스스로 진화하는 에이전트 프레임워크 'Raven' 공개, 4일 만에 FPS 게임 완성

Raven은 여러 전문 AI 에이전트를 총괄 지휘하는 오픈소스 메타 에이전트 오케스트레이션 프레임워크입니다. 스스로 모든 작업을 직접 처리하기보다는 작업을 세부 단위로 나누고, 내장 및 외부 에이전트들에 역할을 분배하며 최종 검수까지 수행하는 일종의 현장 소장 역할을 맡습니다.

가장 눈에 띄는 사례는 사람의 단일 요구사항에서 출발해 약 4일간 스스로 작동하며 만들어 낸 프로젝트입니다. 42회에 걸친 기획, 개발, 검증 과정을 거쳐 Godot 4 기반의 아레나 보스전 FPS 게임을 완성했습니다. 게임 본체뿐 아니라 홍보용 포스터, 발표용 PPT, 공식 웹사이트까지 모두 자체 제작했습니다.

어떤 일을 할 수 있나

소프트웨어 개발 외에도 연구 및 공학 시뮬레이션에서 뛰어난 장기 작업 수행력을 보여줍니다. 소형 언어 모델 nanochat 사전 학습 실험에서는 단일 GPU 20분 제한 조건 아래 7라운드 동안 총 172회의 학습을 단 한 번의 중단 없이 완주했고, val_bpb 수치를 5.8% 낮췄습니다. 유체 시뮬레이션에서는 댐 붕괴 오차를 세 자릿수 규모로 줄이기도 했습니다. 심지어 프로젝트 자체의 README와 16장짜리 소개 슬라이드, 웹 기반 미니 게임까지 시스템이 직접 산출했습니다.

기본적으로 심층 조사를 위한 Raven-Research, 코드 개발용 Raven-Code, 시각 디자인을 맡는 Raven-Design, 무인 장기 파이프라인을 운영하는 Raven-Oncall의 4가지 내장 에이전트를 탑재했습니다. 아울러 Claude Code, Codex, Kimi Code 등 13종의 외부 에이전트를 ACP나 CLI, OpenAI 호환 규격으로 연결해 협업시킬 수 있습니다.

스스로 개선하는 구체적 원리

Raven의 재귀적 자가 개선은 모델의 가중치를 바꾸는 대신 에이전트의 실행 환경인 하네스를 최적화하는 방식을 취합니다. 에이전트 루프를 기억 범위, 계획 방식, 도구 노출, 행동 전 판단이라는 4개 모듈로 나눈 뒤 작동 방식을 갱신합니다.

Curator 모듈이 각 단계의 설정과 판단 로직 개선안을 지속적으로 제안합니다. 핵심은 평가 기준을 시스템이 임의로 조작할 수 없도록 고정해 두었다는 점입니다. 정답이 가려진 벤치마크 테스트에서 기존 성능을 명백히 뛰어넘은 변경안만 실제 환경에 반영됩니다. 이러한 개선 경험은 EverOS 장기 기억 엔진과 11만 개 이상의 기술 라이브러리에 누적되어 보존됩니다.

설치 및 실행 방법

설치 과정은 간단합니다. 공식 원라인 스크립트를 통해 Linux, macOS, WSL2 환경에서는 curl 명령어로, Windows 환경에서는 PowerShell 명령어로 빠르게 설치할 수 있습니다. 도커 환경을 선호한다면 리포지토리를 복제한 뒤 docker compose up 명령을 실행해 18793 포트로 접속하면 됩니다.

설치 후 터미널에 raven web을 입력하면 브라우저 기반 WebUI가 열립니다. 대시보드에서 새로운 작업 생성, 연동된 하위 에이전트 관리, 장기 기억 및 스킬 브라우징, 생성된 파일 확인 등을 손쉽게 처리할 수 있습니다.

왜 중요한가

기본 모델을 재학습하는 막대한 비용 없이, 에이전트의 운영 전략과 도구 체계만으로 자가 진화를 구현했다는 점에서 매우 영리한 접근입니다. 밤샘 코드 리팩터링이나 장시간 데이터 과학 실험을 자동화하려는 엔지니어라면 지금 당장 검토해 볼 가치가 충분합니다.

또한 에이전트가 스스로 프로세스를 개선하기 시작하면 단순 프롬프트의 가치는 급격히 낮아집니다. 앞으로의 기술적 우위는 무엇이 올바른 결과물인지 명확히 판정할 수 있는 조작 불가능한 평가 기준을 설계하는 역량에 달려 있음을 보여줍니다.