지난 3월 6일, 중국 스타트업 모니카가 출시한 세계 최초의 범용 AI 에이전트 제품인 마누스가 국내 테크 매체와 소셜 네트워크를 통해 큰 화제를 모았습니다. 출시 첫날에는 전체 네트워크에서 초대 코드를 구하기가 어려웠습니다. Xianyu의 초대 코드도 5만 위안이었습니다. 그러나 많은 업계 KOL은 여전히 미리 초대 코드를 받았고, 그 결과 수많은 경험 해석 기사가 쏟아져 나왔습니다.
일반적인 AI 에이전트 제품인 Manus는 보고서 작성, 표 작성 등의 계획부터 실행까지 작업을 자율적으로 완료할 수 있는 역량을 갖추고 있습니다. 단순히 아이디어를 내는 것이 아니라, 독립적으로 생각하고 실행에 옮깁니다. 강력한 독립적인 사고력, 계획 및 복잡한 업무 실행 능력을 바탕으로 완벽한 결과를 직접 제공하며, 전례 없는 다재다능함과 실행 역량을 보여줍니다.
마누스의 인기는 업계 내에서 주목을 받았을 뿐만 아니라, 다양한 AI 에이전트 개발을 위한 귀중한 제품 아이디어와 디자인 영감을 제공했습니다. AI 기술의 급속한 발전에 따라 인공지능 분야의 중요한 분야인 AI 에이전트는 점차 개념에서 현실로 옮겨가고 있으며, Web3 산업을 포함한 모든 분야에서 큰 응용 잠재력을 보여주고 있습니다.
배경
AI 에이전트 또는 인공지능 에이전트는 환경, 입력 및 미리 정의된 목표에 따라 자율적으로 결정을 내리고 작업을 수행할 수 있는 컴퓨터 프로그램입니다. AI 에이전트의 핵심 구성 요소에는 정보를 처리하고, 상호 작용으로부터 학습하고, 결정을 내리고, 작업을 수행할 수 있게 해주는 두뇌 역할을 하는 대규모 언어 모델(LLM)이 포함됩니다. 환경을 인지할 수 있게 해주는 관찰 및 인지 메커니즘 관찰과 기억 내용을 분석하고 가능한 조치를 고려하는 추론적 사고 과정 사고와 관찰에 대한 명확한 반응으로서의 행동 실행 그리고 학습에 사용하기 위해 과거 경험을 저장하는 기억과 검색 기능도 있습니다.
AI Agent의 디자인 패턴은 ReAct에서 시작하며 두 가지 개발 경로가 있습니다. 하나는 REWOO, Plan Execute, LLM Compiler를 포함하여 AI Agent의 계획 능력에 더 중점을 둡니다. 다른 하나는 기본 반성, 반성, 자기 발견, LATS를 포함한 반성 능력에 더 중점을 둡니다.
그 중 ReAct 모드는 가장 초기의 AI 에이전트 설계 모드로 현재 가장 널리 사용되고 있으므로, 이 글에서는 주로 ReAct의 개념을 소개합니다. ReAct는 언어 모델에서 추론과 행동을 결합하여 다양한 언어 추론 및 의사 결정 과제를 해결하는 방법입니다. 그 전형적인 과정은 아래 그림에 나타나 있으며, 생각→행동→관찰이라는 흥미로운 순환으로 설명할 수 있습니다. 이를 TAO 순환이라고 합니다.
생각하기: 문제에 직면했을 때, 우리는 깊이 생각해야 합니다. 이러한 사고 과정은 문제를 정의하고 문제를 해결하는 데 필요한 핵심 정보와 추론 단계를 결정하는 방법에 대한 것입니다.
실행: 생각의 방향을 결정한 후 다음 단계는 실행입니다. 우리는 사고방식을 바탕으로 문제를 해결하기 위해 해당 조치를 취하거나 특정 작업을 수행합니다.
관찰: 행동을 취한 후에는 결과를 주의 깊게 관찰해야 합니다. 이 단계는 우리의 행동이 효과적인지, 그리고 문제에 대한 답에 가까운지 테스트하는 것입니다.
루프 반복
AI 에이전트는 지능형 에이전트의 수에 따라 단일 에이전트와 다중 에이전트로 나눌 수 있습니다. Single Agent의 핵심은 LLM과 도구 간의 조정에 있으며, 작업을 완료하는 과정에서 Agent는 사용자와 여러 차례 상호 작용할 수 있습니다. 멀티 에이전트는 각 에이전트에게 다양한 역할을 할당하고 에이전트 간의 협업을 통해 복잡한 작업을 완료합니다. 하지만 Single Agent에 비해 작업을 완료하는 과정에서 사용자와의 상호 작용이 적습니다. 현재 대부분의 프레임워크는 단일 에이전트 시나리오에 초점을 맞추고 있습니다.
모델 컨텍스트 프로토콜(MCP)은 Anthropic이 2024년 11월 25일에 출시한 오픈 소스 프로토콜로, LLM과 외부 데이터 소스 간의 연결 및 상호 작용 문제를 해결하는 것을 목표로 합니다. LLM은 운영체제에 비유할 수 있고, MCP는 USB 인터페이스에 비유할 수 있습니다. USB 인터페이스는 외부 데이터와 도구를 유연하게 삽입할 수 있는 기능을 지원하며, 사용자는 이러한 외부 데이터와 도구를 읽고 사용할 수 있습니다.
MCP는 LLM을 확장하기 위한 세 가지 기능을 제공합니다. 리소스(지식 확장), 도구(함수 실행, 외부 시스템 호출), 프롬프트(사전 작성된 프롬프트 템플릿)입니다. MCP 프로토콜은 클라이언트-서버 아키텍처를 채택하고, 기본 전송에는 JSON-RPC 프로토콜이 사용됩니다. 누구나 MCP 서버를 개발하고 호스팅할 수 있으며, 언제든지 서비스를 종료할 수 있습니다.
Web3의 AI 에이전트의 현재 상태
Web3업계에서 AI Agent의 인기는 올해 1월 정점을 찍은 후 크게 떨어졌고, 전체 시장 가치는 90% 이상 줄었습니다. 현재 가장 인기 있고 시가총액이 큰 Web3 탐색은 여전히 AI Agent 프레임워크, 즉 Virtuals Protocol로 대표되는 출시 플랫폼 모델, ElizaOS로 대표되는 DAO 모델 및 Swarms로 대표되는 상업적 회사 모델을 중심으로 이루어지고 있습니다.
런칭 플랫폼은 Meme의 pump.fun과 비슷하지만 AI 에이전트를 위한 플랫폼으로, 사용자가 AI 에이전트를 만들고, 배포하고, 수익을 창출할 수 있는 플랫폼입니다. Virtuals Protocol은 현재 가장 큰 출시 플랫폼으로, 10만 개 이상의 에이전트가 발행되었습니다. 인기 있는 암호화폐 KOL AIXBT는 Virtuals를 기반으로 만들어졌습니다. Virtuals Protocol에는 GAME이라는 모듈식 에이전트 프레임워크가 포함되어 있습니다. GAME의 핵심 포지셔닝은 개발자에게 효율적이고 개방적인 프레임워크를 제공하여 AI 에이전트의 개발과 출시를 WordPress 웹사이트를 구축하는 것만큼 쉽게 만드는 것입니다.
DAO는 Decentralized Autonomous Organization의 약자입니다. ElizaOS(이전 명칭 ai16z)는 @shawmakesmagic이 daos.fun 플랫폼에서 설립했습니다. 원래 아이디어는 AI 모델을 사용하여 유명 벤처 캐피털 회사인 a16z와 공동 창립자 마크 앤드레슨의 투자 결정을 시뮬레이션하고 DAO 회원의 조언에 따라 투자하는 것이었습니다. 나중에는 Eliza 프레임워크를 핵심으로 하는 AI 에이전트 개발자를 위한 DAO로 발전했습니다. TypeScript로 구축된 Eliza 프레임워크는 일관된 개성과 지식을 유지하면서 여러 플랫폼에서 상호 작용할 수 있는 AI 에이전트를 개발하기 위한 유연하고 확장 가능한 플랫폼을 제공합니다.
Swarms는 20세의 @KyeGomezB가 2022년에 시작한 기업 수준의 멀티 에이전트 프레임워크입니다. Swarms는 지능적인 오케스트레이션과 효율적인 협업을 통해 여러 AI 에이전트가 팀처럼 협력하여 복잡한 비즈니스 운영 요구 사항을 해결할 수 있도록 지원합니다. 처음에 Swarms는 단지 Web2 AI 에이전트 프로젝트였습니다. 설립자에 따르면, Swarms는 프로덕션 환경에서 4,500만 개 이상의 에이전트를 운영하고 있으며, 세계 최대 규모의 금융, 보험, 의료 기관에 서비스를 제공하고 있습니다. 2024년 12월에 토큰 $SWARMS를 발행한 후 공식적으로 Web2에서 Web3로 전환할 예정입니다.
경제 모델 관점에서만 보면 현재는 발사 플랫폼만이 자립적인 폐쇄형 경제 루프를 달성할 수 있습니다. 예를 들어 Virtuals를 살펴보자.
에이전트 생성: 생성자는 Virtuals 플랫폼에서 새로운 AI 에이전트를 시작합니다.
본딩 곡선 설정: 생성자가 100개의 $VIRTUAL 토큰을 지불하면, 새로 중개된 토큰에 대한 본딩 곡선이 생성되고 $VIRTUAL과 페어링됩니다.
유동성 풀 생성: 본딩 커브 한도에 도달하면 프록시가 졸업하고 프록시 토큰이 $VIRTUAL 토큰과 페어링되는 유동성 풀을 생성합니다. 이는 내부자가 없는 공정한 출시 원칙을 준수합니다. 사전 채굴이나 내부 할당이 없고, 총 공급량이 고정되며, 장기간 유동성이 잠금됩니다.
Virtuals는 AI Agent 출시 수수료를 청구하는 것 외에도 에이전트 토큰의 각 거래에 대한 거래 수수료와 Virtuals API를 통해 LLM에 액세스하는 AI Agent에 대한 추론 수수료를 청구합니다. 현재 ElizaOS와 Swarms는 자체적인 출시 플랫폼을 구축할 계획입니다.
물론, 발사 플랫폼에도 문제가 있습니다. 이러한 유형의 자산 발행은 긍정적인 추진력을 형성하기 위해 발행된 자산 자체가 매력적이어야 합니다. 현재 출시된 대부분의 AI 에이전트는 본질적으로 밈(meme) 수준이며, 내재적 가치를 지원하지 않습니다. 일단 시장의 관심을 잃으면 금세 0으로 돌아가게 됩니다. 현재의 냉정한 시장 환경에서는 런칭 플랫폼이 크리에이터를 유치하는 것조차 불가능해 경제 모델이 본질적으로 작동하지 않습니다.
MCP의 Web3 탐색
MCP의 등장으로 현재 Web3 AI 에이전트에 대한 새로운 탐색 방향이 제시되었습니다. 가장 직관적인 방향은 다음과 같습니다.
블록체인 네트워크에 MCP 서버를 배치하여 MCP 서버의 단일 지점 문제를 해결하고 검열 저항성을 제공합니다.
MCP 서버는 DeFi 거래 및 관리 등 블록체인과 상호작용하는 기능을 갖추고 있어 기술적 한계를 낮춥니다.
첫 번째 방향은 기반 블록체인의 저장 시스템, 데이터 관리 기능 및 비동기 컴퓨팅 기능에 대한 요구 사항이 매우 높으며, 0G와 같은 블록체인을 선택할 수 있습니다. 0G는 AI dapp에 적합한 확장 가능하고 프로그래밍 가능한 DA 계층을 갖춘 모듈형 AI 블록체인입니다. 모듈식 기술을 통해 보안을 보장하고, 단편화를 제거하고, 연결성을 극대화하여 분산형 AI 생태계를 구축하는 동시에 체인 간의 원활한 상호 운용성을 구현할 수 있습니다.
두 번째 방향은 DeFAI의 변형과 비슷하지만 현재 DeFAI의 백엔드는 그 자체로 캡슐화된 함수 호출의 일련의 도구입니다. UnifAI는 바퀴를 다시 발명하지 않기 위해 통합된 DeFAI MCP 서버를 만듭니다. UnifAI는 자율 AI 에이전트가 Web3 생태계에서 온체인 및 오프체인 작업을 수행할 수 있도록 하는 플랫폼입니다. 여기에는 작업 자동화를 위한 UniQ, 브로커 서비스 마켓플레이스, 도구 검색을 위한 인프라가 포함됩니다.
위의 두 가지 방향 외에도 LXDAO와 ETHPanda의 창립자인 @brucexu_eth는 이더리움을 기반으로 한 OpenMCP.Network 생성자 인센티브 네트워크를 구축하는 계획을 제안했습니다. MCP 서버는 안정적인 서비스를 호스팅하고 제공해야 합니다. 사용자는 LLM 제공자에게 비용을 지불하고, LLM 제공자는 네트워크를 통해 호출된 MCP 서버에 실제 인센티브를 분배하여 전체 네트워크의 지속 가능성과 안정성을 유지하고 MCP 제작자가 계속해서 고품질 콘텐츠를 제작하고 제공하도록 영감을 제공합니다. 이 네트워크에서는 스마트 계약을 사용하여 인센티브를 자동화하고, 투명하고, 신뢰할 수 있고, 검열이 불가능하도록 해야 합니다. 운영 중 서명, 권한 검증, 개인 정보 보호는 모두 이더리움 지갑과 ZK와 같은 기술을 사용하여 달성할 수 있습니다.
이론상으로는 MCP와 Web3를 결합하면 분산형 신뢰 메커니즘과 경제적 인센티브 계층을 AI 에이전트 애플리케이션에 주입할 수 있지만, 현재의 제로 지식 증명(ZKP) 기술은 여전히 에이전트 동작의 진위성을 검증하기 어렵고, 분산형 네트워크는 여전히 효율성 문제가 있습니다. 이는 단기적으로 성공적인 해결책이 아닙니다.
요약하다
Manus의 출시는 일반 AI Agent 제품에 있어서 중요한 이정표를 의미합니다. Web3 세계에도 Web3가 실용성이 없고 단지 과대광고일 뿐이라는 외부 세계의 의심을 깨줄 획기적인 제품이 필요합니다.
MCP의 등장으로 Web3 AI Agent에 대한 새로운 탐색 방향이 제시되었는데, 여기에는 MCP 서버를 블록체인 네트워크에 배포하거나, MCP 서버와 블록체인의 상호작용을 활성화하거나, MCP 서버 생성자 인센티브 네트워크를 구축하는 것이 포함됩니다.
AI는 역사상 가장 위대한 이야기이다. Web3의 경우 AI와의 통합은 불가피합니다. 우리는 아직도 인내심과 자신감을 갖고 계속해서 탐험해야 합니다.
이 글은 ZAN Team (X 계정 @zan_team )의 pignard.eth (X 계정 @pignard_web3 )가 작성했습니다.
참고: 본 문서는 기술적 공유를 위한 것일 뿐, 어떠한 권장이나 제안을 구성하지 않습니다.
