LLM만큼이나 중요한 것이 LLM을 둘러싸고 있는 레이어 - 하네스입니다.
하네스는 에이전트가 주어진 작업을 성공적으로 끝마치는것에 많은 영향을 줍니다. 실제로 최근 공개된 Deepseek V4 Pro 0813모델은 어떤 하네스를 쓰냐에 따라 코딩 작업 성공률이 큰 편차를 보였습니다.
지금까지는 사람이 각 작업 유형에 맞춰 손으로 하네스를 만들어 왔습니다.
코딩 에이전트 하네스, 딥 리서치 하네스, 하네스를 감싼 루프엔지니어링까지..
그리고 하네스는 지난 1년간 눈부신 발전을 이뤄왔지만, 이제는 이것마저 에이전트 스스로 짜기에 이르렀습니다.
자기 자신의 코드를 직접 고침으로써 스스로 발전하는 하네스, 재귀적 자기발전의 단계에 들어선 겁니다.
이와 관련하여 수많은 논문들이 작년 그리고 올해 쏟아지고 있고, 특히 코딩 에이전트 벤치마크에서 여러 SOTA가 갱신되었습니다.
특히 Hyperagents는, 코딩 에이전트 뿐만 아니라 임의의 작업 (시 짓기, 증명 평가하기)에서 자기발전을 가능하게하는 Meta-agent/Task-agent 개념을 소개했습니다.
Hatch! 🐣 project는 Hyperagents에 개념적 기반을 두면서, 코딩 도메인에 한정되지 않기 위해 다양한 확장을 시도하고 있습니다. 특히 아래 두 가지에 중점을 두고 있습니다
위 목표를 가지고 구체적인 벤치마크 성과지표 산출물을 목표로 하고 있습니다. 예시 평가지표는 아래와 같습니다