greyhaven-ai/autocontext

해결하는 문제

autocontext는 AI 에이전트를 위한 재귀적 자기 개선 하네스를 제공합니다. 평가에 대한 작업 실행, 유용한 교훈 추출, 그리고 막다른 길의 폐기를 자동화하여 에이전트의 불일치 및 실패 문제를 해결함으로써, 향후 에이전트 반복 작업이 주어진 목표에서 더 나은 성능을 발휘하도록 보장합니다.

작동 방식

이 시스템은 루프 형태로 작동합니다. 자연어 목표를 받아 지정된 에이전트 제공자(예: Anthropic, OpenAI 또는 vLLM/Ollama를 통한 로컬 모델)를 사용하여 작업을 실행하고 결과를 평가합니다. 그런 다음 다음 실행을 위한 컨텍스트로 사용되는 산출물(플레이북, 보고서, 데이터셋 등)을 생성합니다.

주요 기술 메커니즘은 다음과 같습니다:

• 결과 게이트 컨텍스트 번들: 변경 불가능한 개선 후보들은 활성화되기 전에 평가를 통해 선별되고 확인됩니다.
• 인과 귀인: 시스템은 절제 기반 귀인을 사용하여 실제로 어떤 특정 컨텍스트 변경이 결과를 개선했는지 결정하여 가치가 낮은 편집이 승격되는 것을 방지합니다.
• 내구성 있는 캠페인: 장기 실행 평가는 중복된 제공자 비용을 피하기 위해 재시작 안전 스케줄링 및 어카운팅으로 관리됩니다.
• 증류: 안정적인 동작은 train 명령을 통해 더 저렴한 Python 런타임으로 증류될 수 있습니다.

대상 독자

수동 프롬프트 엔지니어링을 넘어 에이전트 최적화 및 신뢰성에 대한 체계적이고 증거 기반의 접근 방식을 원하는 에이전트 구축 개발자 및 AI 연구원을 위해 설계되었습니다.

하이라이트

• 다중 제공자 지원: Pi, Anthropic, OpenAI, OpenRouter 및 자체 호스팅 로컬 모델과 호환됩니다.
• 파일 시스템 우선 아키텍처: 모든 추적, 생성 및 지식(플레이북, 힌트)은 쉬운 검사 및 비교를 위해 파일로 저장됩니다.
• MCP 통합: Claude Code 또는 Cursor와 같은 클라이언트에서 사용하기 위해 Model Context Protocol (MCP) 서버로 제공될 수 있습니다.
• 커널 진화: matmul 및 causal-attention 계열과 같은 저수준 작업 최적화를 위한 전문 연구를 지원합니다.
• TUI 및 CLI: 실행 관리 및 모니터링을 위해 커맨드 라인 인터페이스와 터미널 사용자 인터페이스를 모두 제공합니다.