왜 당신의 AI 에이전트 프레임워크는 기본적으로 Hashmap인가 (그리고 나는 Rust Swarm Math로 이를 고쳤다)
Source: Dev.to
데모: 1,000 에이전트, 60 FPS, LLM 호출 0회
우리는 단순히 화면에 점을 움직이는 것이 아닙니다. 이 스웜의 각 에이전트는 Temporal Difference Reinforcement Learning (TD‑RL)과 생물학적 메모리 소멸을 기반으로 한 자체 치유·학습 유닛입니다.
해결되지 않은 8가지 문제
우리는 Ebbforge를 표준 LLM‑중심 아키텍처와 비교하여 실제 지능을 정의하는 8가지 테스트에 적용했습니다.
1. 지능 vs. 해시맵 도전
목표: 탐지를 회피하기 위해 시퀀스에 “패딩”을 추가하는 공격자를 잡아내기.
- 표준 RAG/LLM: 패턴을 놓침 (치명적인 거짓 음성).
- Ebbforge: Longest Common Subsequence (LCS) 수학을 사용해 노이즈가 있어도 위험 구조를 인식. 결과: 차단됨.
2. 그라운드호그 데이 테스트
목표: 단 한 번의 실패에서 학습하고 다시는 반복하지 않기.
- 대다수 에이전트: 루프에 빠져 연속 9번 실패.
- Ebbforge: 한 번의 실패가 지속적인 안전 패턴을 생성. 결과: 이후 9/9 시도 모두 차단.
3. 연쇄 실패 복구
목표: 비행 중에 에이전트의 30 %를 제거하고 스웜이 살아남는지 확인하기.
- 표준 시스템: 상태가 손상되거나 충돌.
- Ebbforge: 300개의 동시 하드 킬을 견디고 자체 치유. 결과: 70 % 완료율 유지.
4. 유기적 카스트 등장
목표: 하드코딩된 규칙 없이 행동 전문가가 자연스럽게 등장하도록 하기.
- 표준 시스템: “전문화된 프롬프트”가 필요.
- Ebbforge: 동일한 에이전트로 시작해 500 틱 후 물리와 보상 압력만으로 “브로커”, “호더”, “중립”으로 자연스럽게 분화.
(다른 네 가지 벤치마크는 저장소에서 확인할 수 있습니다.)
왜 Rust인가?
1,000만 에이전트를 다루려면 Python의 GIL이나 $0.01‑per‑token API 호출에 의존할 수 없습니다. Ebbforge는 다음을 활용합니다:
- AVX2 SIMD를 이용한 물리 계산
- Rayon을 이용한 그리드‑분할 병렬 처리
- Zero‑Copy Memory를 이용한 에이전트 간 통신
한눈에 보기 (TL;DR)
| 도전 과제 | 전통적 아키텍처 | Ebbforge |
|---|---|---|
| 부분 시스템 실패 견디기 | 상태 손상 | 자체 치유 |
| 단일 실패에서 학습하기 | 실수 반복 | 9/9 차단 |
| 트라우마 기억 유지 | 동일한 소멸 | 70 000× 비율 |
| 10 M 에이전트 협업 | O(N) 폭풍 | 공간 파동전선 |
직접 사용해 보기
프로젝트는 GitHub에 사전 컴파일된 바이너리 형태로 공개되어 있습니다. Linux x86_64 머신이면 언제든지 glassmorphism 데모를 로컬에서 실행할 수 있습니다.
GitHub: https://github.com/yourusername/ebbforge
Rust와 AI 연구 커뮤니티의 피드백을 기다립니다. 에이전트 프레임워크가 너무 느리거나 “가짜”라고 느낀 적이 있다면, Ebbforge가 바로 그 해결책입니다.
P.S. Hacker News에 방금 출시했으니, 그곳 토론도 확인해 보세요.