AgentRun: 오픈소스 자가 개선 에이전트 - 지속적 실행과 컨트롤 플레인
AgentRun은 Parcha Labs가 만든 Apache-2.0 오픈소스 플랫폼으로, 기존 에이전트 하네스(pi, Claude Code, Codex 또는 OpenCode)를 세 가지로 감쌉니다: 실행 간에 노트, 스킬, 워크플로를 유지하는 학습 루프, 단일 저장소로 뒷받침되는 지속적 실행, 그리고 승인, 지출 상한, 모니터링을 위한 컨트롤 플레인. npx @parcha/agentrun으로 설치되며, macOS 또는 Linux에서 Node 24.22.3 이상에서 실행되고, 기본적으로 포트 7340에서 콘솔을 제공합니다.
AgentRun이 해결하려는 문제: 에이전트가 매 실행마다 같은 작업을 다시 수행함
에이전트는 같은 API를 반복적으로 재발견하고, 같은 문서를 다시 읽고, 같은 계획을 다시 세웁니다. 운영자는 그 재발견의 모든 토큰 비용을 지불합니다. AgentRun의 내세우는 가치는 "더 똑똑한 에이전트를 실행하세요. 더 적은 토큰을 사용하세요."입니다. 프로젝트의 콘솔 스크린샷은 에이전트의 학습 탭을 보여주며, 학습 후에는 답변이 10초 대신 2초가 걸리고 실행 비용이 $0.05 대신 $0.0077이 됩니다. README는 그 수치를 콘솔의 기록된 픽스처에서 가져온 데모 데이터라고 표시합니다.
설계 결과로, AgentRun은 또 다른 에이전트 루프가 아닙니다. 사용자가 이미 신뢰하는 하네스 주위에 위치하며, 그 위에 영속성, 복구, 거버넌스를 추가합니다. README는 그 분할을 명시적으로 설명합니다: "가장 잘 실행되는 하네스에서 에이전트를 가져오세요: Claude Code, Codex, OpenCode 또는 pi. AgentRun은 그 주변의 모든 것을 처리합니다."
자가 개선 루프는 각 실행의 끝에 추가 턴으로 실행됩니다
학습은 에이전트 정의에서 "learning": true로 에이전트별로 선택 사항입니다. 각 실행이 끝날 때 에이전트는 무엇을 유지할지 제안하는 추가 턴을 한 번 받습니다. 그런 다음 AgentRun은 코드 검사를 실행하고, 단일 평가자(grader)를 거쳐, 통과한 항목을 에이전트의 자체 git 폴더에 커밋합니다. 다음 실행은 그 상태에서 시작됩니다. README의 순서도는 주기를 요약합니다: 실행은 에이전트의 main에서 시작하고, 실행이 작업을 수행하고, 마지막 턴이 노트, 스킬 또는 워크플로를 제안하고, 코드 검사와 단일 평가자 실행 후, 유지된 항목이 main에 커밋됩니다.
세 가지 아티팩트 유형이 있습니다:
- 노트는 각각 하나의 사실을 담는 짧은 마크다운 파일로, Claude Code의 메모리 형식입니다.
- 스킬은 작업을 다시 수행하는 방법을 설명합니다. 실제로 작업을 완료한 실행만 스킬을 작성할 수 있습니다.
- 학습된 워크플로는 실행의 자체 상한과 도구 권한 아래에서 모든 하네스에서 단일 도구 호출로 실행됩니다. 학습된 스킬이 3번의 실행을 제공하면, 다음 실행은 그 작업을 워크플로 초안으로 생성하도록 요청받고, 초안은 유지되기 전에 드라이런되며, 드라이런 중에는 모델이 호출되지 않고 도구도 실행되지 않습니다.
에이전트의 학습 탭은 모든 노트, 스킬, 워크플로와 변경 로그를 나열하며, 각 실행은 제공된 노트와 열어본 노트를 기록합니다. 항목은 콘솔에서 또는 npx @parcha/agentrun learning retire와 노트의 ETag로 폐기할 수 있습니다. 폴더가 git 저장소이므로, 폐기된 노트는 기록에서 복원할 수 있습니다.
학습 제안은 모델이 평가하기 전에 코드로 필터링됩니다
각 에이전트에는 학습 폴더가 있습니다: 하나의 브랜치 main이 있는 일반 git입니다. 코드가 모든 제안을 먼저 검사합니다. 크기 제한, 개수 제한, 이름 또는 형태와 같은 자체 규칙을 위반하는 항목은 개별적으로 삭제되고 나머지 제안은 계속됩니다. 네 가지 실패 조건은 단일 항목이 아닌 전체 제안을 삭제합니다: 답변 어디에든 비밀 또는 숨겨진 문자가 있는 경우, 폴더 외부의 파일, 삭제, 또는 전체 인덱스. README의 근거는 항목 중 하나라도 신뢰할 수 없으면 그 중 어떤 것도 신뢰할 수 없다는 것입니다. 코드 검사 후, 단일 평가자가 내용을 판단하고 AgentRun은 통과한 것을 커밋합니다.
두 가지 범주는 위험한 것으로 간주됩니다. 위험한 규칙은 명시적인 운영자 승인을 기다립니다. 페이지 또는 붙여넣은 이메일에서 출처를 얻은 규칙, 또는 계좌 번호를 포함하는 노트는 즉시 삭제됩니다.
인덱스 성장은 잘라내기보다는 검색 단계로 처리됩니다: 에이전트의 노트가 학습 예산을 초과하면, 각 실행은 첫 번째 메시지와 관련된 노트를 전체로 받고, 나머지 각 노트에 대해 한 줄씩 받습니다. 학습된 워크플로만 실행한 실행은 무엇을 유지할지 묻지 않습니다.
지속적 실행은 서버 재시작에도 실행을 유지합니다
모든 에이전트, 개정, 실행, 단계는 하나의 저장소에 있습니다. 실행 중에 서버를 중지하고 다시 시작하면 실행이 계속됩니다. 여러 러너가 있는 경우, 다른 러너가 죽은 러너의 실행을 30초 임대가 만료되면 가져갑니다. 완료된 단계는 두 번 실행되지 않습니다. 충돌로 중간에 중단된 쓰기는 재시도되지 않고 중단된 것으로 표시되어 사람이 검사할 수 있습니다.
저장소는 기본적으로 데이터 폴더의 SQLite이며, AGENTRUN_STORE_URL이 postgres:// URL로 설정된 경우 Postgres입니다.
지출 상한은 실패가 아닌 일시 중지이며, 가격이 없는 비용은 0으로 보고되지 않습니다
상한이 주어진 실행은 실패하는 대신 그 상한에서 일시 중지되고, 계속하는 데 필요한 최소 비용을 보고합니다. AgentRun이 가격을 책정할 수 없는 비용은 $0이 아닌 "알 수 없음"으로 보고됩니다.
도구 권한은 도구별로 세 가지 상태 중 하나를 취합니다: 허용, 먼저 물어보기, 거부. 물어보는 호출은 사람이 답할 때까지 실행 페이지에서 기다립니다. "절대 묻지 않음" 모드는 에이전트가 무인으로 실행되게 하지만, 서버 수준에서 설정된 거부는 여전히 적용됩니다. 에이전트는 또한 중지하고 질문할 수 있으며, 실행은 기다립니다.
워크플로는 반복 작업용이고, 에이전트는 대체 수단입니다
AgentRun의 README는 많은 에이전트가 전혀 에이전트일 필요가 없다고 주장합니다. 반복 작업은 유형화된 워크플로로 표현될 수 있습니다: 도구 호출, 모델 단계, 빠른 유형화된 결정(예/아니오, 하나 선택, 점수, 각각 신뢰도 값 포함), 불명확한 경우 에이전트를 대체 수단으로 사용합니다. 워크플로는 에이전트의 개정으로, 해당 에이전트의 도구 권한과 상한 아래에서 실행되며, 트리거로 시작될 수 있습니다.
워크플로는 유형화된 단계의 JSON 문서로, "v": 2로 버전이 지정되고, 입력 및 출력에 대한 명명된 스키마가 있습니다. README의 예제는 website 문자열을 요구하는 In 스키마와 ok 불리언을 요구하는 Page 스키마를 정의한 다음, 홈 페이지를 가져오는 단일 도구 단계를 연결합니다:
{
"v": 2, "name": "read-site",
"schemas": {
"In": { "type": "object", "required": ["website"], "properties": { "website": { "type": "string" } } },
"Page": { "type": "object", "required": ["ok"], "properties": { "ok": { "type": "boolean" } } }
},
"input": { "schemaId": "In" },
"output": { "schemaId": "Page", "path": "home" },
"root": { "node": "chain", "steps": [
{ "node": "call", "label": "Read the home page", "via": "tool", "tool": "web_fetch",
"args": { "url": "{website}" }, "out": "Page", "as": "home", "deadline_s": 60 }
] }
}
단계는 도구를 호출하고, 모델을 실행하고, 빠른 유형화된 질문을 하고, 답변에 따라 분기하고, 목록을 병렬로 매핑하고, 제한된 횟수로 반복하고, 다른 워크플로를 호출하거나, 어려운 경우를 에이전트에 넘길 수 있습니다. 워크플로는 에이전트의 workflow 필드로 저장되며, npx @parcha/agentrun workflows validate가 먼저 검사합니다. 워크플로 언어는 TypeScript 빌더를 사용하여 애플리케이션 내부에서 독립적으로도 실행됩니다.
콘솔에서 워크플로는 노드별로 감시하고, 일시 중지하고, 재개할 수 있으며, 모든 결정과 그 근거가 표시됩니다.
네 가지 하네스, 다섯 가지 컴퓨터 종류
하네스는 에이전트별로 harness 필드로 선택됩니다.
| 하네스 | harness 값 |
참고 |
|---|---|---|
| pi | pi |
기본값 |
| Claude Code | claude-agent |
첫 사용 시 자체 설치 |
| Codex | codex |
첫 사용 시 자체 설치 |
| OpenCode | opencode |
서버 옆에 opencode-ai 패키지 필요 |
승인, 상한, 컴퓨터, 트리거, 학습은 모든 하네스에서 동일하게 동작합니다. npx @parcha/agentrun server capabilities는 주어진 서버가 실행하는 하네스를 보고합니다.
컴퓨터는 에이전트의 단일 설정이며, 에이전트는 해당 컴퓨터 종류에 대한 도구만 받습니다.
| 종류 | 기능 | 제공자 |
|---|---|---|
none |
실행 폴더에서 파일 읽기/쓰기, 셸 없음(Archil 사용 시 명령은 Archil의 exec에서 실행) | 필요 없음 |
sandbox |
코드 실행, 패키지 설치, 백그라운드 프로세스 유지, Linux에서 | Docker, Daytona, Modal, E2B |
desktop |
Linux 화면 보기, 마우스 이동, 입력 | Orgo, E2B, 사용자 지정 X 서버 이미지가 있는 Docker |
phone |
Android에서 탭, 스와이프, 입력, 앱 열기, 화면 읽기 | phone 하네스(임대 클라우드 Android) |
browser |
웹 탐색, 언제든지 사람에게 제어권 전달 | Browserbase, Kernel |
컴퓨터 설정이 없는 에이전트는 서버에 Docker가 있으면 Docker 샌드박스를 받고, 그렇지 않으면 컴퓨터가 없습니다. 원격 컴퓨터는 운영자의 자체 공급업체 계정으로 청구됩니다.
이를 배포하는 팀에게 중요한 세 가지 운영 세부 사항이 있습니다. 공급업체 키는 설정에서 한 번 추가되고, 서버에 의해 봉인되며, 에이전트의 컴퓨터에 절대 들어가지 않습니다. 실행 폴더는 서버에 있으며 Docker 샌드박스에 의해 마운트됩니다. Archil 디스크를 활성화하면 폴더가 그곳으로 이동하여 Daytona, Modal 또는 E2B 샌드박스가 같은 폴더를 마운트하며, 이 세 제공자는 Archil 디스크를 요구하는 반면 Docker 샌드박스의 Archil은 거부됩니다. 브라우저 실행은 공급업체 링크가 아닌 운영자의 자체 서버를 통해 실행의 화면 탭으로 스트리밍되므로, 제어권을 가져오고 다시 넘길 수 있으며, 에이전트는 로그인 또는 캡차를 위해 사람의 개입을 요청할 수 있습니다.
각 제공자에는 공급업체에 대해 실행 가능한 적합성 스위트가 있습니다: npm run conformance -w @parcha/agentrun-computer -- --provider docker --kind sandbox.
다섯 가지 준비된 템플릿이 함께 제공됩니다
| 템플릿 | 기능 |
|---|---|
code-review |
풀 리퀘스트 또는 diff를 검토하고, 각 발견 사항을 코드와 대조하고, 발견 사항을 JSON으로 반환하고, 자체 GitHub 트리거를 설정합니다 |
kyb |
한 회사에 대한 실사: 등록부, 소유자, 제재 목록, 날짜가 있는 부정적 미디어, 모든 주장이 인용된 평결 |
market-monitor |
감시 중인 회사의 변경 사항에 대한 월요일 요약, 각 항목에 날짜와 링크 포함 |
inbound-lead |
웹훅으로 전달된 각 리드를 조사하고 이상적인 고객 프로필에 대해 0에서 100까지 점수를 매깁니다 |
release-notes |
마지막 릴리스 이후 병합된 풀 리퀘스트를 릴리스 노트로 변환하고, 사람을 위해 초안 이슈로 남깁니다 |
템플릿을 적용해도 각 도구를 수동으로 선택하기 전에는 MCP 도구 액세스가 부여되지 않습니다. npx @parcha/agentrun template eval DIR는 템플릿의 평가 사례를 임시 서버에서 실제 실행으로 실행하고 평가합니다. 트리거는 일정, 서명된 웹훅, GitHub 풀 리퀘스트 이벤트에서 자체적으로 상한이 있는 실행을 시작합니다.
아키텍처: 서버, 저장소, 러너, 핸즈
서버는 /v2에서 API와 콘솔을 제공하고, 실행과 명령을 저장소에 쓰고, 다시 읽습니다. --no-runner로 시작하면 자체 에이전트 루프를 실행하지 않습니다. 러너는 저장소에서 실행을 가져와 여러 개를 동시에 실행합니다. 모든 승인 검사, 상한, 모델 호출은 러너에서 발생합니다. 핸즈는 에이전트의 도구가 작동하는 곳입니다: 각 실행에는 실행 폴더가 있고, 샌드박스는 그 폴더를 /workspace에 마운트하는 반면, 데스크톱, 폰 또는 브라우저는 폴더를 러너에 남깁니다.
스크립팅: CLI, TypeScript 및 Python 클라이언트
npx @parcha/agentrun은 서버의 CLI를 겸합니다. 실행 중인 서버에 대해 실행하면 주소와 토큰을 자동으로 발견합니다. runs wait의 종료 코드는 완료 시 0, 실패 시 1, 사람을 기다릴 때 8입니다: 질문, 상한 또는 승인. runs timeline RUN_ID --follow는 각 단계를 스트리밍하고, 모든 실행에는 console_url이 있습니다.
TypeScript 클라이언트는 @parcha/agentrun-client(의존성 없음)이며 환경에서 AGENTRUN_BASE_URL과 AGENTRUN_API_KEY를 읽습니다. Python 클라이언트는 pip install parcha-agentrun이며 동일한 메서드를 노출합니다.
import { AgentRun } from "@parcha/agentrun-client";
const client = new AgentRun();
const started = await client.runs.start("notes", { input: { content: "Ask me which region to cover, then write region.md about it." }, max_cost_usd: 1 });
let run = await client.runs.wait(started.run_id);
if (run.pending?.kind === "question") await client.runs.message(run.run_id, { content: "Europe" });
run = await client.runs.wait(run.run_id);
console.log(run.status, run.cost.usd);
코딩 에이전트 사용자를 위한 편의 경로: 코딩 에이전트에게 Read agentrun.ai/SKILL.md and set up AgentRun for me라고 지시하거나, npx @parcha/agentrun skill install --claude(또는 --codex)를 실행하여 CLI를 가르칩니다.
배포 비용 및 토폴로지
원클릭 Render 배포는 저장소의 render.yaml을 사용합니다: 1 CPU / 2 GB 인스턴스와 10 GB 디스크, 빌드 단계 없는 게시된 이미지, 자동 생성된 토큰과 봉인 키. README는 작성 시점에 Render 가격으로 인스턴스에 대해 월 약 $25, 디스크에 대해 $2.50가 들며, Render 작업 공간에 카드가 필요하다고 명시합니다. 권장 사항은 달러 상한과 만료 날짜가 있는 OpenRouter 키입니다.
Docker Compose 배포는 하나의 서버와 두 개의 러너를 실행합니다. 게시된 포트는 호스트의 루프백에만 바인딩되므로, 노출 전에 TLS 프록시가 필요합니다. 해당 compose 파일에는 Docker 소켓이 없으므로, 에이전트는 파일 도구와 web_fetch를 얻지만 셸은 없습니다. Docker 샌드박스는 Docker Engine 26 이상이 있는 루트 compose.yaml이 필요하며, 서버를 호스트에서 실행하거나 Archil 디스크가 있는 Daytona/E2B 컴퓨터가 필요합니다.
확장을 위해 서버와 모든 러너에서 AGENTRUN_STORE_URL을 Postgres URL로 설정하고, 서버를 --no-runner로 시작하고, 각 러너를 같은 이미지에서 runner --data /data --name <name>으로 시작합니다. 모든 프로세스는 동일한 AGENTRUN_SEAL_KEY를 공유해야 합니다. 문서화된 릴리스에서 러너는 여전히 /data 볼륨을 공유합니다.
보안 모델: 단일 봉인 키, 쓰기 전용 비밀, 제한된 API 토큰
저장된 모든 비밀(모델 키, 도구 키, MCP 자격 증명, 로그인, 웹훅 서명 비밀)은 단일 키 AGENTRUN_SEAL_KEY 아래에 봉인되며, 이를 잃으면 봉인된 모든 것을 잃는 것입니다. 비밀은 쓰기 전용입니다: 콘솔은 각각을 설정됨 또는 누락됨으로 표시하고, 콘솔만 붙여넣기, 교체 또는 제거할 수 있습니다. 서버 환경에 있는 키는 붙여넣은 키보다 우선합니다. API 토큰은 비밀을 쓰거나 도구 호출을 승인할 수 없습니다. 실행은 자체 모델과 도구에 필요한 키만 받으며, 실행이 배운 것은 넘겨받은 비밀을 유지할 수 없습니다.
Hacker News 스레드가 반박한 내용
Show HN 게시물은 134점과 39개의 댓글에 도달했습니다. 스레드의 실질적인 질문은 학습 루프, 비용 회계, 차별화를 겨냥했으며, 캡처된 댓글에는 유지 관리자의 답변이 포함되지 않았습니다. 스레드의 여러 댓글은 플래그가 지정되거나 죽은 상태였고, 다른 여러 댓글은 공급업체 자체 홍보였으므로, 기술적 신호는 소수의 스레드에 집중되어 있습니다.
가장 많이 묻는 질문은 자가 개선이 실제로 어떻게 작동하는지였습니다:
자가 개선 부분이 어떻게 작동하는지 설명해 주시겠습니까?
가장 날카로운 비용 회계 도전은 에이전트가 분리된 작업을 생성할 때 지출 상한이 실제로 적용될 수 있는지에 관한 것이었습니다:
제 연구와 테스트에서 상한이 있어도 일부 에이전트가 백그라운드 프로세스를 사용하여 호출당 시간 제한을 우회하는 것을 보았습니다. 상한이 분리된 프로세스의 컴퓨팅을 포함합니까?
관련 아키텍처 질문은 AgentRun이 기존 하네스를 사용하는지 아니면 우회하는지, 구독 경제학에 동기를 둔 질문이었습니다:
Claude Code 하네스(예를 들어)를 사용합니까 아니면 우회합니까? 구독 때문에 묻습니다.
수제 오케스트레이터를 가진 댓글 작성자는 작업을 청크로 나누고, 의존성 그래프를 만들고, 재귀적 하위 에이전트를 할당하고, 청크당 독립 검토자를 실행하는 실행 에이전트를 특징으로 하며, AgentRun이 무엇을 추가하는지 물었습니다:
그렇다면 당신의 것이 내 것이 할 수 없는 것을 나에게 줄 수 있습니까?
가장 상세한 비판은 노트, 스킬, 메모리로 학습을 영속화하는 것에 대한 네 가지 운영 우려를 열거했습니다:
- 학습이 반드시 적용되도록 어떻게 보장합니까? 1. 학습이 결정적이도록 어떻게 보장합니까? 2. 학습의 적용 결과가 실제로 원하는 것을 산출한다는 것을 어떻게 증명합니까? 3. 학습이 쌓일수록 비용과 지연 시간을 어떻게 관리합니까?
README와 대조해 보면, 이 중 여러 가지는 프로젝트가 이미 지정한 기능에 매핑됩니다: 실행의 첫 번째 메시지와 관련된 노트 검색은 적용 가능성을 다루고, 코드 검사 후 평가 파이프라인과 위험한 규칙에 대한 인간 승인은 정확성을 다루고, 학습된 워크플로에 대한 유지 전 드라이런은 승격된 아티팩트의 결정성을 다루고, 노트당 인덱스 줄이 있는 학습 예산은 인덱스 성장을 다룹니다. README는 노트나 스킬에 대한 결정성 보장을 하지 않으며, 샌드박스 내부의 분리된 프로세스에 대한 지출 상한 적용을 설명하지 않습니다.
스레드는 또한 인접한 논쟁으로 흘러갔습니다
두 공급업체 창립자가 인접한 우려에 대해 논쟁하기 위해 스레드를 사용했습니다. Sourcery의 CEO는 AI 코드 검토를 정밀도-재현율 트레이드오프로 구성하고 재현율 쪽을 택했습니다:
우리는 많은 댓글을 출력하는 것이, 사소한 것이라도, 코딩 에이전트에게 올바른 방법이라고 믿습니다. 왜냐하면 그들은 모든 댓글을 매우 빠르게 분류하고 어떤 것을 처리할지 어떤 것이 관련 없는지 결정할 수 있기 때문입니다.
그는 또한 Greptile의 검토 댓글의 80% 이상이 GitHub에서 처리된다고 주장했으며, Sourcery는 Greptile보다 2배 이상 많은 댓글을 생성하고 논의 중인 예제는 1.6배를 생성한다고 말했습니다. 별도로, Kubit의 CEO는 프로덕션 실행이 컴파일된 워크플로에서 벗어날 때 이를 감지하는 관찰 가능성 질문을 제기했으며, 그의 제품이 모든 스팬에 레이블을 지정한 후 실행 경로별로 실행을 그룹화하여 새 분기가 빠르게 표면화된다고 언급했습니다. SavvyIQ의 댓글 작성자는 약 200개의 정부 등록 통합과 5억 개의 엔티티를 KYB 템플릿의 잠재적 데이터 소스로 제공했습니다. 다른 사람은 구독 기반 PR 검토를 위한 로컬 오케스트레이터를 지적했고, 한 명은 2026년에 팀이 PR 볼륨을 어떻게 처리하는지에 대한 더 넓은 질문을 하며 빌드 출처에 대한 SLSA 증명을 언급했습니다.
이 중 어느 것도 AgentRun의 설계에 핵심이 아니지만, 실무자가 격차를 보는 곳을 나타냅니다: 검토자 정밀도 대 볼륨, 워크플로가 컴파일된 후의 드리프트 감지, 타사 데이터 범위.
프로젝트가 다음에 올 것으로 나열한 것
README의 로드맵은 다음을 명명합니다: 에이전트별이 아닌 호출별로 선택되는 컴퓨터, 자사 컴퓨터, iPhone, macOS 및 Windows 컴퓨터, 브라우저 실행이 이미 허용하는 것처럼 데스크톱 또는 폰 실행을 감시하고 인수, 도구 카탈로그로서의 Composio, Agent Client Protocol을 통한 하네스, Slack 트리거 및 Parallel 모니터 트리거.
AgentRun이 실제로 무엇인지, 한 단락으로
AgentRun은 기존 코딩 에이전트 하네스 주위의 지속적이고 관리되는 런타임으로, 에이전트별 git 저장소에 단일 사실 노트, 재사용 가능한 스킬, 컴파일된 워크플로를 저장하는 영속적 학습 계층을 갖추고 있습니다. 차별화 주장은 학습 제안이 커밋 전에 기계 검사되고 평가되며, 실행이 단일 SQLite 또는 Postgres 저장소를 통해 단계 수준 멱등성으로 서버 재시작을 견디며, 모든 실행이 승인과 지출 상한으로 제한된다는 것입니다. Apache-2.0이며, Parcha Labs, Inc.가 2026년 저작권을 보유하고, Grep.ai가 구축했으며, Earendil Works(MIT)의 pi, Stagehand 및 Browserbase Node SDK, TypeSafe JavaScript SDK, Archil의 디스크 SDK, vercel-labs/durable-harness(Apache-2.0)를 기반으로 합니다.
Sources
관련
- 프로젝트
- 프로젝트
- 프로젝트
- 프로젝트
- Dispatch