2026년 오픈 소스 AI 에이전트 하니스 Top 10

AI 에이전트 하니스는 꽤 오래전부터 존재했지만, 지난 1년 반 사이에 크게 달라졌습니다. 단순히 Bash 명령을 실행하고 파일을 수정하던 에이전트에서, 웹 검색, 외부 도구 연결, 컨텍스트 관리, 과거 대화 기억, 복잡한 작업 완료까지 가능한 시스템으로 발전했습니다.

최신 AI 하니스는 재사용 가능한 스킬, 여러 에이전트의 협업, 도구의 병렬 실행을 지원합니다. 개발자들은 컨텍스트를 더 잘 관리하고, 토큰 사용량을 줄이며, 에이전트를 더 빠르고 신뢰성 있게 만드는 방법도 찾아내고 있습니다.

흥미로운 점은 초점이 모델 개선에서 그 모델을 둘러싼 하니스 개선으로 옮겨가고 있다는 것입니다. 오늘날 AI 에이전트의 성능 향상 상당 부분은 더 나은 도구, 더 똑똑한 워크플로, 더 효율적인 컨텍스트 관리에서 나오며, 단지 더 나은 모델 때문만은 아닙니다.

핵심적으로, AI 에이전트 하니스는 AI 모델을 도구에 연결하고 실행을 관리하며, 결과에 따라 에이전트가 조정하고 실수를 교정할 수 있게 하는 피드백 루프를 만드는 코드입니다.

이 글에서는 2026년에 가장 인기 있고 유용한 오픈 소스 AI 에이전트 하니스 10가지를 소개하고, 각각의 차별점과 시작 방법을 살펴봅니다. GitHub 스타 수는 2026년 11월 기준입니다. 하니스가 어떻게 만들어지는지 더 깊이 보고 싶다면 Agent Harness Engineering Guide를 참고하세요.

AI 에이전트 하니스란?

AI 에이전트 하니스는 AI 모델이 작업을 완료하는 데 필요한 도구와 환경을 제공하는 시스템입니다.

AI 모델을 두뇌라고 생각하면, 하니스는 그 두뇌가 행동할 수 있도록 돕는 모든 것입니다. 하니스는 모델이 스스로의 제안을 실행에 옮기게 해줍니다. 파일을 읽고, 명령을 실행하고, 결과를 확인할 수 있습니다.

예를 들어, 파이썬 애플리케이션이 계속 크래시 난다고 가정해 보세요. 에러를 ChatGPT에 붙여넣고 수동으로 수정안을 적용하는 대신, AI 코딩 에이전트에게 이렇게 요청합니다:

"내 파이썬 앱이 왜 크래시 나는지 확인하고 문제를 고치며, 모든 테스트가 통과하는지 확인해 주세요."

하니스는 AI 모델이 코드를 읽고, 애플리케이션을 실행하며, 에러를 찾고, 관련 파일을 수정하고, 테스트를 실행할 수 있게 합니다. 테스트가 실패하면 결과를 모델에 다시 보내어 다른 해결책을 시도하도록 합니다.

이 모든 과정이 단일 요청으로, 최소한의 수동 개입만으로도 가능합니다.

AI 에이전트 하니스는 실제로 무엇을 하나요?

대부분의 AI 에이전트 하니스는 5가지 핵심 기능을 제공합니다:

• 도구 실행: 모델이 파일을 읽고, 명령을 실행하며, 웹을 탐색하고, 애플리케이션과 상호작용할 수 있게 합니다.
• 컨텍스트 관리: 모델이 작업을 완료하는 데 필요한 관련 파일, 이전 작업, 정보를 추적합니다.
• 에이전트 루프: 모델이 도구를 반복 사용하고, 결과를 점검하며, 완료하거나 제한에 도달할 때까지 오류를 교정할 수 있게 합니다.
• 권한과 안전: 에이전트가 접근하거나 실행할 수 있는 파일, 도구, 명령을 제어합니다.
• 메모리와 확장: 재사용 가능한 스킬, 외부 통합을 지원하고, 일부 하니스에서는 세션 간 메모리도 지원합니다.

일부 하니스는 프로젝트의 서로 다른 부분을 여러 에이전트가 함께 작업하는 것도 지원합니다.

같은 AI 모델이라도 하니스에 따라 성능이 크게 달라질 수 있습니다. Composio의 DeepSeek V4 Flash 테스트에서 동일 모델의 점수는 하니스에 따라 46.7%에서 66.7% 사이였고, 미니멀한 Pi 에이전트가 가장 좋은 결과를 보였습니다.

적은 수의 유용한 도구와 좋은 컨텍스트 관리만으로도 잘 설계된 하니스는 더 복잡한 하니스를 능가할 수 있습니다. 그래서 모델을 고르듯 하니스도 신중하게 선택할 가치가 있습니다.

이제 2026년 오픈 소스 AI 에이전트 하니스 Top 10을 살펴보겠습니다.

1. Codex CLI: 소프트웨어 엔지니어링에 최적의 오픈 소스 AI 에이전트 하니스

Codex CLI는 오픈 소스 AI 코딩 에이전트 중 제 최우선 추천입니다. OpenAI가 개발했으며 주로 Rust로 작성되어 가볍고, 전문 소프트웨어 엔지니어링 프로젝트에 적합하게 설계되었습니다. GitHub 스타는 약 134K입니다.

Codex의 강점은 혼자서 처리할 수 있는 작업의 범위가 매우 넓다는 점입니다. 완전한 프로젝트를 빌드하고, 기존 도구와 연동하며, 버그를 수정하고, 테스트를 실행할 수 있습니다. 복잡한 작업을 전달하면 개발 과정 대부분을 스스로 처리할 수 있습니다.

주요 트레이드오프는 OpenAI 중심이라는 점입니다. 퀵스타트는 ChatGPT 계정 또는 OpenAI API 키로 로그인합니다.

Codex CLI의 차별점

• Rust 기반 오픈 소스: 개발자가 커스터마이즈하고 확장할 수 있는 가볍고 터미널 중심의 오픈 소스 하니스입니다.
• 멀티 에이전트 지원: 서로 다른 작업을 특화된 서브에이전트에 위임하고 독립 작업을 병렬로 실행합니다.
• 로컬·클라우드 워크플로: 로컬에서 코딩을 시작하고 작업을 Codex Cloud로 옮긴 뒤 CLI, IDE, 데스크톱 앱을 통해 계속 작업할 수 있습니다.
• 확장 가능한 생태계: MCP 서버, 재사용 가능한 스킬, 플러그인을 사용해 외부 도구를 연결하고 코딩을 넘어 워크플로를 자동화합니다.
• 실전 엔지니어링 지향: 자동 코드 리뷰, CI/CD 파이프라인 통합, 장기 실행 작업 관리, 샌드박싱과 권한으로 실행 제어가 가능합니다.

Codex CLI 설치 방법

이 글의 각 설치 프로그램은 원격 스크립트를 셸에 파이프합니다. 실행 내용을 확인하려면 먼저 스크립트를 검토하세요.

macOS 및 Linux:

curl -fsSL https://chatgpt.com/codex/install.sh | sh제공

Windows (PowerShell):

powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"제공

npm 또는 Homebrew(지원 플랫폼):

npm install -g @openai/codex
brew install --cask codex제공

프로젝트 디렉터리로 이동해 Codex를 실행하세요:

codex제공

ChatGPT 계정으로 로그인하거나 API 액세스를 구성해 코딩을 시작하세요.

예를 들어, 프런트엔드, 백엔드, 테스트, 문서까지 갖춘 완전한 파이썬 대시보드를 빌드하도록 Codex에 요청할 수 있습니다. 구현 대부분을 Codex가 처리하고, 결과를 검토하면 됩니다. 실습형 가이드는 OpenAI Codex CLI 튜토리얼을 참고하세요.

2. OpenCode: 모델 유연성에 최적의 오픈 소스 AI 에이전트 하니스

OpenCode는 1년 넘게 제가 가장 좋아하는 AI 코딩 에이전트 중 하나였습니다. Windows, macOS, Linux 전반에서 작동하고, 매우 다양한 AI 모델을 지원하며, 개발자가 워크플로를 자유롭게 커스터마이즈할 수 있게 해줍니다.

또한 약 226K GitHub 스타를 보유한 가장 인기 있는 오픈 소스 코딩 에이전트 중 하나입니다. 특히 마음에 드는 점은 특정 AI 제공업체에 묶이지 않는다는 것입니다. OpenAI, Anthropic, Google 또는 로컬 모델을 동일한 인터페이스에서 사용할 수 있습니다.

OpenCode의 차별점

• 75개+ 모델 제공업체: 코딩 환경을 바꾸지 않고 상용·로컬 AI 모델을 전환할 수 있습니다.
• 크로스 플랫폼 지원: 서로 다른 운영체제에서 터미널, 데스크톱 앱(현재 베타), 웹 인터페이스, SDK를 사용할 수 있습니다.
• 병렬 에이전트와 세션: 여러 코딩 작업을 동시에 실행하고, 작업별 특화 에이전트를 생성할 수 있습니다.
• 높은 커스터마이즈 가능성: 플러그인, MCP 서버, 커스텀 명령, 재사용 가능한 스킬로 기능을 확장합니다.
• 클라이언트-서버 아키텍처: 에이전트를 인터페이스와 분리해 다른 도구, 애플리케이션, 워크플로에 연결합니다.

유일한 단점은 더 단순한 코딩 에이전트와 비교해 다소 무겁게 느껴질 수 있다는 점입니다. 대부분의 개발자가 사용하지 않을 기능이 많이 포함되어 있고, 세션이 커지면 반응성이 떨어질 때도 있습니다. 그럼에도 유연성과 모델 선택을 중시한다면 OpenCode는 강력한 선택입니다.

OpenCode CLI 설치 방법

Windows(WSL), macOS, Linux:

curl -fsSL https://opencode.ai/v2/install | bash제공

설치가 완료되면 프로젝트 폴더로 이동해 OpenCode를 실행하세요:

opencode제공

/connect로 선호하는 AI 제공업체를 설정하거나, 제공되는 무료 모델로 시작할 수 있습니다. 그래픽 인터페이스를 선호한다면 OpenCode 데스크톱 앱을 다운로드하세요.

자체 머신에서 실행되는 모델과 함께 OpenCode를 사용해 보려면, Qwen3.8-Flash-Next를 로컬에서 실행하는 가이드를 참고하세요.

3. OpenClaw: 개인 AI 자동화에 최적의 오픈 소스 AI 에이전트 하니스

OpenClaw는 2026년 가장 큰 오픈 소스 AI 에이전트 프로젝트 중 하나로, GitHub 스타 약 394K를 보유하고 있습니다. 이 목록의 대부분 코딩 에이전트와 달리, OpenClaw는 실제로 애플리케이션 전반에서 작업을 수행할 수 있는 개인 AI 비서를 목표로 설계되었습니다.

출처: 우리의 OpenClaw 가이드

흥미로운 점은 자체 컴퓨터나 서버에서 실행하고 WhatsApp, Telegram, Discord, Slack 등 다양한 플랫폼을 통해 상호작용할 수 있다는 것입니다. 유용한 컨텍스트를 기억하고, 명령을 실행하며, 웹을 탐색하고, 일상적인 작업을 자동화할 수 있습니다.

또한 Codex를 비롯한 다른 코딩 에이전트의 플랫폼으로도 작동하며, 어시스턴트 레이어는 이 목록의 또 다른 하니스인 Pi 위에 구축되어 있습니다.

OpenClaw의 차별점

• 애플리케이션 전반의 AI 비서: 하나의 에이전트를 WhatsApp, Telegram, Slack, Discord 등 20개 이상의 메시징 채널에 연결합니다.
• 상시 실행 에이전트: 자체 컴퓨터나 서버에서 실행해 원격으로 작업을 처리하고 메시지에 응답합니다.
• 지속적 메모리와 컨텍스트: 세션 간에도 대화, 프로젝트 정보, 유용한 컨텍스트를 유지합니다.
• 에이전트와 모델 유연성: 다양한 AI 제공업체, 로컬 모델, Codex를 포함한 지원 코딩 에이전트 런타임을 연결합니다.
• 자동화 생태계: 스킬, 플러그인, 브라우저 도구, 예약 작업, 멀티 에이전트 라우팅으로 맞춤 워크플로를 구축합니다.

주요 단점은 복잡성과 보안 요구사항입니다. OpenClaw는 민감한 도구와 파일에 접근할 수 있으므로 권한, 샌드박싱, 외부 통합을 신중히 구성해야 합니다.

코딩 보조를 넘어 여러 애플리케이션에서 작동하는 개인 AI 에이전트를 구축하고 싶은 개발자에게 OpenClaw를 추천합니다.

OpenClaw AI 에이전트 설치 방법

macOS, Linux, Windows(WSL2):

curl -fsSL https://openclaw.ai/install.sh | bash제공

Windows (PowerShell):

iwr -useb https://openclaw.ai/install.ps1 | iex제공

설치 프로그램이 온보딩을 시작합니다. 필요 시 다음을 실행하세요:

openclaw onboard --install-daemon제공

구성이 완료되면 웹 대시보드를 실행하세요:

openclaw dashboard제공

선호하는 AI 모델과 메시징 플랫폼을 연결해 시작하세요.

예를 들어, OpenClaw를 구성해 개발 프로젝트를 모니터링하고, 업데이트를 요약하며, 승인된 작업을 실행하고, 결과를 Telegram이나 WhatsApp으로 바로 보내도록 할 수 있습니다.

4. Hermes Agent: 지속적 메모리에 최적의 오픈 소스 AI 에이전트 하니스

Hermes Agent는 Nous Research가 개발했으며, 사용자, 대화, 프로젝트에 대한 유용한 정보를 세션 간에 기억합니다.

Hermes의 흥미로운 점은 지속적 메모리와 완전한 AI 에이전트를 결합한다는 것입니다. 코드를 작성하고, 명령을 실행하며, 재사용 가능한 스킬을 학습하고, 이전 대화의 중요한 컨텍스트를 유지하면서 작업을 자동화할 수 있습니다.

출처: Hermes AI Agent by Nous Research | Official Site

GitHub 스타는 약 260K입니다.

Hermes Agent의 차별점

• 지속적 메모리: 대화 전반에 걸쳐 중요한 선호도, 프로젝트 세부정보, 학습 내용을 저장합니다.
• 대화 기록 검색: SQLite를 사용해 이전 세션을 검색하고, 활성 메모리에 없는 정보를 복구합니다.
• 자기개선 스킬: 완료된 작업에서 재사용 가능한 스킬을 만들고, 경험이 쌓일수록 이를 정교화할 수 있습니다.
• 크로스 플랫폼 동작: 터미널, Telegram, Discord, Slack, WhatsApp 등 지원 메시징 플랫폼에서 채팅할 수 있습니다.
• 자율 워크플로: 작업 예약, 서브에이전트 위임, 상용 또는 로컬 AI 모델 연결을 지원합니다.

코딩 성능도 경쟁력 있습니다. 동일한 멀티 앱 작업 세트를 각 하니스에 실행하는 Composio Bench에서, Hermes는 OpenAI의 GPT-6 Astra로 성공률 75.9%(29개 중 22개)를 기록해 Codex CLI와 동률을 보였습니다. 또한 같은 모델을 사용한 하니스 중 평균 작업 완료 시간이 1건당 125초로 가장 빨랐습니다.

주요 단점은 메모리가 완벽하지 않다는 것입니다. 모든 것을 저장하기보다는 선별된 정보를 저장하며, 더 작은 로컬 모델로 복잡한 워크플로를 실행하는 것은 어려울 수 있습니다.

코딩 보조를 넘어, 작업을 기억하고 시간이 지날수록 더 유용해지는 개인 AI 에이전트를 원하는 개발자에게 Hermes를 추천합니다.

Hermes Agent 설치 방법

Linux, macOS, Windows(WSL2):

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash제공

Windows (PowerShell):

iex (irm https://hermes-agent.nousresearch.com/install.ps1)제공

선호하는 모델 제공업체를 구성하세요:

hermes model제공

에이전트를 시작하세요:

hermes제공

hermes setup을 실행해 추가 도구, 메시징 플랫폼, 자동화 기능을 구성할 수도 있습니다. 전체 안내는 Hermes Agent 설정 가이드를 참고하세요.

5. Pi: 로컬 LLM에 최적의 경량 오픈 소스 AI 에이전트 하니스

Pi는 제가 가장 좋아하는 경량 AI 에이전트 하니스입니다. 로컬에서 대규모 언어 모델(LLM)을 실행하는 튜토리얼을 작성할 때, 설치가 쉽고, 아키텍처가 미니멀하며, 더 큰 코딩 에이전트보다 훨씬 가볍게 느껴지기 때문에 거의 항상 Pi를 사용합니다.

특히 마음에 드는 것은 단순함입니다. Pi는 작고 효율적인 에이전트 루프에 집중합니다. 제 경험상 이는 워크플로를 빠르고 토큰 사용을 관리 가능한 수준으로 유지하는 데 도움이 되며, 더 복잡한 에이전트에 견줄 만한 코딩 결과를 제공합니다.

GitHub 스타는 약 120K입니다. Pi는 2026년 4월 창작자인 Mario Zechner로부터 Earendil이 인수해 개발 중이며, MIT 라이선스를 유지합니다. OpenClaw는 Pi의 컴포넌트를 기반으로 구축되어 있습니다.

Pi의 차별점

• 미니멀 에이전트 아키텍처: 불필요한 내장 기능이나 복잡한 워크플로 없이 작고 집중된 에이전트 루프입니다.
• 로컬 LLM에 최적: llama.cpp, Ollama, LM Studio 및 호환 API를 통해 로컬 모델을 지원합니다.
• 효율적 컨텍스트 관리: 미니멀 시스템 프롬프트와 커스터마이즈 가능한 컨텍스트로 불필요한 오버헤드를 줄이고 토큰 절약에 도움이 됩니다.
• 완전한 커스터마이즈 가능: Pi 1.0에서 추가된 내장 MCP 지원을 통해 코어 에이전트를 불필요하게 복잡하게 만들지 않고도 확장, 스킬, 커스텀 명령을 추가하거나 MCP 서버를 연결할 수 있습니다.
• 개발자 친화적 SDK: CLI, RPC 인터페이스, TypeScript SDK로 Pi를 사용해 자체 AI 에이전트와 자동화 도구를 구축할 수 있습니다.

성능도 경쟁력 있습니다. Composio Bench에서 Pi는 GPT-6 Astra로 성공률 69%를 기록해 동일 29개 작업에서 OpenCode와 동률을 보였습니다.

주요 한계는 서브에이전트와 플래닝 같은 기능이 기본 내장되어 있지 않다는 점입니다. 이러한 기능은 확장이나 커스텀 구현이 필요합니다. 하지만 이러한 단순함 덕택에 로컬 LLM 실험과 경량 코딩 프로젝트에서는 Pi를 선호합니다.

Pi AI Agent CLI 설치 방법

macOS 및 Linux:

curl -fsSL https://pi.dev/install.sh | sh제공

Windows (PowerShell):

powershell -c "irm https://pi.dev/install.ps1 | iex"제공

프로젝트 디렉터리로 이동해 Pi를 실행하세요:

pi제공

/login으로 AI 제공업체를 연결하거나 로컬 모델을 구성하세요. 그런 다음 /model로 실행할 모델을 선택합니다.

Pi가 로컬 모델과 함께 작동하는 모습을 보려면, Bonsai 27B를 로컬에서 실행하는 가이드를 참고하세요.

6. Cline: VS Code에 최적의 오픈 소스 AI 에이전트 하니스

Cline은 VS Code 확장으로 인기를 얻은 오픈 소스 AI 코딩 에이전트의 원조격입니다. 빠르게 많은 개발자들의 지지를 얻었고, Roo Code와 같은 포크로도 이어졌습니다.

제가 이 목록의 다른 에이전트만큼 Cline을 광범위하게 사용하진 않았지만, 개발 속도와 커뮤니티 피드백은 인상적이었습니다. 현재 여러 IDE, CLI, 칸반 태스크 보드, SDK를 지원하며, GitHub 스타는 약 70K입니다.

Cline의 차별점

• IDE 우선 경험: VS Code 및 지원 에디터 내에서 직접 작업하며, 코드 변경 사항을 시각적으로 확인하고 승인할 수 있습니다.
• Plan과 Act 모드: 에이전트가 프로젝트를 탐색하고 변경 전 계획을 수립하게 할 수 있습니다.
• 체크포인트와 안전성: 파일 변경을 검토하고, 터미널 명령을 승인하며, 필요 시 이전 체크포인트로 복원합니다.
• 모델 유연성: OpenAI, Anthropic, Google, OpenRouter 및 Ollama나 LM Studio를 통한 로컬 모델을 지원합니다.
• 확장 가능한 에이전트 플랫폼: MCP 서버, 커스텀 스킬, CLI, SDK를 사용해 자동화된 코딩 워크플로를 구축합니다.

Composio Bench에서 Cline은 GPT-6 Astra로 성공률 79.3%(29개 중 23개)를 기록해, Codex CLI와 Hermes Agent(각 75.9%)를 앞질렀습니다. 작업 완료 기준 최고 점수였습니다.

주요 단점은 속도입니다. 동일 벤치마크에서 Cline은 작업당 평균 193초로, Hermes Agent의 125초보다 느렸습니다.

Cline AI 에이전트 설치 방법

VS Code(Windows, macOS, Linux):

VS Code를 열고, 확장(Windows·Linux는 Ctrl+Shift+X, macOS는 Cmd+Shift+X)으로 이동해 Cline을 검색한 뒤 설치를 클릭하세요.

또는 npm으로 CLI를 설치하세요(Node.js 22 이상 필요):

npm install -g cline제공

선호하는 AI 제공업체를 구성하세요:

cline auth제공

프로젝트 디렉터리로 이동해 Cline을 시작하세요:

cline제공

이제 Cline에게 코드베이스 탐색, 기능 구현, 오류 수정, 테스트 실행을 요청하고, 변경 사항을 검토할 수 있습니다. 실전 예시는 Cline AI 가이드를 참고하세요.

7. DeepSeek Harness: DeepSeek 모델에 최적의 오픈 소스 AI 에이전트 하니스

DeepSeek Harness는 2026년 8월 13일에 출시되어, 첫 10일 만에 186,000 GitHub 스타를 돌파하며 가장 빠르게 성장한 오픈 소스 AI 에이전트 프로젝트 중 하나가 되었습니다. 현재 약 279K 스타를 보유합니다.

제가 DeepSeek Harness를 사용하며 가장 인상 깊었던 점은 속도였습니다. 특히 DeepSeek-V4.1-Flash와 함께 작업할 때 두드러졌습니다. DeepSeek 모델에 최적화되어 있으며, 현대적 코딩 에이전트에 기대하는 기능을 거의 모두 갖추고 있습니다.

또 하나 마음에 드는 점은 투명성입니다. 도구 호출, 실행 트레이스, 상세 통계를 확인해 에이전트의 성능을 이해할 수 있습니다.

DeepSeek Harness의 차별점

• 모든 것이 플러그인: Cordis 위에 구축되어 모델, 도구, 스킬, 메모리, 샌드박스, 에이전트 루프까지 개발자가 커스터마이즈할 수 있습니다.
• DeepSeek 모델에 최적: DeepSeek-V4.1-Flash와 특히 잘 동작하며, 공식 업데이트가 코딩 성능과 효율 향상에 초점을 맞춥니다.
• 상세한 성능 통계: 개발자 도구를 통해 컨텍스트 사용량, 모델 활동, 캐시 정보, 도구 호출, 실행 타이밍을 확인할 수 있습니다.
• 완전한 에이전트 기능: 코딩, 파일 편집, 터미널 실행, 서브에이전트, 스킬, 자동화, 다단계 워크플로를 지원합니다.
• 웹과 데스크톱 인터페이스: 로컬 웹 인터페이스로 에이전트를 실행하거나 데스크톱 앱(macOS Apple 실리콘, Windows)을 사용하고, 플러그인으로 기능을 확장할 수 있습니다.

주요 단점은 아직 개발자 프리뷰 단계라는 점입니다. 플러그인과 API가 변화 중이며, 업데이트가 호환성 문제를 일으킬 수 있습니다.

DeepSeek 모델을 자주 사용하거나, 실행 과정을 세밀히 들여다볼 수 있는 고도로 커스터마이즈 가능한 하니스를 원하는 개발자에게 추천합니다.

DeepSeek Harness 설치 방법

먼저 Windows, macOS, Linux에 Node.js 22.19 이상을 설치하세요.

그런 다음 npx로 DeepSeek Harness를 실행합니다:

npx @deepseek-ai/dsh web제공

로컬 웹 인터페이스가 http://127.0.0.1:3080에서 자동으로 시작됩니다.

DeepSeek API 키를 구성하고, 선호 모델을 선택한 뒤 빌드를 시작하세요. 데스크톱 애플리케이션은 공식 DeepSeek Harness 웹사이트에서 다운로드할 수 있습니다. 단계별 안내는 DeepSeek Harness 튜토리얼을 참고하세요.

8. Deep Agents: 커스텀 AI 에이전트에 최적의 오픈 소스 AI 에이전트 하니스

Deep Agents는 LangChain이 개발한 오픈 소스 AI 에이전트 하니스입니다. 이 목록의 대부분 코딩 에이전트와 달리, 소프트웨어 개발과 복잡한 다단계 작업을 처리할 수 있는 커스텀 AI 에이전트 구축을 모두 염두에 두고 설계되었습니다.

출처: Deep Agents 개요 - LangChain 문서

Deep Agents의 흥미로운 점은, 준비된 터미널 코딩 에이전트를 사용할 수도 있고 Python이나 TypeScript로 직접 구축할 수도 있다는 것입니다. 플래닝, 메모리, 서브에이전트, 컨텍스트 관리가 이미 포함되어 있어, 모든 것을 처음부터 만들 필요가 없습니다.

이 프로젝트는 약 31K GitHub 스타를 얻으며 주목을 받았습니다.

Deep Agents의 차별점

• 코딩 에이전트와 SDK: 준비된 CLI인 Deep Agents Code를 사용하거나 Python/TypeScript 라이브러리로 커스텀 AI 애플리케이션을 구축하세요.
• 장기 작업에 최적화: 에이전트가 워크플로를 계획하고, 컨텍스트를 관리하며, 여러 단계를 포함하는 복잡한 작업을 처리합니다.
• 서브에이전트 위임: 큰 작업을 더 작은 작업으로 나누고, 별도 컨텍스트 윈도우를 가진 특화 에이전트에 위임합니다.
• 유연한 실행 환경: 로컬 파일시스템, 원격 샌드박스, 커스텀 도구, MCP 서버와 함께 작동합니다.
• 프로덕션 준비 기반: LangGraph 위에 구축되어 지속 상태, 체크포인트, 휴먼 승인, LangSmith 트레이싱/평가 통합을 지원합니다.

벤치마크 개선도 주목할 만합니다. 2026년 2월, LangChain은 보고에 따르면, 기본 모델을 바꾸지 않고 프롬프트, 도구, 미들웨어를 조정하는 것만으로 코딩 에이전트의 Terminal Bench 2.0 점수를 52.8%에서 66.5%로 끌어올렸습니다(gpt-5.2-codex).

가장 단순한 코딩 어시스턴트를 찾는 분보다는, 자체 AI 애플리케이션을 구축하려는 개발자에게 Deep Agents를 추천합니다. 경량 코딩 작업에는 Pi나 Codex CLI가 더 시작하기 쉬울 수 있습니다. SDK에 대한 자세한 내용은 Deep Agents 가이드를 참고하세요.

Deep Agents 설치 방법

Deep Agents Code 설치(macOS, Linux, 또는 WSL의 Windows):

curl -LsSf https://langch.in/dcode | bash제공

코딩 에이전트를 시작하세요:

dcode제공

AI 모델을 선택하고 인증을 구성해 작업을 시작하세요.

Python으로 커스텀 AI 에이전트를 만들려면, uv로 프로젝트를 만들고 SDK를 설치하세요:

uv init my-agent
cd my-agent
uv add deepagents제공

create_deep_agent()를 사용해 자체 모델, 도구, 프롬프트, 워크플로로 에이전트를 구축할 수 있습니다.

예를 들어, 웹을 검색하고, 문서를 분석하며, 리서치를 서브에이전트에 위임하고, 최종 보고서를 생성하는 리서치 에이전트를 만들 수 있습니다.

9. OpenHands: 자율 소프트웨어 개발에 최적의 오픈 소스 AI 에이전트 하니스

OpenHands는 초기 오픈 소스 AI 코딩 에이전트 프로젝트 중 하나입니다. 2024년 3월 OpenDevin으로 시작했을 당시, 개발자들은 GPT-3.5와 GPT-4가 단순 채팅과 코드 생성 너머로 무엇을 할 수 있는지 탐색하던 시기였습니다.

출처: OpenHands/OpenHands: OpenHands: AI-Driven Development

그때는 AI 에이전트에게 작업을 주고 실제 프로젝트를 만들게 하는 아이디어가 무척 흥미로웠습니다. OpenHands는 에이전트가 코드를 작성하고, 명령을 실행하며, 오류를 고치고, 스스로 작업을 테스트할 수 있게 하며 이를 가능하게 했습니다.

오늘날 OpenHands는 자율 소프트웨어 개발을 위한 완전한 플랫폼으로 성장했으며, GitHub 스타는 약 93K입니다.

OpenHands의 차별점

• 자율 코딩의 초기 개척자: AI 에이전트가 소프트웨어 엔지니어링 작업을 완료하게 하는 데 초점을 맞춘, 널리 인기 있는 최초의 오픈 소스 프로젝트 중 하나입니다.
• Agent Canvas: 대화, 파일, 터미널, 여러 코딩 에이전트를 한 곳에서 관리하는 웹 인터페이스입니다.
• 멀티 에이전트 지원: 공유 인터페이스에서 Agent Client Protocol(ACP)을 지원하는 OpenHands, Codex, Claude Code, Gemini 등과 함께 작업합니다.
• 유연한 실행 환경: 로컬, Docker 컨테이너, 원격 서버, 클라우드 인프라에서 에이전트를 실행할 수 있습니다.
• 자동화와 SDK: 커스텀 에이전트를 구축하고, 개발 워크플로를 자동화하며, Python SDK와 백엔드 서비스를 통해 작업을 실행합니다.

주요 단점은 복잡성입니다. Pi나 Codex CLI 같은 경량 하니스에 비해, 특히 격리된 실행 환경을 사용할 때 설정과 리소스 요구가 더 큽니다.

자율 코딩 에이전트를 실행하고, 여러 워크플로를 관리하거나, 에이전트 기반 개발 시스템을 구축하려는 개발자에게 추천합니다. 자세한 내용은 OpenHands 가이드를 참고하세요.

OpenHands AI 에이전트 설치 방법

로컬에서 OpenHands를 실행하는 가장 쉬운 방법은 Agent Canvas를 사용하는 것입니다.

먼저 Node.js 24 이상과 uv를 설치하세요.

그런 다음 Windows, macOS, Linux에서 Agent Canvas를 설치합니다:

npm install -g @openhands/agent-canvas제공

애플리케이션을 시작하세요:

agent-canvas제공

http://localhost:8000에서 웹 인터페이스를 엽니다.

선호하는 AI 모델을 구성하고, 워크스페이스를 선택한 뒤, 에이전트에 코딩 작업을 지시하세요.

기본적으로 이 방식은 에이전트를 머신에서 직접 실행하며 파일시스템 전체에 접근 권한을 부여합니다. 구성한 워크스페이스 밖의 파일에 접근하지 못하게 하려면, Docker 샌드박스로 Agent Canvas를 실행하세요:

OH_CONVERSATION_RUNTIME=docker agent-canvas제공

10. mini-SWE-agent: 소프트웨어 엔지니어링에 최적의 미니멀 오픈 소스 AI 에이전트 하니스

mini-SWE-agent는 제가 접한 것 중 가장 단순한 AI 코딩 하니스 중 하나입니다. SWE-agent와 SWE-bench의 연구진이 만든 이 프로젝트는 기능이 많은 코딩 에이전트와는 다른 접근을 취합니다.

코어 에이전트는 대략 100줄의 파이썬으로 작성되었습니다. 복잡한 도구 호출 시스템과 워크플로를 만들기보다, AI 모델에 Bash 접근권을 주고 작업 완료 방법을 스스로 찾게 합니다.

이 미니멀한 접근법은 여전히 강력한 코딩 성능을 제공합니다. 이 프로젝트는 약 9.5K GitHub 스타를 얻었고, NVIDIA, Meta, IBM 등 여러 조직의 연구자와 엔지니어가 사용합니다.

mini-SWE-agent의 차별점

• 100줄 에이전트 아키텍처: 이해·수정·확장이 쉬운 작은 파이썬 구현입니다.
• Bash 전용 실행: 복잡한 도구 호출 대신 단순 셸 명령으로 파일을 편집하고, 테스트를 실행하고, 버그를 수정합니다.
• 투명한 실행: 선형 대화 이력을 유지해 모든 동작을 쉽게 점검하고 에이전트 행위를 디버깅할 수 있습니다.
• 유연한 실행 환경: 로컬 실행 또는 Docker, Podman, Singularity 등 지원 환경으로 격리 실행이 가능합니다.
• AI 연구 지향: 여러 모델 제공업체를 지원하며, 벤치마킹, 파인튜닝, 강화학습 실험을 위한 단순한 기반을 제공합니다.

프로젝트 README에 따르면, mini-SWE-agent는 Gemini 3 Pro 같은 강력한 모델과 함께 사용할 때 SWE-bench Verified(실제 GitHub 이슈 기반)에서 74% 이상을 기록합니다. 모델 비교는 SWE-bench bash-only 리더보드에서 확인할 수 있습니다.

주요 단점은, 고급 플래닝, 서브에이전트, 광범위한 통합 같은 대형 에이전트의 내장 기능이 부족하다는 점입니다. 개발자가 직접 구현해야 할 수 있습니다.

특히 다양한 모델과 에이전트 아키텍처를 실험하려는 개발자와 AI 연구자에게, 빠르고 가볍고 커스터마이즈가 쉬운 코딩 하니스인 mini-SWE-agent를 추천합니다.

mini-SWE-agent 설치 방법

macOS나 Linux에서 mini-SWE-agent를 설치하는 가장 쉬운 방법은 uv를 사용하는 것입니다:

uv tool install mini-swe-agent제공

또는 pip로 설치하세요:

pip install mini-swe-agent제공

선호하는 AI 모델과 API 키를 구성하세요:

mini-extra config setup제공

프로젝트 디렉터리로 이동해 에이전트를 실행하세요:

mini제공

영구 설치 없이 바로 실행할 수도 있습니다:

uvx mini-swe-agent제공

예를 들어, mini-SWE-agent에게 파이썬 리포지토리를 탐색하고, 실패한 테스트를 찾고, 오류를 수정한 뒤, 다시 테스트를 실행하도록 요청할 수 있습니다. 복잡한 에이전트 프레임워크 없이 단순 셸 명령만으로 모든 것을 처리합니다.

2026년 오픈 소스 AI 에이전트 하니스 Top 10 비교

아래 표는 주요 강점, 적합한 사용 사례, 한계를 기준으로 상위 10개 오픈 소스 AI 에이전트 하니스를 비교합니다.

마무리 생각

코딩 에이전트가 이 분야를 주도해 왔고, 이제는 개인 AI 비서와 일상 업무용 도구로의 전환이 보입니다.

이 목록에는 폐쇄형 도구를 포함하지 않았지만, ChatGPT Work와 OpenAI의 dots 같은 제품은 향후 방향을 잘 보여줍니다. 이들은 개발자만을 위한 것이 아니라, 사무직, 비즈니스 오너, 연구자, 심지어 코딩 경험이 없는 사람들도 문서 작업, 스프레드시트 분석, 이메일 전송, 프로젝트 관리, 일상 업무 자동화에 AI를 활용하도록 설계되어 있습니다.

Google의 Flow 역시 창의적 작업에 AI를 유용하게 만드는 방향성을 보여줍니다. 물론 위의 대부분 오픈 소스 하니스도 적절한 도구와 통합만 갖추면 이미 이러한 작업 상당수를 처리할 수 있습니다. 차이는 기업들이 이제 코딩에만 집중하지 않고, 이러한 워크플로를 위해 특별히 설계된 경험을 구축하고 있다는 점입니다.

이제 많은 작업이 하니스에서 이뤄집니다. 개발자들은 특정 작업에서 모델 성능을 더 좋게 만들기 위해 도구, 메모리, 컨텍스트 관리, 워크플로를 포함한 전체 에이전트 하니스를 튜닝하고 있습니다.

직접 하니스를 구축하는 법을 더 배우고 싶다면, Building AI Agent Harnesses with Strands Agents 과정을 추천합니다.