Hugging Face 엔지니어, AI 에이전트를 사용하여 수천 가지 작업 자동화

최신 AI 에이전트는 자동화를 위한 기존의 복잡한 맞춤형 코드에 대한 강력한 대안을 제공합니다. Niels Rogge는 수천 줄의 코드를 이제 기본 도구로 명령줄 인터페이스(CLI)와 특정 기술을 갖춘 간단한 에이전트로 대체할 수 있다고 언급했습니다. 이러한 간소화는 에이전트가 최소한의 프로그래밍으로 정교한 작업을 수행할 수 있도록 하는 현재 AI 모델의 높은 역량에 의해 크게 좌우됩니다.

이 접근 방식의 본질은 에이전트의 작업을 자율적으로 이해하고 실행하는 능력을 활용하여 광범위한 수동 코딩된 논리의 필요성을 줄이는 데 있습니다. 이러한 변화는 자동화가 설계되고 구현되는 방식을 근본적으로 변경하여 광범위한 응용 분야에서 더 접근하기 쉽고 효율적으로 만듭니다.

에이전트의 아키텍처는 간소화되고 효율적인 작동을 보장하는 여러 핵심 구성 요소로 구축됩니다. 핵심적으로, 에이전트 개발에 적합한 강력한 Python SDK인 Claude Agent SDK를 사용합니다. 이 SDK는 에이전트 동작을 위한 기본 프레임워크를 제공합니다.

지능을 위해 시스템은 Together AI, Fireworks 및 Cerebras와 같은 Hugging Face 추론 제공업체를 통해 액세스되는 GLM 5.2 모델을 사용합니다. 전체 설정은 컴퓨팅 및 스케일링을 처리하는 클라우드 인프라인 Modal에 배포됩니다. 또한 터미널을 통해 Bash 명령을 사용하여 Hugging Face CLI 작업을 실행하여 에이전트가 Hugging Face 생태계와 효과적으로 상호 작용할 수 있도록 합니다.

이 모델은 Cursor 벤치에서 높은 성능을 보여 다양한 작업에서 그 능력을 나타냅니다. 또한 GLM 5.2는 훈련 후 벤치마크에서 Opus 4.8을 능가하여 의도한 응용 분야에서 우수한 선택으로 입지를 굳혔습니다.

이러한 성능 지표와 내부 도구에 대한 적합성을 고려할 때 GLM 5.2는 매력적인 옵션임이 입증되었습니다. Rogge는 특히 Hugging Face에서의 자신의 역할에서 이를 사용하지 않을 이유가 없다고 말하며 효율성과 프로젝트 목표와의 일치성을 강조했습니다.

이 기능을 통해 수많은 컨테이너를 병렬로 실행할 수 있으며, 각 컨테이너는 에이전트 작업을 독립적으로 실행할 수 있습니다. 각 컨테이너는 개별 에이전트 루프로 작동하며, 하나의 특정 GitHub 문제를 처리하는 데 전념합니다.

이 병렬 처리 아키텍처는 Modal의 빠른 시작 시간 덕분에 밤새 완료해야 하거나 백그라운드에서 실행해야 하는 작업에 특히 유용합니다. 이를 통해 많은 미해결 문제를 동시에 해결하여 광범위한 수동 감독 없이 처리량과 응답성을 크게 향상시킬 수 있습니다.

에이전트 시스템은 실행에 유연성을 제공하여 자동화된 워크플로와 수동으로 시작되는 워크플로를 모두 허용합니다. 크론 작업을 완전 자동화된 작업에 배포할 수 있지만, 시스템은 특히 GitHub 문제에 대한 후속 조치를 위해 수동 호출도 지원합니다. Rogge는 에이전트를 기술로 호출하여 일부 후속 작업을 여전히 수동으로 수행한다고 설명했습니다.

일반적인 워크플로는 Cursor 내에서 '읽지 않은 Modal 처리' 기술을 사용하는 것인데, 이는 에이전트 루프를 트리거합니다. 이 루프는 Composer 2.5를 활성화하여 다양한 하위 에이전트를 조율하여 특정 작업을 수행합니다. 이러한 프로세스의 최종 출력은 Slack을 통해 통합 및 전달되어 모든 관련 당사자가 에이전트의 진행 상황 및 결과에 대한 최신 정보를 받을 수 있도록 합니다.

Niels Rogge는 시스템과 상호 작용하는 사용자에게 에이전트의 신원을 공개하지 않기로 의도적으로 결정했습니다. 그는 사용자가 봇과 통신하고 있다는 사실을 알게 되면 문제를 조기에 종료할 가능성이 더 높아져 자동화 프로세스를 방해할 수 있다고 믿습니다. 이 접근 방식은 인간과 유사한 효과가 긍정적인 상호 작용을 보장한다는 관찰에 뿌리를 두고 있으며, 사용자는 상대방이 인간이라고 인식할 때 더 건설적으로 참여하는 경향이 있습니다.

그러나 명시적인 공개 없이 에이전트를 운영하는 것은 또한 고유한 과제를 제시합니다. 에이전트는 시스템 내에서 다른 봇과 자주 상호 작용하며, 이는 때때로 '슬롭'이라고 불리는 예상치 못한 또는 부정적인 피드백으로 이어질 수 있습니다. 이러한 가끔 발생하는 문제에도 불구하고 전반적인 전략은 에이전트의 신원보다는 성능에 초점을 맞춰 원활한 사용자 경험과 효율적인 작업 해결을 우선시합니다. 이 방법은 상호 작용을 가능한 한 자연스럽고 생산적으로 느끼게 하여 사용자 신뢰와 참여를 유지하는 것을 목표로 합니다.