CoworkOS: 실제 업무 자동화를 위한 에이전트 동료 하네스

문제

소프트웨어·문서·디자인을 만드는 생산성 업무에는 두 가지가 동시에 필요하다. 복잡한 산출물을 높은 품질로 완성하는 능력과, 며칠씩 이어지는 학습이나 프로젝트를 지켜보며 판단을 이어 가는 능력이다. 이 둘을 사람이 개입할 수 있는 형태로 함께 지원하는 하네스는 아직 부족하다.

방법

CoworkOS는 3계층 구조다. Main Agent는 전체 계획과 최종 결과물 검수를 맡는다. Coordinator Runtime은 하위 작업 배분, 생명주기 추적, 결과 전달을 영속 상태로 관리한다. Subagent는 격리된 컨텍스트에서 위임받은 작업을 수행한다. 위임은 동기·비동기 모두 가능하고, 비동기 결과는 Main의 Inbox에 쌓였다가 다음 결정 시점에 반영된다. 문서 편집기·PPTist·CAD·Blender 같은 공유 애플리케이션 계층에서는 사람과 에이전트가 같은 산출물을 직접 보고 고칠 수 있다. 계층형 작업 공간, 영속 의미 메모리, 상태와 로그를 남기는 Job 덕분에 중단된 작업을 이어서 할 수 있다.

결과

• 저자들은 12개 벤치마크와 6개 범주의 실제 응용(웹 프론트엔드, 게임, 오피스 프레젠테이션, 인터랙티브 시각화, CAD, Blender 렌더링)에서 Codex·DeepSeek Harness·OpenHands 같은 주요 에이전트 하네스와 경쟁력 있는 성능을 보였다고 보고했다.
• GLM-5.3을 기반 모델로 쓴 CoworkOS가 Qwen3.6-35B-A3B의 자동 사후 학습을 다섯 라운드 수행했다. 8개 벤치마크 평균은 33.19에서 42.95로 9.76점 올랐다.
• 이 RSI(재귀적 자기 개선) 사례에서 CoworkOS는 약점 분석, 데이터 파이프라인 최적화, 데이터 합성·검증, 학습 모니터링과 로그 관리를 자동으로 반복했다.

한계

제공된 본문 범위에서는 12개 벤치마크의 세부 점수와 비교 조건을 확인할 수 없다. 자동 사후 학습 사례는 기반 모델 하나(GLM-5.3)와 대상 모델 하나(Qwen3.6-35B-A3B)에 대한 다섯 라운드 결과뿐이다. 사람 참여의 효과를 정량적으로 평가했는지도 이 범위에서는 확인되지 않는다.

의미

코딩 에이전트를 넘어 문서·3D·장기 모니터링까지 맡기려는 조직에 실무적인 설계를 보여 준다. 컨텍스트를 나눠 Subagent에 위임하는 방식, 영속 상태와 Job 로그, 사람이 산출물을 직접 고치는 협업 방식이 그 예다. 에이전트가 모델 학습 자체를 자동화하는 사례도 함께 보여 준다.

핵심 용어

에이전트 하네스

모델 주변에서 도구 호출, 상태·컨텍스트 관리, 실행 피드백을 맡아 모델의 추론을 실제 행동으로 바꿔 주는 런타임이다.

Coordinator Runtime

Main Agent와 Subagent 사이에서 작업 배정, 실행 상태, 결과 전달을 영속 상태로 관리하는 제어 계층이다. 중단 후에도 작업을 이어 갈 수 있게 한다.

RSI(Recursive Self-Improvement)

시스템이 약점을 분석하고 개선안을 실행한 뒤, 그 결과를 다음 개선에 반영하는 과정을 반복하는 것이다.

원문

• arXiv 초록
• PDF
• HTML 본문
• 코드
• 프로젝트
• Hugging Face

저자: Jiajie Jin, Guanting Dong, Chengjun Pan, Xin Deng, Zhuohui Sheng, Guoqiang Wang, Tao Gui, Yutao Zhu, 외 · 게시 2026-11-02 · 라이선스 CC BY-NC-SA 4.0 · 본문 기준 분석

이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.