Karpathy의 자동 연구에서 영감을 받아, 저는 VibeHQ가 단일 에이전트뿐 아니라 전체 다중 에이전트 협업 메커니즘을 스스로 진화시키도록 학습시켰습니다. 인간의 개입 없이 7번의 완전 자동화 실행 결과: • 토큰 사용량: 720만 → 570만 (최대값 62% 감소) • 조정 관련 문제(작업 중복 등) 감소: 4 → 0 • PM 토큰 낭비: -91% 루프: 벤치마크 → 협업 정량화 및 LLM 분석 실패 모드 → /optimize-protocol을 사용하여 조정 코드 재작성 → 재구축 → 반복 AI는 에이전트 팀 협업 실패를 관찰하고, 실패 원인을 분석한 후, 인간의 개입 없이 자체 소스 코드를 수정하여 협업 로직을 조정합니다. AI는 팀 시너지를 완벽하게 자체적으로 관리합니다. 관련 자료를 살펴보면, 자동 연구는 모델 학습을 자동으로 최적화합니다. 이전에는 Ralph가 자율적인 반복 작업을 위해 단일 에이전트를 사용했고, Gastown은 오케스트레이션을 위해 20~30개의 Claude Code 인스턴스를 동시에 실행했지만, 진화적 역량은 보여주지 못했습니다. 이들은 모두 매우 강력했지만, 결국 개별 에이전트의 역량 발전에만 초점을 맞추었습니다. 팀워크 자체, 즉 작업 분담 방법, 갈등 방지 방법, 컨텍스트 공유 방법, 서로의 작업 방해 요소를 해결하는 방법은 진화하고 있지 않습니다. 현실 세계와 마찬가지로 AI 팀도 서로 호흡을 맞추는 데 시간이 필요합니다. 이것이 어떻게 진화할지 상상해 보세요. • 에이전트들이 자체적인 팀 문화와 시너지를 형성합니다. • 프로젝트 진행 상황에 따라 3명 또는 7명으로 구성된 팀을 배정하여 프로젝트에 적응합니다. • 함께 진행하는 프로젝트가 많을수록 팀의 역량이 강화됩니다. • 에이전트들이 프로젝트 진행 중에 새로운 팀원을 온보딩하고, 작업을 자동으로 재배정합니다. 솔직히, 궁극적으로 어떻게 진화할까요? 저도 모르지만, 바로 그 점이 가장 흥미로운 부분입니다.

자세한 실험 데이터는 이 논문에서 확인할 수 있습니다.