EvoMap/evolver — 어제 하루 +1,131 ⭐, '에이전트도 진화한다'는 GEP의 등장

+1,131 ⭐ 하루

어제 하루에만 +1,131 stars. AI 에이전트 GitHub 레포가 일간 1,000개를 넘기는 건 흔치 않아. 흔한 게 아니라 거의 없어. evolver 프로젝트는 그 흔치 않은 일을 했어. v1.28.0 릴리즈와 EvoMap.ai 공식 런칭, GEP(Genome Evolution Protocol) 백서 공개가 같은 주에 묶이면서 트렌딩 1위로 튀어 올랐어.

핵심 메시지는 한 줄로 압축돼. "정적 프롬프트·스킬 기반 에이전트의 시대는 끝났다 — 에이전트도 진화해야 한다." 이 명제를 기술적으로 받쳐주는 게 GEP. 에이전트의 경험을 Gene과 Capsule이라는 두 개의 단위로 인코딩하고, mutation·selection 사이클로 자율 진화시키는 프로토콜이야.

프로젝트 배경 — 정적 에이전트의 한계

지난 2년, AI 에이전트는 두 가지 패턴 위에 서 있었어. ① 정적 프롬프트 — system prompt + few-shot 예시를 사람이 손으로 설계, ② 스킬 라이브러리 — Anthropic Skills, Cowork 플러그인 같은 외부 능력 묶음을 인덱스로 호출. 이 두 패턴은 1단계엔 잘 동작했지만, 한계가 명확해졌어 — 에이전트가 새 환경에 들어갔을 때 사람의 손이 닿지 않으면 개선되지 않아. 에이전트는 "배우는" 게 아니라 "사용되기만" 했어.

evolver의 GEP는 이 패턴을 깬다고 주장해. Gene은 에이전트의 작은 행동 패턴(특정 task를 푸는 sub-routine)을, Capsule은 그 Gene들의 묶음(특정 도메인 or 시나리오에서의 동작 방식)을 인코딩해. 에이전트가 task를 풀 때마다 Gene이 mutate되고, 성능 좋은 Gene이 selection으로 살아남아. 4,590회 controlled trial에서 gene 표현이 가장 강력한 성능과 견고성을 보였다는 보고가 있어 — 이게 v1.28.0 릴리즈 노트의 핵심 발견이야.

핵심 기능 — Gene·Capsule·Hub

구성요소	역할	동작
Gene	미세 행동 패턴 단위	task 실행 시 mutate, 성능 기반 selection
Capsule	Gene 묶음 (도메인/시나리오)	다른 에이전트와 공유 가능, hub에 등록
Hub	에이전트 간 capsule 마켓	leaderboard, 다른 사람의 진화 결과 임포트
Live Agent Map	진화 과정 가시화	어떤 Gene이 살아남았는지 실시간 추적
Evolution Leaderboard	도메인별 베스트 capsule 랭킹	어떤 진화 경로가 우월한지 비교

표가 의미하는 바: evolver는 "단일 에이전트의 진화"를 넘어 "에이전트 간 capsule 공유 시장"까지 보고 있어. Hugging Face가 모델 마켓이고 Replicate가 추론 마켓이라면, evolver는 "에이전트 진화 결과 마켓"을 노려.

흥미로운 설계 선택은 오프라인 자급 자족(offline self-sufficiency). 핵심 진화 기능은 hub 연결 없이도 동작해. Hub 연결은 capsule 마켓·leaderboard에만 필요. 이건 자율주행 차량·의료기기·로봇처럼 항상 인터넷에 연결되지 않는 환경에서도 에이전트가 진화할 수 있다는 메시지야.

기술 스택

• 언어: Python 백엔드(진화 엔진) + TypeScript 프론트엔드(Live Agent Map, leaderboard UI)
• 프로토콜: GEP — JSON 스키마로 Gene·Capsule 직렬화, MCP-호환
• 모델 백엔드: 사용자 선택 — OpenAI, Anthropic, 로컬 모델(Llama, Qwen 계열)
• 저장소: 임베딩 기반 Capsule 검색에 Vector DB(기본 Chroma, 옵션 Pinecone)
• 라이선스: 추정 Apache-2.0 (정확한 라이선스는 레포 LICENSE 파일 확인 권장)

경쟁 레포 비교

레포	접근	차별점 vs evolver
evolver (이 레포)	Gene·Capsule mutation/selection	진화 자체를 1차 메커니즘
huggingface/smolagents	가벼운 코드 에이전트	진화 없음, 정적
browser-use/browser-use	브라우저 자동화 에이전트	진화 없음, 도구 특화
lsdefine/GenericAgent	Token-efficient self-evolving	비슷한 진화 노선이지만 token 효율 강조
KeygraphHQ/shannon	AI pentester	도메인 특화(보안), 진화 아님

가장 가까운 비교 대상은 lsdefine/GenericAgent야. April 21 arXiv 2604.17091 백서로 공개된 이 프로젝트도 self-evolving이고, ~3.3K-line seed code에서 시작해 skill tree를 키우는 접근. 차이점은: evolver는 "Gene mutation"에 더 가깝고, GenericAgent는 "skill tree 추가/정제"에 가까워. 둘 다 같은 학파(self-evolving agent)의 다른 분파라고 봐도 돼.

왜 지금 뜨는가 — 생태계 맥락

같은 주의 대형 신호가 셋이 겹쳤어.

첫째, Microsoft Windows 11 작업표시줄 AI 에이전트의 일반 출시 임박. OS 레벨에 에이전트가 박히면 "static prompt에 갇힌 에이전트"의 한계가 더 도드라져. 사용자 PC마다 다른 환경, 다른 앱 조합인데 정적 프롬프트로는 그 모든 시나리오에 적응하기 어려워.

둘째, Cloudflare Mesh의 출시. 에이전트가 사내 시스템에 안전하게 접근할 수 있는 인프라가 깔린 거야. 진화하는 에이전트가 진짜 데이터를 만나는 환경이 만들어진 거지.

셋째, Hugging Face Papers와 Mervin Praison(AI agent 인플루언서)의 evolver 소개 영상. 이 둘이 단기 buzz를 만들고, 그 위에 v1.28.0 릴리즈가 얹혀서 폭발적 성장이 만들어졌어.

시작하기

# Python 3.11+ 권장
git clone https://github.com/EvoMap/evolver
cd evolver
pip install -e .

# 첫 에이전트 만들기 — 빈 Genome으로 시작
evolver init my-agent --task "summarize-articles"

# 1회 실행 — Gene이 자동으로 mutate됨
evolver run my-agent --input data/articles.jsonl

# Capsule 저장
evolver save my-agent --capsule articles-summarizer

# Hub에 업로드 (옵션)
evolver push articles-summarizer

가장 흔한 함정 둘. 첫째, mutation rate가 너무 높으면 진화가 발산해. 기본값(0.05)부터 시작해. 둘째, capsule 평가 데이터셋이 너무 작으면 진화가 overfit. 최소 200개 이상 평가 샘플 권장.

한계와 전망

지금 한계 셋. ① mutation 프로세스가 inference 비용을 늘려 — 같은 task에 여러 변종을 돌려야 selection이 가능해. 비용 효율 면에서 정적 에이전트보다 2-5배 비싸. ② 평가 함수가 명확하지 않은 task(예: 창작, 오픈 도메인 대화)에서는 selection이 noisy. ③ 보안 — Hub의 capsule이 악성일 가능성. capsule 서명·검증 메커니즘이 v1.28.0엔 부분만 들어와 있음.

전망. 5월 안에 v1.30 로드맵에 capsule 서명·검증·sandboxing이 추가될 예정. 6월엔 Cloudflare Mesh 통합 — 에이전트가 사내 데이터 위에서 진화하는 첫 enterprise 시나리오. 1년 안에 "에이전트 진화 결과 마켓"이라는 카테고리가 자리 잡을 가능성이 가장 높은 후보.

참고 자료

• GitHub - EvoMap/evolver (1차 자료)
• EvoMap.ai 공식 사이트
• Hugging Face Papers — evolver featured
• Hacker News thread
• Mervin Praison 소개 영상 (YouTube)