🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Open Researcher는 정해진 워크플로를 늘리는 대신 Anthropic의 interleaved thinking과 Firecrawl 웹 데이터 도구를 결합해 연구 과정에서 AI가 스스로 다음 행동을 판단하도록 만든 오픈소스 연구 에이전트다.

📌 핵심 요약

• Firecrawl 팀은 상태 머신, 워크플로 엔진, 의사결정 트리 기반 연구 에이전트가 예측 가능한 작업에는 괜찮지만, 실제 연구 질문처럼 흐름이 불규칙한 문제에서는 쉽게 한계에 부딪힌다고 설명한다.
• Anthropic의 interleaved thinking은 AI가 도구를 실행하기 전 사이사이에 보이는 사고 블록을 삽입해, 무엇을 왜 해야 하는지 단계별로 판단하게 하는 방식으로 소개된다.
• Open Researcher는 Anthropic의 interleaved thinking, Firecrawl의 웹 데이터 추출, 기본 검색 기능만을 결합하며, 별도의 복잡한 오케스트레이션 계층 없이 AI의 추론이 도구 사용을 이끈다.
• 실험 사례에서는 기술 문서 조사, 회사 조사, API 조사처럼 출처 확인과 교차 검증이 필요한 작업에서 에이전트가 검색어를 고치거나 공식 블로그를 직접 확인하는 식으로 스스로 경로를 수정했다.
• 글은 이 방식이 모든 워크플로를 대체하지는 않지만, 연구와 탐색처럼 예측하기 어려운 작업에서는 오케스트레이션 복잡도를 줄이면서도 엣지 케이스 대응력을 높일 수 있다고 결론짓는다.

🧩 주요 포인트

1. Firecrawl 팀은 상태 머신, 워크플로 엔진, 의사결정 트리 기반 연구 에이전트가 예측 가능한 작업에는 괜찮지만, 실제 연구 질문처럼 흐름이 불규칙한 문제에서는 쉽게 한계에 부딪힌다고 설명한다.
2. Anthropic의 interleaved thinking은 AI가 도구를 실행하기 전 사이사이에 보이는 사고 블록을 삽입해, 무엇을 왜 해야 하는지 단계별로 판단하게 하는 방식으로 소개된다.
3. Open Researcher는 Anthropic의 interleaved thinking, Firecrawl의 웹 데이터 추출, 기본 검색 기능만을 결합하며, 별도의 복잡한 오케스트레이션 계층 없이 AI의 추론이 도구 사용을 이끈다.
4. 실험 사례에서는 기술 문서 조사, 회사 조사, API 조사처럼 출처 확인과 교차 검증이 필요한 작업에서 에이전트가 검색어를 고치거나 공식 블로그를 직접 확인하는 식으로 스스로 경로를 수정했다.
5. 글은 이 방식이 모든 워크플로를 대체하지는 않지만, 연구와 탐색처럼 예측하기 어려운 작업에서는 오케스트레이션 복잡도를 줄이면서도 엣지 케이스 대응력을 높일 수 있다고 결론짓는다.

🧠 상세 정리

1. 기존 연구 에이전트 오케스트레이션의 한계

글은 Firecrawl 팀이 연구 에이전트를 오랫동안 만들어 오며 겪은 한계에서 출발합니다. 기존에는 상태 머신, 워크플로 엔진, 의사결정 트리 같은 방식으로 작업 흐름을 미리 설계했지만, 연구 질문은 예측 가능한 순서로만 흘러가지 않았습니다. 검색, 추출, 요약처럼 정해진 패턴은 단순한 업무에는 잘 맞았지만, 사용자가 복잡한 질문을 던지면 실패하거나 비효율적인 경로를 탔습니다. 분기를 계속 추가하면 유연해지기보다 시스템이 더 취약해졌다는 점이 핵심 문제로 제시됩니다. 따라서 글의 출발점은 더 많은 규칙을 쌓는 것이 아니라, 연구 중 필요한 판단을 에이전트가 직접 하게 만들 수 있는지에 있습니다.

2. Interleaved thinking이 제시한 다른 접근

저자는 Anthropic의 interleaved thinking을 기존 방식과 다른 핵심 변화로 소개합니다. 이 기능은 AI가 행동 사이에 생각 블록을 넣어 다음에 무엇을 해야 하는지 드러내는 방식이며, 글에서는 이것이 숨겨진 추론이 아니라 실제로 보이는 사고 과정이라고 설명합니다. 예시에서 에이전트는 firecrawl.dev의 세 번째 블로그 글을 찾기 위해 먼저 블로그 목록을 확인해야 한다고 판단하고, 검색 후에는 정렬을 확인하기 위해 인덱스 페이지를 스크랩해야겠다고 계획합니다. 중요한 점은 개발자가 모든 가능한 경로를 미리 정의하지 않아도, 에이전트가 작업 전 단계마다 필요한 다음 행동을 추론한다는 것입니다. 이 사고 블록은 에이전트의 결정 과정을 추적하고 디버깅하는 데도 의미가 있습니다.

3. Open Researcher의 구성과 단순한 구조

Open Researcher는 의도적으로 단순한 구성으로 설명됩니다. 구성 요소는 Anthropic의 interleaved thinking을 통한 추론, Firecrawl을 통한 웹 데이터 추출, 기본 검색 기능이며, 글은 여기에 복잡한 오케스트레이션 계층이 없다고 강조합니다. 핵심은 특정 순서를 강제하는 엔진이 아니라, AI가 자신의 판단에 따라 어떤 도구를 언제 사용할지 결정하는 데 있습니다. 예시에서는 최신 React 기능을 찾다가 2023년 결과가 나오자 검색어에 2024를 추가해야겠다고 판단하고, 결과가 충돌하자 공식 React 블로그를 직접 확인하겠다고 수정합니다. 이처럼 구조의 단순함은 기능 부족이 아니라, 복잡성을 사전에 설계한 규칙이 아니라 실행 중 추론으로 넘기는 선택으로 제시됩니다.

4. 실제 연구 작업에서의 성능과 자기 수정

글은 Open Researcher를 여러 연구 작업에 테스트했다고 밝히며, 대표 영역으로 기술 문서 조사, 회사 조사, API 조사를 듭니다. 기술 문서 조사에서는 에이전트가 어떤 문서를 확인해야 할지 정하고, 오래된 정보를 식별하며, 여러 출처를 명시적 지시 없이 교차 확인한다고 설명합니다. 회사 조사에서는 팀 정보를 찾기 위한 자체 전략을 세우고, 필요할 때 회사 페이지나 LinkedIn 같은 여러 출처를 살펴봅니다. API 조사에서는 인증 요구사항을 추론하고, 예제 코드를 찾고, 문서에서 빠진 부분을 파악합니다. 저자는 이 방식이 완벽하지는 않아서 때로는 불필요하게 긴 경로를 택하거나 사고 과정이 장황해질 수 있지만, 기존 워크플로라면 깨졌을 엣지 케이스를 처리한다고 평가합니다.

5. 오픈소스 코드와 디버깅 가능성

Open Researcher는 오픈소스로 공개되어 있으며, 글은 GitHub 저장소를 클론해 직접 연구 문제에 적용해 보라고 안내합니다. 저자는 핵심 로직이 놀라울 정도로 단순하다고 말하며, 복잡성의 상당 부분이 코드가 아니라 AI의 추론 과정에서 처리된다고 설명합니다. 이는 전통적인 에이전트 구현처럼 수많은 조건문과 분기 경로를 코드에 담기보다, 에이전트가 상황을 해석하고 도구 사용 순서를 정하게 하는 방향입니다. 또한 사고 블록이 보이기 때문에, 문제가 생겼을 때 에이전트가 왜 그런 결정을 내렸는지 확인하기 쉽다고 강조합니다. 코드 자체의 단순함과 의사결정 과정의 가시성이 이 프로젝트의 실용적 장점으로 제시됩니다.

6. 저자가 얻은 교훈과 적용 범위

마지막으로 글은 AI에게 도구 사용을 추론하게 하면 오케스트레이션 복잡성을 크게 줄일 수 있다고 정리합니다. 모든 경로를 사람이 미리 예측하려고 하기보다, AI가 상황에 맞는 경로를 찾도록 맡기는 것이 연구와 탐색 작업에서는 효과적이었다는 주장입니다. 다만 저자는 이 접근이 모든 워크플로를 대체하지는 않는다고 선을 긋습니다. 예측 가능하고 대량으로 반복되는 작업에는 여전히 전통적인 오케스트레이션이 이점이 있다고 말합니다. 반대로 질문의 형태가 다양하고 출처 확인, 검색 전략 변경, 상충 정보 검토가 필요한 연구형 작업에서는 thinking 기반 에이전트가 예상보다 효과적이었다고 결론 내립니다.

🧾 핵심 주장 / 시사점

• 복잡한 연구형 작업에서는 분기와 규칙을 계속 추가하는 방식보다, 에이전트가 중간 판단을 드러내며 도구 사용을 조정하는 방식이 더 유연할 수 있다.
• Open Researcher의 핵심 가치는 많은 기능을 붙인 데 있지 않고, 검색과 웹 추출이라는 제한된 도구를 AI의 단계별 추론과 결합해 자기 수정이 가능하게 만든 데 있다.
• 이 접근은 예측 가능한 반복 작업보다 기술 문서 조사, 회사 조사, API 조사처럼 정보가 흩어져 있고 검증 경로가 매번 달라지는 탐색 작업에 더 적합하다.

✅ 액션 아이템

• Open Researcher는 상태 머신·워크플로 방식이 약한 불규칙 연구 질문에서 우위가 있는지 탐색형 과제에 적용 범위를 정한다.
• Anthropic의 interleaved thinking을 적용해 검색어 수정과 공식 블로그 직접 확인을 포함한 출처 교차검증 동작을 실행 단위별로 점검한다.
• Open Researcher 구성요소를 Anthropic interleaved thinking, Firecrawl 웹 추출, 기본 검색으로 한정해 오케스트레이션 복잡도 감소 효과를 실험으로 검증한다.

❓ 열린 질문

• 예측 가능한 작업과 연구 질문처럼 흐름이 불규칙한 작업은 어떤 정량 기준으로 구분하는 것이 적절한가?
• 검색어를 갱신하거나 공식 블로그로 되돌아가는 경로 수정이 성능적으로 유효한지 판단할 지표는 무엇인가?
• 모든 워크플로를 대체하지 못할 때 어떤 과제 유형에서 기존 상태 머신·워크플로 방식이 반드시 유지되어야 하는가?