sayzardcedric (@cedric_chee)
Codex for Chrome을 사용해 tldraw 화이트보드에서 4개의 서브에이전트가 협업하며 그림을 생성하는 모습이 인상적이라는 내용이다. 브라우저 기반 멀티 에이전트 협업과 창작형 AI 활용 사례로, 새로운 제품 사용성과 가능성을 보여준다.
Abby O'Neill (@abby_k_oneill)
국가 대표 수준의 AI 에이전트 협상 신뢰성과 장기·비대칭·비구속 협력 평가의 한계를 지적하며, 경쟁자와의 협력을 시험하는 새 벤치마크/테스트베드 C2C(Cooperate to Compete)를 소개한다.
Abby O'Neill (@abby_k_oneill) on X
Would you trust an AI agent to negotiate on your country's behalf at the G20? Real coordination is long-horizon, asymmetric, and non-binding; current multi-agent evaluations miss this. We build Cooperate to Compete (C2C): a testbed for LM agents coordinating with rivals. 🤝🔪🎭
techAU (@techAU)
구글이 수천 개의 에이전트를 관리하는 방법을 보여주는 내용으로 보이며, 대규모 멀티 에이전트 운영과 오케스트레이션 관련 기술적 진전을 암시한다. 에이전트 시스템 확장성에 관심 있는 AI 개발자에게 유용한 주제다.
Ramp Labs (@RampLabs)
에이전트들이 관련 기억을 직접 공유하도록 하는 Latent Briefing을 소개했다. 멀티에이전트 시스템의 비효율을 줄여 토큰 사용량을 31% 감소시키면서도 정확도는 유지해, 비용 절감과 신호 손실 완화에 도움이 되는 새 기술이다.
Ramp Labs (@RampLabs) on X
Introducing Latent Briefing, a way for agents to quickly share their relevant memory directly. Result: 31% fewer tokens used, same accuracy. Multi-agent systems are powerful, but can be wildly inefficient. They pass context as tokens, so costs explode and signal gets lost. We
Google for Developers (@googledevs)
멀티 에이전트 코딩 시스템과 내장 생성형 AI IDE를 활용해 애플리케이션을 더 빠르게 개발하고 테스트하는 방법이 소개됐다. 설계에서 실행까지 연결하는 개발 워크플로우 개선 사례로, AI 개발 도구의 실용적 발전을 보여준다.
Google for Developers (@googledevs) on X
Build and test applications faster with a multi-agent coding system. Gain direct experience with @Antigravity at a Build with AI event and move from design to execution using an IDE with built-in gen AI. 🔹 Multi-agent coding system and IDE 🔹 Lab testing and app development 🔹
fly51fly (@fly51fly)
멀티 에이전트 강화학습을 위한 파운데이션 모델 ‘MARL-GPT’가 소개되었다. 새로운 연구로, 다중 에이전트 RL에서 범용 모델 접근을 제안하며 오픈 아크(ArXiv) 논문으로 공개됐다.
https://x.com/fly51fly/status/2041996064841200003
#reinforcementlearning #multiaagent #foundationmodel #llm #research
Abhishek Yadav (@abhishek__AI)
마이크로소프트가 AI 에이전트용 멀티 에이전트 워크플로와 내장 메모리, 도구 호출, 에이전트 간 프로토콜(A2A, MCP)을 지원하는 새 SDK 수준의 업데이트를 공개했다. Semantic Kernel과 AutoGen 기반으로 구축돼 생산 환경의 에이전트 오케스트레이션을 지향한다.
KAI (@OrdinaryWeb3Dev)
AI 에이전트 운영을 위한 ‘미션 컨트롤’ 도구가 필수적이 되어가고 있으며, 핵심 가치는 UI보다 실시간 메모리 편집과 서브 에이전트 오케스트레이션에 있다는 내용이다. 멀티 에이전트 시스템에서 상태 관리가 가장 큰 난제라는 점을 짚으며 관련 개발 툴 수요를 강조한다.
KAI (@OrdinaryWeb3Dev) on X
@RoundtableSpace Mission control for AI agents is becoming essential. The real value isn't just the UI - it's live memory editing and sub-agent orchestration. Building multi-agent systems without proper state management is where most people get stuck. This is exactly the tooling the space needs
cedric (@cedric_chee)
Claude Cowork와 OpenClaw를 비교하며, 전자는 폐쇄형으로 기업용과 기본 사용성이 좋지만 유연성이 낮고, 후자는 오픈소스이며 설정은 더 복잡하지만 멀티에이전트에 맞게 훨씬 커스터마이즈 가능하다고 설명한다. 에이전트 개발 도구의 방향성을 보여주는 비교 글이다.
cedric (@cedric_chee) on X
Claude Cowork - closed source, smoother out-of-the-box experience, more enterprise-ready, less flexible, single-agent oriented. OpenClaw - open source, heavier setup, less enterprise-ready today, far more customizable, and built for multi-agent flexibility.
Abhishek Yadav (@abhishek__AI)
Hermes Agent라는 자기개선형 AI 에이전트가 소개됐다. 경험을 바탕으로 스스로 스킬을 학습하며, 영속적 메모리 세션, 멀티 에이전트 병렬 워크플로우, CLI·앱·클라우드 실행, 자체 도구 생성 및 개선 기능을 제공한다. 특정 모델에 종속되지 않고 어떤 모델이든 사용할 수 있다.
Abhishek Yadav (@abhishek__AI) on X
AI agents just learned how to learn 🤯 Try Hermes Agent, a self-improving AI that builds skills from experience. → Persistent memory sessions → Multi-agent parallel workflows → Runs anywhere (CLI, app, cloud) → Creates + improves its own tools No lockin. Use any model.