SNS에서 “에이전트 오픈소스 10선” 목록이 돌았다. 한 줄 소개만 있고 링크는 잘려 있어서, 10개 리포를 GitHub에서 하나씩 찾아 실제 리포 이름, 공식 설명, 라이선스, 스타 수를 확인했다. 스타 수는 GitHub API로 2026-09-28에 조회한 값이다.

그렇게 모아 보니 10개가 대략 다섯 묶음으로 나뉜다.

  • 코딩 에이전트를 다루는 도구: 보안 감사, 병렬 실행, 코드 리뷰 (1·2·3)
  • 에이전트에게 붙이는 부품: 기억, 도구 창구, 브라우저 (4·7·8)
  • 에이전트가 일할 재료: 문서·스프레드시트, 사내 지식 (5·6)
  • 작게 돌리기: 기기 위 초소형 모델 (9)
  • 원리 배우기: LLM을 처음부터 학습 (10)

한눈에 보기

# 리포 한 줄 언어 라이선스 ★
1 cloudflare/security-audit-skill 다단계 보안 감사 스킬, 지적 사항을 개별 검증 JavaScript MIT 22.5k
2 stablyai/orca 코딩 에이전트 여러 개를 병렬로 굴리는 작업 환경(ADE) TypeScript MIT 80.1k
3 alibaba/open-code-review 규칙 파이프라인 + LLM 에이전트 하이브리드 코드 리뷰 Go Apache-2.0 42.1k
4 vectorize-io/hindsight 상호작용에서 배우는 에이전트 기억 Python MIT 39.3k
5 dream-num/univer 스프레드시트·문서·슬라이드를 한 런타임에서 다루는 기반 TypeScript Apache-2.0 20.9k
6 Tencent/WeKnora 문서를 RAG·추론 에이전트·자동 갱신 Wiki로 Go 표기 없음* 30.8k
7 Tencent/BrowserSkill 로그인된 내 브라우저를 에이전트가 조작 TypeScript MIT 7.7k
8 superdesigndev/treg 에이전트 도구용 “OpenRouter” (도구 호출 단일 창구) Python 표기 없음* 3.6k
9 cactus-compute/needle 폰·웨어러블용 2비트 8~29MB 자동화 모델 Python Apache-2.0 12.8k
10 FareedKhan-dev/train-llm-from-scratch** 데이터 수집부터 텍스트 생성까지 LLM 학습 실습 Python MIT 11.5k

* GitHub가 라이선스를 자동으로 판별하지 못한 경우(NOASSERTION)다. 라이선스가 없다는 뜻이 아니다. 쓰기 전에 리포의 LICENSE 파일을 직접 읽어야 한다. ** 원문 목록에는 10번 링크가 없었다. 같은 이름으로 검색했을 때 가장 스타가 많은 리포를 적었다. 원문이 가리킨 리포와 다를 수 있다.

1. 코딩 에이전트를 다루는 도구

① security-audit-skill — “지적 사항을 믿지 말고 검증하라”

Cloudflare가 공개한, 코딩 에이전트용 보안 감사 스킬이다. 공식 설명은 “여러 단계로 나눈 보안 감사, 그리고 독립적으로 검증된, 기계가 읽을 수 있는 지적 사항”이다(리포).

핵심은 뒤쪽 절반이다. LLM에게 “취약점 찾아줘”라고 하면 그럴듯한 오탐이 쏟아진다. 이 스킬은 찾는 단계와 검증하는 단계를 나누고, 검증을 통과한 지적만 구조화된 형태로 내보낸다. 결과를 사람이 아니라 CI 같은 다음 기계가 받아 쓰는 것을 전제로 한 설계다.

② Orca — 코딩 에이전트 “함대”를 위한 작업 환경

공식 설명은 “병렬 에이전트 함대와 일하기 위한 ADE”다. 어떤 코딩 에이전트든 내 구독 그대로 돌리고, 데스크톱·모바일·원격 런타임에서 쓸 수 있다고 한다(리포). 10개 중 스타가 가장 많다.

IDE가 사람이 코드를 쓰는 곳이라면, ADE는 사람이 여러 에이전트에게 일을 나눠 주고 결과를 모으는 곳이다. 에이전트를 하나 쓰는 단계를 지나 여러 개를 동시에 굴리게 되면 필요해지는 도구다.

③ open-code-review — 규칙과 LLM을 섞은 리뷰

알리바바의 코드 리뷰 도구다. 공식 설명은 “결정적 파이프라인 + LLM 에이전트의 하이브리드 구조, 정확한 행 단위 코멘트, 여러 언어 내장”이고, 알리바바 규모에서 검증됐다고 소개한다(리포). 검증됐다는 부분은 벤더 주장이다.

“하이브리드”가 이 도구의 요점이다. 흔한 버그 패턴처럼 규칙으로 확실히 잡히는 것은 규칙으로 잡는다. 문맥을 봐야 하는 판단만 LLM에게 넘긴다. LLM만 쓰면 매번 결과가 흔들리고, 규칙만 쓰면 문맥을 못 본다.

2. 에이전트에게 붙이는 부품

④ Hindsight — 대화가 바뀌어도 기억하는 에이전트

공식 설명은 한 줄이다. “배우는 에이전트 기억”(리포).

대부분의 에이전트는 세션이 끝나면 다 잊는다. 그래서 다음 세션에서 같은 설명을 처음부터 다시 해야 한다. Hindsight는 과거 상호작용에서 사실과 경험을 뽑아 저장하고, 다음 대화에 꺼내 쓰게 한다. 단순히 대화 기록을 검색하는 것과 달리, 무엇을 배웠는지를 정리해 둔다는 점이 다르다.

⑦ BrowserSkill — 내가 로그인한 그 브라우저를 그대로

텐센트의 브라우저 자동화 도구다. 공식 설명은 “AI 에이전트가 로그인된 실제 브라우저를, 내 작업을 방해하지 않고 쓰게 한다. 셸을 쓸 수 있는 어떤 에이전트에서도 동작하는 CLI + 확장 프로그램”이다(리포).

새로 띄운 깨끗한 브라우저는 로그인이 안 돼 있어서, 사내 시스템이나 SaaS 작업을 맡기기 어렵다. 내 브라우저를 쓰면 그 문제가 사라진다. 대신 내 세션 권한을 에이전트에게 통째로 빌려주는 것이다. 어떤 사이트에서 무엇을 허용할지 정하는 일은 쓰는 사람 몫이다.

⑧ treg — 도구 호출의 단일 창구

공식 설명은 “에이전트 도구를 위한 OpenRouter”다(리포). OpenRouter가 여러 LLM을 하나의 API로 묶듯, 여러 도구를 한 창구로 묶는다. 에이전트마다 도구 연결을 새로 설정하는 수고를 줄이는 게 목적이다.

참고로 이 발상은 LLM 쪽에서 이미 익숙하다. 여러 모델을 한 엔드포인트로 묶는 LiteLLM 같은 게이트웨이를 쓰면, 사용량·비용 기록도 한곳에 모인다(이전 글). 도구 창구도 같은 장점이 있을 수 있다. 다만 모든 도구 호출이 한곳을 거친다는 건, 그곳이 뚫리면 전부 뚫린다는 뜻이기도 하다.

3. 에이전트가 일할 재료

⑤ Univer — 에이전트를 위한 오피스

공식 설명은 “AI 에이전트를 위한 오피스 하네스. 스프레드시트, 문서, 슬라이드, 캔버스, 관계형 테이블, PDF를 하나의 런타임에서”다(리포). 10개 중 가장 오래된 리포(2022년 생성)로, 원래 웹 오피스 엔진이던 것을 에이전트용 기반으로 확장한 것으로 보인다.

에이전트에게 “엑셀 정리해줘”를 시키면, 보통은 파일을 텍스트로 풀었다가 다시 쓴다. 그러면 수식과 서식이 깨진다. 문서 구조를 직접 조작하는 런타임이 있으면 그 과정이 필요 없다.

⑥ WeKnora — 문서를 넣으면 답하는 지식 기반

텐센트의 LLM 지식 플랫폼이다. 공식 설명은 “원본 문서를 질의 가능한 RAG, 자율 추론 에이전트, 스스로 관리되는 Wiki로 바꾼다”다(리포).

RAG에서 멈추지 않고 Wiki를 알아서 갱신한다는 점이 눈에 띈다. 사내 문서가 늘 낡아 있는 문제를 직접 겨냥한 것이다. 다만 자동으로 쓴 Wiki가 틀렸을 때 누가 어떻게 잡는지는 쓰기 전에 확인해야 한다.

4. 작게 돌리기

⑨ needle — 8~29MB짜리 자동화 모델

공식 설명은 “작은 기기를 위한 자동화 파운데이션 모델: 2비트, 8~29MB, 도구 호출·구조화 추출·임베딩을 폰, 웨어러블, 스마트홈, 로봇, 자동차, 마이크로컨트롤러에서”다(리포).

대화 모델이 아니라 자동화 전용이라는 게 핵심이다. “문장에서 날짜와 금액을 뽑아 JSON으로” 같은 좁은 일을 네트워크 없이 기기 안에서 한다. 개인정보가 기기 밖으로 나가지 않고, 지연과 비용도 거의 없다. 2비트 양자화로 얼마나 정확한지는 리포에서 확인하지 않았다.

5. 원리 배우기

⑩ train-llm-from-scratch — 데이터부터 생성까지 직접

공식 설명은 “데이터 다운로드부터 텍스트 생성까지, LLM을 학습하는 간단한 방법”이다(리포). 토크나이저, 트랜스포머 블록, 학습 루프, 생성을 한 흐름으로 따라가게 되어 있다.

나머지 9개는 LLM을 가져다 쓰는 도구다. 이 리포 하나만 LLM을 만드는 쪽이다. 에이전트가 왜 가끔 이상한 답을 하는지 감을 잡는 데는, 작은 모델을 한 번 직접 학습시켜 보는 것만 한 게 없다.

정리 — 10개를 관통하는 흐름

  1. “검증”이 기본 기능이 됐다. ①은 지적을 독립적으로 검증하고, ③은 규칙으로 LLM을 받친다. LLM이 쓴 결과를 그대로 믿지 않는 구조가 도구 수준에서 들어가고 있다.
  2. 에이전트는 하나가 아니라 여럿이다. ② Orca가 가장 많은 스타를 받은 게 그 신호다.
  3. 에이전트의 약점을 부품으로 메운다. 잊어버림(④), 로그인 못 함(⑦), 도구 연결 번거로움(⑧)을 각각 따로 푼다.
  4. 작게, 안에서. ⑨는 클라우드가 아니라 기기 위에서 도는 쪽이다. 데이터를 밖으로 못 내보내는 환경에서 중요해진다.

이 블로그를 쓰는 에이전트 환경에도 비슷한 조각이 이미 있다. 세션을 넘는 기억, 서브에이전트 병렬 실행, 브라우저 조작, 보안 감사 절차다. 10선은 그 조각들이 각각 독립된 오픈소스 프로젝트로 분리되어 커지고 있다는 걸 보여준다.

한계

  • 10개 리포를 직접 설치해 써 보지는 않았다. 설명은 각 리포의 공식 한 줄 설명과 원문 목록에 근거한다. 성능 주장은 벤더 주장으로 읽어야 한다.
  • 스타 수는 2026-09-28 조회값이고 빠르게 바뀐다. 스타가 품질을 보장하지는 않는다.
  • 10번 리포는 원문에 링크가 없어서 검색 결과로 추정했다.

References