Blog Posts

A2A(Agent-to-Agent) 프로토콜: 에이전트 간 협업 표준과 결제 레이어의 접점

이 블로그에서 x402·UCP·MPP 결제 동향이나 KYA(Know Your Agent) 같은 글을 쓸 때마다 “A2A"라는 단어가 전제처럼 등장했습니다. 에이전트가 다른 에이전트에게 일을 맡기고, 그 대가를 결제하고, 상대가 누구인지 확인한다는 이야기는 전부 “에이전트끼리 어떻게 말을 주고받는가"라는 바닥 층 위에 서 있습니다. 그 바닥 층을 표준화하려는 시도가 A2A(Agent2Agent) 프로토콜입니다.

더 보기

KYA(Know Your Agent): AI 에이전트 신원 검증, 표준 경쟁과 온체인 실태

은행 계좌를 열 때 신분증을 내고, 거래소에 가입할 때 얼굴을 찍는 절차를 KYC(Know Your Customer)라고 부릅니다. 이 절차는 1989년 FATF 설립 이후 금융의 진입점에서 불법 자금을 걸러내는 표준 관행이 됐습니다. 이제 사람이 아니라 AI 에이전트가 계약을 맺고, 결제를 보내고, DEX에서 토큰을 바꾸는 시대가 오면서 같은 질문이 다시 나옵니다. 지금 내 API에 결제 요청을 보낸 이 에이전트는 누구이고, 누가 만들었고, 어디까지 권한을 받았는가. 이 질문에 답하는 신뢰 계층을 업계는 KYA(Know Your Agent)라고 부르기 시작했습니다.

더 보기

gs-quant: 골드만삭스가 퀀트 코드를 오픈소스로 공개한 방식과 그 경계

투자은행의 트레이딩 코드가 GitHub에 올라와 있다고 하면 대부분 두 가지 반응으로 갈린다. “그걸 왜 공개하지"와 “진짜 중요한 건 안 올렸겠지”. goldmansachs/gs-quant는 이 두 반응이 모두 절반씩 맞는 사례다. 2018년 12월에 만들어진 이 저장소는 2026년 8월 기준 스타 12,000개를 넘겼고, 확인한 당일에도 push가 있을 만큼 활발하게 관리된다. 동시에 README는 가격결정과 리스크 API를 쓰려면 골드만삭스 기관 고객이어야 한다고 못박는다.

더 보기

통과율만 보면 안 보이는 실패: YouTube 광고팀의 프로덕션 Eval 운영법

프롬프트를 잘 쓰면 에이전트가 말을 듣는다는 기대는 데모까지만 유효하다. 프로덕션에 올리면 같은 프롬프트, 같은 입력에도 실행마다 결과가 달라진다. 어제 통과한 케이스가 오늘 실패하고, 어제 실패한 케이스가 오늘 통과한다. 이 상태에서 “출시해도 되는가"를 판단하려면 감이 아니라 측정 장치가 필요하다.

더 보기

Eval 없는 Agent Skill은 배포하지 마라: Philipp Schmid의 스킬 테스트 방법론과 SkillsBench

Claude Code, Gemini CLI, Codex 같은 코딩 에이전트를 쓰다 보면 자연스럽게 스킬(Agent Skill)을 만들게 된다. 사내 코딩 컨벤션, 특정 SDK 사용법, 배포 절차 같은 지식을 Markdown 파일로 정리해 에이전트에게 물려주는 방식이다. 문제는 거의 아무도 이 스킬을 테스트하지 않는다는 점이다. 코드는 테스트 없이 배포하지 않으면서, 에이전트의 행동을 바꾸는 스킬은 몇 번 돌려 보고 “괜찮네” 수준의 감으로 배포한다.

더 보기

GPT-5.6 Sol·Terra·Luna 코딩 에이전트 모델 선택 가이드

GPT-5.6 이야기를 하다 보면 “Luna Max가 Terra High보다 낫다더라” 식의 서열이 자주 돌아다닙니다. 이 문장은 애초에 성립하지 않는 비교입니다. Sol·Terra·Luna는 서로 다른 모델(능력 티어)이고, max·high·xhigh·ultra는 같은 모델 안에서 얼마나 오래 생각하고 얼마나 많은 에이전트를 병렬로 굴릴지 정하는 설정입니다. 티어와 설정을 한 줄로 섞어 서열화하면 비교 축이 다른 값을 나란히 놓는 셈입니다.

더 보기

On-Policy Distillation: RL과 SFT 사이의 빈틈을 메우는 법

포스트 트레이닝에서 흔히 쓰는 두 방법에는 각자 구멍이 있습니다. SFT(supervised fine-tuning)는 교사가 만든 정답 시퀀스를 그대로 모방시키는데, 학생이 실제로 방문할 상태가 아닌 곳에서 배우다 보니 추론 단계가 길어질수록 오차가 쌓입니다. RL(강화학습)은 학생이 직접 생성한 궤적으로 배우니 이 문제는 없지만, 보상이 에피소드 하나당 한두 비트로 끝나는 경우가 많아 학습 신호가 지나치게 희박합니다. Thinking Machines Lab이 2025년 10월 공개한 글은 이 둘의 장점만 남기는 조합을 제안합니다. 학생이 스스로 궤적을 만들고, 강한 교사 모델이 그 궤적의 토큰 하나하나에 점수를 매기는 방식입니다.

더 보기

AI 자기개선은 모델 밖 하네스에서 먼저 온다

AI가 스스로를 개선한다는 말을 들으면 보통 모델이 자기 가중치를 고치는 장면을 떠올립니다. 그런데 릴리안 웽(Lilian Weng)이 2026년 7월 4일 자신의 블로그 Lil’Log에 올린 글은 다른 그림을 보여줍니다. 당장 눈에 띄는 재귀적 자기개선(recursive self-improvement, RSI)은 모델 내부가 아니라 모델을 둘러싼 실행 환경, 즉 하네스(harness)에서 먼저 나타난다는 주장입니다. 이 글은 그 논지를 하네스 개념부터 위험까지 순서대로 정리합니다.

더 보기

비트코인과 이더리움, 양자 컴퓨터는 정말 위협일까

2026년 3월 30일, Google Quantum AI와 이더리움 재단, 스탠퍼드가 공동으로 발표한 논문 한 편이 암호화폐 커뮤니티를 술렁이게 했다. secp256k1 타원곡선(비트코인·이더리움 서명에 쓰는 곡선)의 개인키를 양자 컴퓨터로 복원하는 데 필요한 물리 큐비트 수가, 이전 최선 추정치보다 20배 가까이 줄어들었다는 내용이었다. 몇 년 전만 해도 “수백만 큐비트, 수십 년 뒤 얘기"였던 위협이 “50만 개 미만, 어쩌면 이번 10년 안"으로 압축된 셈이다.

더 보기

Apify x402와 Coinbase 지갑 심층편: 에이전트가 웹 자동화 도구를 직접 사는 구조

웹 스크래핑 플랫폼 Apify가 x402 결제 지원을 발표했다. AI 에이전트가 Apify 계정도 API 키도 없이 Base 체인의 USDC로 결제하고, 2만 개가 넘는 Actor를 실행할 수 있다는 내용이다. Apify는 기존 x402 생태계를 약 2,000개 엔드포인트 규모로 보고, 이번 통합으로 결제 가능한 도구 표면이 약 10배 커졌다고 설명한다.

더 보기
카테고리
태그