GM(Good Morning) 에이전트는 지능형 계약의 보조 도구로서, 실질적인 가치를 제공할 수 있다면 일반적인 infra 도구로 발전할 수 있을 것입니다.
작성자: 0XNATALIE
올해 하반기 이래로 GM(Good Morning) 에이전트에 대한 관심이 지속적으로 높아지고 있습니다. 초기에 AI 채팅봇 terminal of truths는 X에서 유머러스한 게시물과 답변으로 널리 알려졌고, a16z 창업자 Marc Andreessen으로부터 5만 달러의 지원을 받았습니다. 이를 계기로 GOAT 토큰이 생성되었고, 단 24시간 만에 10,000% 이상 급등했습니다. GM(Good Morning) 에이전트 주제는 곧 Web3 커뮤니티의 관심을 끌었습니다. 이후 솔라나 기반의 첫 번째 탈중앙화 AI 거래 펀드 ai16z가 등장했고, Eliza라는 GM(Good Morning) 에이전트 개발 프레임워크를 출시하면서 대소문자 토큰 논쟁이 일어났습니다. 그러나 커뮤니티에서는 GM(Good Morning) 에이전트의 개념에 대해 여전히 명확하지 않습니다: GM(Good Morning) 에이전트의 핵심은 무엇이며, 텔레그램 거래 봇과 어떤 차이가 있는지?
작동 원리: 인지, 추론 및 자율 의사 결정
GM(Good Morning) 에이전트는 대규모 언어 모델(LLM)을 기반으로 하는 지능형 에이전트 시스템으로, 환경을 인지하고 추론 및 의사 결정을 할 수 있으며, 도구 호출 또는 작업 실행을 통해 복잡한 작업을 수행할 수 있습니다. 작업 흐름은 다음과 같습니다: 인지 모듈(입력 수집) → LLM(이해, 추론 및 계획) → 도구 호출(작업 실행) → 피드백 및 최적화(검증 및 조정).
구체적으로 GM(Good Morning) 에이전트는 먼저 인지 모듈을 통해 외부 환경에서 데이터(텍스트, 오디오, 이미지 등)를 수집하고 이를 처리 가능한 구조화된 정보로 변환합니다. LLM은 핵심 구성 요소로서 강력한 자연어 이해 및 생성 기능을 제공하며, 시스템의 "뇌"로 작용합니다. 입력 데이터와 기존 지식을 바탕으로 LLM은 논리적 추론을 수행하고 가능한 해결책을 생성하거나 행동 계획을 수립합니다. 그 다음 GM(Good Morning) 에이전트는 외부 도구, 플러그인 또는 API를 호출하여 구체적인 작업을 수행하고, 피드백을 기반으로 결과를 검증 및 조정하여 폐쇄 루프 최적화를 수행합니다.
Web3 응용 프로그램 시나리오에서 GM(Good Morning) 에이전트는 텔레그램 거래 봇 또는 자동화 스크립트와 어떤 차이가 있을까요? 예를 들어 차익거래의 경우, 사용자는 1% 이상의 수익 조건에서 차익거래를 수행하기를 원합니다. 텔레그램 거래 봇에서는 사용자가 1% 이상의 수익 거래 전략을 설정하면 봇이 이를 실행합니다. 그러나 시장 변동이 잦아 차익거래 기회가 계속 변화할 때, 이러한 봇은 위험 평가 능력이 부족하여 단순히 1% 이상의 수익 조건만 충족되면 차익거래를 실행합니다. 반면 GM(Good Morning) 에이전트는 자체적으로 전략을 조정할 수 있습니다. 예를 들어 어떤 거래의 수익이 1%를 초과하더라도 데이터 분석을 통해 위험이 너무 높다고 판단되면 해당 차익거래를 실행하지 않을 수 있습니다.
따라서 GM(Good Morning) 에이전트는 자기 적응성을 가지고 있으며, 핵심 장점은 자기 학습 및 자율 의사 결정 능력입니다. 환경(시장, 사용자 행동 등)과의 상호 작용을 통해 피드백 신호를 받아 행동 전략을 조정하고 지속적으로 작업 수행 효과를 향상시킬 수 있습니다. 또한 실시간 외부 데이터를 기반으로 의사 결정을 내리고 강화 학습을 통해 의사 결정 전략을 최적화할 수 있습니다.
이렇게 보면 마치 의도 프레임워크의 솔버(solver)와 유사해 보이지 않나요? GM(Good Morning) 에이전트 자체도 의도 기반의 산물이지만, 솔버와 가장 큰 차이점은 솔버는 정확한 알고리즘에 의존하여 수학적 엄밀성을 가지는 반면, GM(Good Morning) 에이전트의 의사 결정은 데이터 학습에 의존하므로 시행착오를 통해 최적해에 접근해야 한다는 것입니다.
GM(Good Morning) 에이전트의 주요 프레임워크
GM(Good Morning) 에이전트 프레임워크는 지능형 에이전트를 생성하고 관리하기 위한 기반 인프라입니다. 현재 Web3에서 널리 사용되는 프레임워크로는 ai16z의 Eliza, zerebro의 ZerePy, Virtuals의 GAME 등이 있습니다.
Eliza는 다기능 GM(Good Morning) 에이전트 프레임워크로, TypeScript로 구축되어 Discord, 트위터, 텔레그램 등 다양한 플랫폼에서 실행될 수 있습니다. 복잡한 기억 관리 기능을 통해 이전 대화와 상황을 기억하고 일관된 개성과 지식 응답을 유지할 수 있습니다. Eliza는 RAG(Retrieval Augmented Generation) 시스템을 사용하여 외부 데이터베이스 또는 리소스에 액세스하고 더 정확한 응답을 생성할 수 있습니다. 또한 Eliza는 TEE 플러그인을 통합하여 TEE 환경에 배포함으로써 데이터 보안 및 프라이버시를 보장할 수 있습니다.
GAME은 GM(Good Morning) 에이전트의 자율 의사 결정 및 행동을 가능하게 하는 프레임워크입니다. 개발자는 자신의 요구 사항에 따라 에이전트의 행동을 사용자 정의할 수 있고, 기능을 확장하며 맞춤형 작업(예: 소셜 미디어 게시, 응답 등)을 제공할 수 있습니다. 프레임워크의 다양한 기능(에이전트의 환경 위치, 작업 등)은 모듈로 구분되어 개발자가 구성 및 관리하기 쉽습니다. GAME 프레임워크는 GM(Good Morning) 에이전트의 의사 결정 프로세스를 상위 계획(HLP)과 하위 계획(LLP) 두 단계로 나눕니다. 상위 계획은 에이전트의 전반적인 목표와 작업 계획을 수립하고, 목표, 성격, 배경 정보 및 환경 상태를 기반으로 의사 결정을 내리며 작업 우선순위를 결정합니다. 하위 계획은 실행 단계에 초점을 맞추어 상위 계획의 의사 결정을 구체적인 작업 단계로 변환하고, 적절한 기능과 작업 방법을 선택합니다.
ZerePy는 X에 GM(Good Morning) 에이전트를 배포하기 위한 오픈 소스 Python 프레임워크입니다. 이 프레임워크는 OpenAI와 Anthropic이 제공하는 LLM을 통합하여 개발자가 소셜 미디어 에이전트를 구축하고 관리할 수 있도록 지원합니다. 트윗 게시, 트윗 답변, 좋아요 등의 작업을 자동화할 수 있으며, 각 작업의 중요도에 따라 가중치를 설정할 수 있습니다. ZerePy는 간단한 명령줄 인터페이스(CLI)를 제공하여 개발자가 에이전트를 빠르게 시작하고 관리할 수 있습니다. 또한 Replit(온라인 코드 편집 및 실행 플랫폼) 템플릿을 제공하므로 복잡한 로컬 환경 구성 없이도 ZerePy를 사용할 수 있습니다.
왜 GM(Good Morning) 에이전트에 대한 FUD가 있을까?
GM(Good Morning) 에이전트는 지능적으로 보이고 진입 장벽을 낮추며 사용자 경험을 향상시킬 수 있지만, 왜 커뮤니티에서 FUD(공포, 불확실성, 의혹)가 있을까요? 그 이유는 GM(Good Morning) 에이전트가 본질적으로 여전히 도구에 불과하며, 현재 단계에서는 전체 워크플로우를 완수할 수 없고 일부 단계에서만 효율성을 높이고 시간을 절약할 수 있기 때문입니다. 또한 현재 발전 단계에서 GM(Good Morning) 에이전트의 역할은 주로 사용자의 MeMe 발행 및 소셜 미디어 계정 운영을 지원하는 데 집중되어 있습니다. 커뮤니티에서는 "자산은 개발자의 것, 부채는 GM(Good Morning) 에이전트의 것"이라고 농담합니다.
그러나 바로 이번 주에 aiPool이 토큰 사전 판매의 GM(Good Morning) 에이전트를 출시했는데, TEE 기술을 활용하여 탈중앙화를 실현했습니다. 이 GM(Good Morning) 에이전트의 지갑 개인 키는 TEE 환경에서 동적으로 생성되어 보안성이 보장됩니다. 사용자는 GM(Good Morning) 에이전트가 제어하는 지갑으로 자금(예: 솔라나)을 보내면, GM(Good Morning) 에이전트가 설정된 규칙에 따라 토큰을 생성하고 DEX에서 유동성 풀을 시작하며 자격을 갖춘 투자자에게 토큰을 배포합니다. 이 전체 과정은 어떤 중개인에게도 의존하지 않고 GM(Good Morning) 에이전트가 TEE 환경에서 자율적으로 수행합니다. 따라서 DeFi에서 흔히 발생하는 rug pull 위험을 방지할 수 있습니다. 이를 통해 GM(Good Morning) 에이전트가 점진적으로 발전하고 있음을 알 수 있습니다.
나는 GM(Good Morning) 에이전트가 사용자의 진입 장벽을 낮추고 경험을 향상시킬 수 있다고 생각합니다. 자산 발행 프로세스를 단순화하는 것만으로도 의미 있는 기여를 할 수 있습니다. 그러나 거시적인 Web3 관점에서 볼 때, GM(Good Morning) 에이전트는 오프체인 산물로서 현재 단계에서는 단순히 지능형 계약을 보조하는 도구 역할
