lajosdeme/mole

해결하는 문제

mole는 AI 기반 연구에서 흔히 발생하는 문제들을 해결하기 위해 설계된 딥리서치 에이전트입니다. 통제되지 않은 API 비용, 근거 없는 주장(허구), 그리고 로컬 데이터 분석 시 발생하는 개인정보 위험입니다. 이 에이전트는 연구 보고서에서 제시되는 모든 주장이 출처에서 정확히 인용된 문장에 기반하고 있으며, 연구 실행의 총 비용이 사용자가 정의한 예산을 초과하지 않도록 보장합니다.

작동 방식

에이전트는 구조화된 파이프라인을 따릅니다. 질문을 하위 질문으로 분해하고, 자료를 검색하며, 주장들을 추출하고, 원본 텍스트와 비교하여 검증합니다. 주장 그래프를 사용해 모순을 조정하고, 인용을 포함한 최종 답변을 합성합니다.

주요 기능은 다음과 같습니다:

• 예산 강제: 모든 모델 호출은 실행 전에 원장에 예약되고, 실행 후 정산되며, 지출의 하드한 상한선을 보장합니다.
• 검증: 지원하는 인용문이 소스 페이지에 정확히 동일하게 나타나지 않으면 주장은 폐기됩니다.
• 개인정보 보호 경계: 로컬 데이터(CSV, JSON 등)에 대해 모델은 템플릿과 컬럼 이름만 선택하고, mole이 로컬에서 SQL을 렌더링하고 실행하며, 모델에 반환되는 것은 집계값(건수, 평균 등)뿐입니다. 따라서 원시 행 데이터는 기계를 떠나지 않습니다.
• MCP 통합: 독립형 에이전트로 실행 가능하거나, Model Context Protocol (MCP)를 통해 "툴킷 모드"로 작동 가능하여, 다른 코딩 에이전트가 결정론적 도구를 연구 및 데이터 분석에 사용할 수 있습니다.

대상 사용자

엄격한 비용 통제와 로컬 데이터셋 분석 시 개인정보를 보호하면서도, 높은 정밀도와 검증 가능한 AI 연구가 필요한 연구자, 개발자, 분석가.

주요 특징

• 하드한 예산 상한선: 지출 제한을 0% 초과하지 않습니다.
• 정확한 인용 검증: 모든 주장은 원본과 비교되어 허구를 제거합니다.
• 개인정보 보호형 로컬 분석: 데이터 위에서 로컬에서 SQL을 실행하고, LLM에 전달되는 것은 집계값뿐입니다.
• MCP 지원: 다른 에이전트에 의해 제어되거나, 연구 도구 세트로 작동할 수 있습니다.
• 학술 통합: Crossref, OpenAlex, arXiv, PubMed에 대한 전용 액터 제공.
• 데이터셋 모드: 연구 결과를 단순한 글이 아닌 구조화된 데이터셋으로 생성할 수 있습니다.