자발적으로 생성됐다. 연구진은 각 에이전트에게 식별 번호를 제외하고는 모두 동일한 시스템 프롬프트를 부여했으나, 규모 확장에 따라 상이한 협업 행태가 관찰됐다.

• 8개 규모: 모듈 간 연결 인터페이스와 전체 작업 범위를 사전에 상호 합의하는 기초 조율 형성
• 32개 규모: 여러 에이전트의 합동 코드 검토 및 오류 반례 발견 시 기존 승인 철회 후 재검토 수행
• 128개 규모: 관련 도메인 작업 경험이 있는 특정 동료에게 검증을 요청하는 협업 파트너십 구축
• 1024개 규모: 여러 전문 코드 통합 에이전트 출현, 응답 속도에 따른 작업물 이관 및 실패 작업의 동료 승계 발생

1024개 규모에 이르자 개발자와 통합 담당자가 분리되는 현상이 뚜렷해졌으며, 특정 에이전트의 시도가 중단되면 동일 분야의 다른 동료가 즉시 과업을 이어받는 복원력도 나타났다.

실험 조건의 한계와 AI 협업 구조의 시사점

이번 연구 결과는 단일 모델의 매개변수나 추론 성능을 키우지 않고도 에이전트 간 조직 구조와 통신 방식만으로 복잡한 문제 해결 능력을 개선할 수 있음을 보여준다. 챗GPT 에이전트 등 업무 대행 모델의 발전 속에서, 에이전트가 집단을 이뤄 코드를 검증하고 통합하는 거버넌스 설계의 가치를 수치로 확인한 셈이다.

실험 조건에 대한 객관적 해석도 뒤따라야 한다. 연구진은 동일한 모델과 6시간이라는 제한 시간을 고정한 상태에서 에이전트 수만 늘려 성능을 비교했다. 1024개 투입에 따른 연산 비용 증가분을 감안할 때 비용 대비 효율성이 입증된 것은 아니며, 중앙 관리자 방식과의 직접적인 1대1 우위 비교가 이뤄진 결과도 아니다.

자주 묻는 질문

에이전시 시스템에서 에이전트들의 역할은 사람이 직접 배정하나요?

아닙니다. 연구진에 따르면 모든 에이전트는 식별자를 제외하고 동일한 지시문을 받았으며, 동료 에이전트와 메시지를 주고받는 과정에서 검토자나 통합 담당자 역할을 자발적으로 분담했습니다.

에이전시 프레임워크는 어떤 도구 환경에서 구동되나요?

마이크로소프트 연구진은 이번 실험에서 깃허브 코파일럿 CLI를 하네스로 사용했으며, 다른 하네스 소프트웨어에도 연결하여 동작할 수 있도록 설계되었다고 밝혔습니다.

에이전트를 대규모로 늘리면 개발 비용도 절감되나요?

이번 실험은 동일 모델과 동일 작업 시간 내에서 에이전트 수 증가에 따른 통과율 변화를 측정한 것이며, 동일 비용 대비 성능 개선이나 중앙 관리자 방식 대비 비용 우위를 입증한 것은 아닙니다.