GenericAgent — 3.3K 줄 시드에서 스킬 트리를 키우는 자가진화 에이전트

9 + 100

도구 9개와 Agent Loop 100줄. GenericAgent의 코어는 진짜로 그 정도야. 거기에 LLM의 코딩 능력을 합치면 브라우저·터미널·파일시스템·키보드·마우스·화면 비전·ADB 모바일 제어까지 시스템 레벨로 다 다뤄. 별 8.8K(첫 24시간 320 증가), arXiv 논문(2604.20710) 동반 발표.

이걸로 뭘 할 수 있는지 — 미니멀 시드에서 시작해 풀 LLM 데스크톱 제어 도구를 키우는 거야.

프로젝트 배경 — 자가 진화의 가설

기존 AGI 야망 프레임워크는 도구를 미리 풀세트로 박는 경향이 강했어. SuperAGI·AutoGPT가 그 예. 그런데 도구가 많아질수록 컨텍스트 부담과 도구 선택 오류가 함께 커졌어.

lsdefine의 가설은 거꾸로야 — "atomic 도구는 9개로 충분하고, 새 능력은 LLM이 코드를 작성하면서 자연스럽게 만든다." 한 번 푼 태스크는 자동으로 "스킬"로 결정화돼서 스킬 트리에 쌓여. 다음에 같은 류의 태스크가 들어오면 스킬을 재사용해 토큰 비용이 6배 떨어진다는 게 논문 결과야.

[IMG#1]

핵심 기능 — 6가지

기능	설명
9 atomic 도구	브라우저·터미널·파일·키보드·마우스·비전·ADB·인터페이스·자기변경
Agent Loop ~100줄	미니멀 코어, 가독성 우선
스킬 트리 자가 진화	한 번 푼 태스크는 영구 도구화
Layered Memory	30K 컨텍스트 유지, 토큰 6× 절감
코드 런타임 동적 설치	pip 패키지·외부 API·하드웨어 즉시 추가
5 프론트엔드	Streamlit·QQ·Telegram·Feishu·WeCom·DingTalk

표가 보여주는 점 — 다른 에이전트가 "도구 카탈로그를 늘려가는 방향"이라면, GenericAgent는 "도구는 작게, 스킬은 자라게"라는 거꾸로 방향이야.

기술 스택 + 아키텍처

• 언어: Python
• UI: Streamlit (데스크톱), 5개 메신저 봇
• 외부 통합: ADB(모바일), Selenium/Playwright(브라우저)
• LLM: OpenAI / Anthropic API

아키텍처는 셋으로 나뉘어 — (1) Agent Loop(100줄), (2) Atomic Tools(9개, 각 ~300줄), (3) Layered Memory(컨텍스트 매니저). 새 스킬은 Layered Memory 안의 "Persistent Skills" 영역에 코드 + 사용 예시로 누적돼.

경쟁 레포 비교

레포	별	라이선스	포지션
lsdefine/GenericAgent	8.8K	Apache-2.0	미니멀 시드 + 자가 진화 스킬 트리
TransformerOptimus/SuperAGI	23K	MIT	풀세트 도구 카탈로그
Significant-Gravitas/AutoGPT	168K	MIT	초기 자율 에이전트, 도구 풀세트
e2b-dev/awesome-ai-agents	10K	MIT	큐레이션 카탈로그 (도구 아님)

비교의 핵심 — GenericAgent는 별 수로는 4번이지만, "스킬 트리 자가 진화"라는 디자인 결정이 분명하게 다른 회사 코어 디자인이야. 별 수 절대치보다 디자인 차별화가 더 흥미로운 카테고리.

[IMG#2]

왜 지금 뜨는가 — 생태계 맥락

세 가지 흐름. 첫째, Computer Use와 OSWorld 같은 데스크톱 자율 벤치가 표준이 되면서 "직접 화면을 보고 누르는 에이전트"가 평가 가능한 카테고리가 됐어. 둘째, 스킬 트리·Voyager류 자가 진화 패러다임이 MineDojo Voyager에서 제안된 후 LLM 에이전트로 옮겨오는 시점. 셋째, arXiv 동반 발표가 학계 사용자를 빠르게 끌어왔어.

시작하기

git clone https://github.com/lsdefine/GenericAgent
cd GenericAgent
cp mykey_template.py mykey.py   # API 키 입력
python launch.pyw

흔한 함정 — mykey.py에 OpenAI/Anthropic 키를 넣지 않으면 첫 실행 직후 멈춰. macOS에서 ADB 사용 시 brew install android-platform-tools 추가 필요.

한계와 전망

지금 한계 — (1) 보안: LLM이 코드 실행권을 갖고 있어서 격리가 약해. 운영망에 직접 띄우는 건 위험. Docker 격리 옵션은 PR 단계. (2) 스킬 트리가 커지면 검색 비용이 다시 증가 — 논문이 토큰 6배 절감을 주장하지만 1,000개 스킬을 넘기면 다시 측정이 필요.

전망 — 다음 6개월에 (a) Docker/gVisor 격리 표준화, (b) 스킬 마켓플레이스(다른 사용자의 스킬 import), (c) MCP 통합으로 스킬을 다른 에이전트가 호출 가능하게 만드는 방향이 자연스러운 진화.

[IMG#3]

3줄 요약

• 9 atomic 도구 + 100줄 Agent Loop만으로 시스템 레벨 제어, 별 8.8K.
• 한 번 푼 태스크는 영구 도구화 — 스킬 트리 자가 진화로 토큰 6× 절감 보고.
• arXiv 2604.20710 논문 동반, "도구는 작게 스킬은 자라게"의 거꾸로 디자인.

참고 자료

• GitHub — lsdefine/GenericAgent
• arXiv — 2604.20710 논문
• SuperAGI — 경쟁 풀세트 카탈로그
• Voyager — 자가 진화 원형 연구
• Hacker News — GenericAgent 토론