AI Today

OpenAI가 'codex-plugin-cc'라는 공식 GitHub 저장소를 공개했다. 이 플러그인은 Anthropic의 Claude Code 환경 안에서 OpenAI의 Codex를 직접 호출해 코드 리뷰나 작업 위임을 수행할 수 있도록 지원한다. 즉, Claude Code 사용자가 Claude뿐 아니라 OpenAI의 Codex 능력도 함께 활용할 수 있게 되는 것이다. 저장소는 공개된 지 하루 만에 1,519개의 스타를 획득하며 총 25,383개의 스타를 기록했다. 두 경쟁사의 AI 코딩 도구가 상호 운용 가능한 형태로 연결된다는 점에서 업계의 큰 주목을 받고 있다. JavaScript로 작성된 이 플러그인은 Claude Code의 플러그인 아키텍처를 활용한다.

GitHub 저장소 'system_prompts_leaks'에 Claude Fable 5, Opus 4.8, Claude Code, Claude Design, ChatGPT 5.5 Thinking, GPT 5.5 Instant, Codex, Gemini 3.5 Flash, Gemini 3.1 Pro, Antigravity, Grok, Cursor, Copilot, VS Code, Perplexity 등 주요 AI 제품의 시스템 프롬프트가 추출·공개됐다. 저장소는 정기적으로 업데이트된다고 명시되어 있으며, 총 49,836개의 스타를 기록하고 있다. 오늘 하루에만 981개의 스타가 추가됐다. Anthropic, OpenAI, Google, xAI 등 사실상 모든 주요 AI 기업의 핵심 제품이 망라되어 있으며, 이 중에는 아직 공식 발표되지 않은 버전명(Fable 5, Antigravity 등)도 포함되어 있어 미공개 모델 정보에 대한 힌트도 담겨 있다.

알리바바가 'page-agent'라는 JavaScript 기반 웹 인페이지 GUI 에이전트를 오픈소스로 공개했다. 이 도구는 브라우저 내에서 자연어 명령만으로 웹 인터페이스의 버튼 클릭, 폼 입력, 네비게이션 등을 자동으로 수행할 수 있도록 설계되었다. TypeScript로 작성되었으며, 현재 총 23,792개의 스타를 보유하고 있고 오늘 하루에만 801개가 추가됐다. 외부 브라우저 자동화 도구(Playwright, Selenium 등)와 달리 페이지 내부에 직접 삽입되어 동작하는 방식이 특징이다. 알리바바가 AI 에이전트 인프라 분야에서 오픈소스 기여를 강화하고 있다는 점에서도 주목할 만하다.

Python으로 개발된 오픈소스 AI 보안 도구 'Strix'가 오늘 하루에만 1,121개의 GitHub 스타를 획득하며 총 37,004개의 스타를 기록했다. Strix는 AI를 활용해 웹 애플리케이션의 취약점을 자동으로 발견하고 수정 방안을 제안하는 침투 테스트 도구다. 기존 보안 스캐너와 달리 AI 기반 분석으로 더 맥락적인 취약점 탐지가 가능하며, 셀프호스팅 방식으로 운영할 수 있다. 보안 전문가뿐 아니라 일반 개발자도 자신의 앱 보안을 점검하는 데 활용할 수 있도록 설계됐다.

Rust로 개발된 로컬 AI 회의 어시스턴트 'Meetily'가 오늘 하루에만 1,409개의 GitHub 스타를 획득해 총 16,772개를 기록했다. 이 도구는 Parakeet 또는 Whisper 모델을 활용한 실시간 음성 전사, 화자 분리(Speaker Diarization), Ollama를 통한 로컬 요약 기능을 제공하며, 기존 솔루션 대비 4배 빠른 전사 속도를 자랑한다. 모든 처리가 로컬에서 이루어지므로 클라우드에 회의 내용을 전송할 필요가 없다. macOS와 Windows를 모두 지원하며, 오픈소스로 셀프호스팅 가능하다. 회사 기밀이 오갈 수 있는 회의를 클라우드 서비스 없이 AI로 처리하고 싶은 수요를 정확히 겨냥한 프로젝트다.

Towards AI의 'RAG from Scratch' 시리즈 3편에서는 RAG(검색 증강 생성) 시스템의 핵심 의사결정인 텍스트 청킹 전략을 심층적으로 다룬다. 7가지 청킹 전략과 상황에 맞는 선택을 돕는 의사결정 트리를 제공하며, 많은 엔지니어들이 뒤늦게 발견하는 '부모-자식(Parent-Child) 패턴'을 상세히 설명한다. 청킹 방법에 따라 검색 품질이 극적으로 달라질 수 있음을 강조하며, 전체 5부작 시리즈의 3번째 글이다. RAG 시스템을 처음부터 구축하는 개발자를 대상으로, 단순 이론이 아닌 실무 적용 중심으로 작성됐다.

Towards AI의 분석 기사에 따르면, Google이 최근 공개한 영상 생성 모델이 대부분의 주목을 받고 있지만, 실제로 업계에 더 중요한 영향을 미칠 수 있는 것은 조용히 발표된 12페이지 분량의 사양서라고 지적한다. 이 사양서는 AI 에이전트가 사실 정보를 취득하는 방식을 근본적으로 재정의하는 내용을 담고 있다고 설명하며, 많은 이들이 화려한 영상 기능에 시선을 빼앗긴 나머지 이 핵심 문서를 간과했다고 주장한다. 에이전트의 사실 접근 방식 변화는 향후 AI 제품 아키텍처에 광범위한 영향을 미칠 수 있다.

다트머스 대학교 강의에 도입된 AI 튜터 시스템이 학생 학습 성취도에서 0.71~1.30 표준편차(SD)의 유의미한 효과 크기를 달성했다는 연구 결과가 공개됐다. 교육 연구에서 0.4 SD 이상의 효과 크기는 '의미 있는 개입'으로 간주되므로, 이 수치는 상당히 높은 수준이다. 이 연구는 Utrecht 대학교 워크숍(2026)에서 발표된 PDF 논문으로, AI 기반 개인화 교육의 실제 효과를 대학 강의 환경에서 측정한 사례다. AI 튜터가 단순 보조 도구를 넘어 실질적인 학습 성과 향상에 기여할 수 있음을 수치로 뒷받침하는 근거가 됐다.

Towards AI에 게재된 실험 기사에서 저자는 자신이 구축한 AI 코딩 에이전트와 인간이 작성한 코드를 여러 지표로 비교 벤치마킹했다. 결과적으로 AI 에이전트는 속도, 정확성, 테스트 통과율 등 대부분의 지표에서 인간을 앞섰지만, 단 하나의 지표에서는 뒤처졌다. 기사는 그 하나의 지표가 무엇인지를 중심으로 AI 코딩 도구의 현재 한계를 분석하며, 실제 개발 환경에서 AI 에이전트를 활용할 때 주의해야 할 점을 논한다.

Towards AI에 게재된 기술 아티클에서 에이전트형 AI 시스템을 안전하게 운영하기 위한 거버넌스 시스템의 런타임 참조 아키텍처를 상세히 제안했다. 다수의 AI 에이전트가 동작하는 환경에서 감사 가능성, 접근 제어, 정책 집행, 로깅 등을 어떻게 구현할 것인지에 대한 설계 원칙과 구성 요소를 다룬다. 에이전트 AI가 기업 환경에 본격 도입되기 시작하면서, 이를 안전하게 관리하기 위한 운영 프레임워크의 필요성이 높아지고 있다. 이 아키텍처는 MLOps를 넘어 에이전트 운영(AgentOps) 영역의 표준화를 위한 기반이 될 수 있다.

RAG 시스템에서 검색 품질을 결정하는 청킹 전략: 7가지 방법론과 부모-자식 패턴

Towards AI 편집팀

이 연구는 RAG(검색 증강 생성) 파이프라인에서 텍스트를 어떻게 분할하느냐가 최종 검색 품질에 미치는 영향을 체계적으로 분석한다. 고정 크기 청킹, 의미 기반 청킹, 재귀적 청킹 등 7가지 전략을 비교하고, 각 상황에 맞는 전략 선택을 위한 의사결정 트리를 제시한다. 특히 많은 엔지니어들이 뒤늦게 발견하는 '부모-자식 청킹 패턴'을 상세히 설명하며, 이 패턴이 검색 정확도와 컨텍스트 풍부도를 동시에 높이는 방법을 논한다. RAG 시스템의 성능 병목이 종종 청킹 단계에서 발생한다는 점을 실증적으로 보여준다.

AI 튜터의 교육 효과 측정: 다트머스 강의에서 0.71~1.30 표준편차 달성

Utrecht University Workshop 2026 저자진

이 논문은 다트머스 대학교 실제 강의에 도입된 AI 튜터 시스템의 학습 효과를 표준편차(SD) 기반 효과 크기로 측정했다. 측정된 0.71~1.30 SD의 효과 크기는 교육 연구에서 '강력한 개입(strong intervention)'으로 분류되는 수준으로, 개인화된 AI 튜터링이 전통적 교육 방식 대비 유의미한 학습 성취 향상을 가져올 수 있음을 실증한다. 이 연구는 Utrecht 대학교의 2026 워크숍에서 발표되었으며, AI 기반 교육 기술(EdTech)의 실효성을 대학 환경에서 검증한 사례 연구로서 중요한 의의를 갖는다.

에이전트형 AI 거버넌스 시스템의 런타임 참조 아키텍처

Towards AI 편집팀

이 논문은 다수의 AI 에이전트가 실시간으로 동작하는 환경에서 안전하고 감사 가능한 운영을 보장하기 위한 거버넌스 시스템의 런타임 참조 아키텍처를 제안한다. 접근 제어, 정책 집행, 이벤트 로깅, 감사 추적 등의 구성 요소와 이들 간의 상호작용 방식을 설계 원칙과 함께 제시한다. 에이전트 AI가 기업 환경에 실제로 배포되기 시작하면서, 운영 신뢰성과 규정 준수를 위한 거버넌스 레이어가 AI 시스템 설계의 핵심 요소로 부상하고 있음을 강조한다. 이 참조 아키텍처는 AgentOps 분야의 표준화를 위한 실용적 기반을 제공한다.