Automata V.29 | 📚 기술 서적을 AI의 업무 지식으로 바꾸는 법

🔥 3주 만에 또 업그레이드? 구글의 제미나이 3.7 플래시 등장

구글이 2026년 8월 14일, 제미나이 3.6 플래시를 출시한 지 불과 3주 만에 새로운 주력 모델인 제미나이 3.7 플래시(Gemini 3.7 Flash)를 공개했어요. 구글은 이번 모델을 "코딩과 에이전트 작업을 위한 역대 가장 스마트한 주력 모델"이라고 소개하며 알고리즘 개선과 개발자 피드백을 반영했다고 설명했어요.

숫자로 보는 성능 향상

3.7 플래시는 코딩과 에이전트 자동화 관련 지표가 이전 버전보다 크게 올랐어요.

주요 벤치마크 성과를 정리하면 다음과 같아요:

에이전트 시대를 겨냥한 두 가지 전략

구글이 이번 발표에서 강조한 포인트는 크게 두 가지예요.

첫째는 개발자 경험(DX) 향상이에요. 3.7 플래시는 지시사항을 더 정교하게 따르고, 다단계 계획 수립과 툴 호출(tool calls)에 더 많은 추론을 사용해요. 구글은 이 변화가 엔지니어링 워크플로우의 수동 개입과 재시도 횟수를 줄여, 에이전트를 실제 서비스에 운영하는 팀의 비용 절감으로 이어질 수 있다고 설명해요.

둘째는 가격 전략이에요. 2026년 연말까지 프로모션 가격으로 입력 토큰 100만 개당 0.75달러, 출력 토큰 100만 개당 3.75달러로 제공돼요. 이는 기존 3.6 플래시의 절반 수준 가격이에요. 2027년 1월 1일부터는 각각 1.50달러, 7.50달러로 조정돼요. 비용을 비교하며 에이전트 확장을 시험해 보기에는 유리한 기간이에요.

제미나이 스파크, 일상 에이전트로 한 걸음 더

이번 모델 업데이트와 함께 구글의 개인용 AI 에이전트인 제미나이 스파크(Gemini Spark)도 함께 업그레이드됐어요. 160여 개국의 구글 AI 프로(Google AI Pro) 및 울트라(Ultra) 구독자에게 제공되는 스파크는, 3.7 플래시를 탑재하면서 구글 워크스페이스(Google Workspace) 앱과의 연동성이 강화됐고 복잡한 다중 스킬 워크플로우에서 더 높은 정확도와 출력 품질을 보여줘요. 파일 취합, 이메일 초안 작성, 현황 문서 업데이트 같은 반복 업무를 상시 처리하도록 맡길 수 있는 에이전트에 가까워졌어요.

구글이 I/O에서 예고했던 플래그십 모델 제미나이 3.5 프로(Gemini 3.5 Pro)는 아직 출시되지 않았어요. 3.7 플래시의 빠른 발표가 그 공백을 채우려는 포석이라는 시각도 있어요. 이번 발표는 경쟁의 기준이 최고 성능만이 아니라 비용 대비 에이전트 실행 효율로 옮겨가고 있음을 보여줘요.

참고 링크

🔌 DeepSeek Harness: "모든 것은 플러그인이다"

DeepSeek AI가 2026년 8월 13일, 오픈소스 에이전트 하네스(Agent Harness)인 DeepSeek Harness(dsh) 를 공개했어요. DeepSeek이 모델 제공을 넘어 에이전트 실행 도구까지 공개했다는 점에서 주목할 만해요.

에이전트 하네스(Agent Harness)가 뭐예요?

에이전트 하네스는 AI 모델이 실제로 일을 '수행'할 수 있도록 감싸주는 실행 환경이에요. 모델 단독으로는 파일을 수정하거나 셸 명령을 실행하거나 웹을 검색할 수 없죠. 하네스는 그 모든 작업을 연결해주는 'OS + 런타임'이라고 보시면 돼요. Anthropic의 Claude Code, OpenAI의 Codex가 바로 이 에이전트 하네스 영역에서 경쟁하고 있는 제품들이에요.

"Everything is a Plugin" — 모든 구성 요소를 플러그인으로

DeepSeek Harness의 핵심 원칙은 단 하나예요: "Everything is a Plugin(모든 것은 플러그인이다)". Cordis 프레임워크 위에 설계된 이 시스템은, 에이전트를 구성하는 거의 모든 요소를 교체 가능한 플러그인으로 처리해요.

플러그인으로 처리되는 구성 요소는 다음과 같아요:

기본 구성 요소를 쓰거나 필요에 따라 직접 구현한 구성 요소로 교체할 수 있어요. 특정 벤더의 스택에 종속되지 않는다는 점이 차별점이에요.

현재 지원하는 기능

DeepSeek Harness는 개발 작업에 필요한 기본 기능을 지원해요:

npx @deepseek-ai/dsh web 한 줄로 로컬 웹 UI를 바로 띄울 수 있고 MIT 라이선스로 누구나 자유롭게 사용·수정·배포할 수 있어요. 공개 첫날인 8월 13일 기준으로 GitHub에서 약 27,500개의 스타와 2,000개의 포크를 기록했어요.

아직은 개발자 프리뷰 단계

물론 솔직히 짚어둬야 할 부분도 있어요. 저장소에는 굵은 글씨로 명시되어 있어요: "THERE WILL BE COMPATIBILITY-BREAKING CHANGES." 현재는 개발자 프리뷰(Developer Preview) 단계이며 Claude Code나 Codex처럼 호스팅 백그라운드 에이전트나 GitHub 네이티브 워크플로우 같은 성숙한 기능은 아직 갖추지 못했어요.

DeepSeek은 모델뿐 아니라 실행 환경까지 오픈소스로 제공하는 방향을 택했어요. DeepSeek Harness는 모델 경쟁이 에이전트 인프라 경쟁으로 넓어지는 흐름의 한 사례로 볼 수 있어요.

참고 링크

📚 Book-to-Skill: 기술 서적 PDF를 AI 에이전트 스킬로 변환하다

기술 서적에서 읽었던 내용을 다시 찾을 때, 목차와 페이지 검색만으로는 원하는 내용을 찾기 어려울 때가 있어요. PDF를 다시 뒤져도 필요한 답 대신 페이지 목록만 나오고, AI 에이전트에게 물으면 문서와 무관한 답을 할 때도 있죠.

이 문제를 정면으로 겨냥한 오픈소스 도구 book-to-skill이 GitHub 트렌딩에 올랐습니다.

어떤 도구인가요?

book-to-skill은 기술 서적 PDF(또는 EPUB, DOCX, 폴더, 문서 컬렉션 등)를 Claude Code, GitHub Copilot CLI, Amp 등의 AI 에이전트가 즉시 활용할 수 있는 에이전트 스킬(Agent Skill)로 변환해주는 커맨드 라인 도구예요.

사용법은 간단해요. GitHub에서 저장소를 내려받아 설치한 뒤

git clone https://github.com/Leutenegger/book-to-skill.git
cd book-to-skill

다음 명령을 실행하면 돼요.

pip install -e .
book-to-skill install
book-to-skill <책파일.pdf>

이 세 줄이면 됩니다. 설치 후 에이전트에게 /my-book replication처럼 입력하면, 에이전트가 해당 챕터를 직접 읽고 문서 내용에 근거해 답할 수 있어요.

핵심은 '구조화된 증류'

book-to-skill의 작동 방식은 두 단계로 나뉘어요. 먼저 Python 추출 코드가 문서를 텍스트와 메타데이터로 변환해요. 이후 에이전트가 SKILL.md 명세에 맞춰 스킬 구조를 만들어요.

변환 결과로 생성되는 파일 구조는 다음과 같아요:

챕터 파일들은 질문이 들어올 때 온디맨드(on-demand)로만 로드돼요. 덕분에 질문 하나에 답하는 데 책 전체를 컨텍스트에 넣는 것보다 24배~51배 적은 토큰을 사용해요.

book-to-skill은 책 전체를 컨텍스트에 넣지 않고, 색인과 필요한 챕터만 불러오는 방식으로 작동해요.

책 이상의 활용 가능성

이름은 'book-to-skill'이지만 사실 책만 변환하는 도구가 아니에요. 구조화된 산문이라면 무엇이든 스킬로 만들 수 있어요:

반복해서 참고해야 하는 문서라면 스킬로 만들 후보가 될 수 있어요.

문서를 스킬로 바꾸는 의미

book-to-skill은 문서를 에이전트가 필요한 부분만 찾아 활용하도록 만든다는 점이 핵심이에요. PDF는 여전히 인간을 위한 포맷이고, 에이전트는 필요한 내용을 별도로 찾아 읽어야 해요. 이런 간극을 메우는 도구는 앞으로 더 늘어날 것으로 보여요.

참고로 모든 처리는 로컬에서 이루어지며 파일이 외부 서버로 업로드되지 않아요. 라이선스는 MIT예요.

참고 링크

🗺️ 오픈 모델의 현재: 2026년 여름 관찰 보고서

HuggingFace가 2026년 1월부터 8월까지의 오픈 모델 생태계를 분석한 '2026년 여름 관찰 보고서'를 발표했어요. 공개 모델 저장소는 243만 개에서 296만 개로, 데이터셋은 71만 개에서 100만 개로 늘었지만 성장 양상은 단순하지 않아요.

프론티어는 중국이, 오픈소스 릴리즈는 하드웨어 기업이

규모의 경쟁에서 중국 랩들의 행보가 두드러져요. 2026년 거의 매달, 중국 랩이 공개한 가장 큰 오픈 모델은 미국 랩이 공개한 어떤 모델보다도 컸어요. 중국의 월별 최대 파라미터 규모는 7,540억에서 2.78조 사이를 오간 반면, 미국은 7개월 중 5개월 동안 1,300억 파라미터 이하에 머물렀어요.

반면 실제로 가장 많은 오픈 모델을 출시한 조직은 의외의 이름들이에요.

하드웨어 기업에는 오픈 모델 배포가 자사 칩에서 모델이 잘 동작한다는 점을 보여주는 수단이 될 수 있어요. "우리 GPU에서 이 모델이 잘 돌아갑니다"를 보여주는 직접적인 방법이기도 하죠.

좋아요 ≠ 실용성

보고서에서 가장 흥미로운 발견 중 하나는 주목(Attention)과 채택(Adoption)이 상당히 다르게 나타났다는 점이에요. 올해 다운로드 상위 25개 저장소와 좋아요 상위 25개 저장소를 비교했더니 정확히 단 한 개만 겹쳤어요.

다운로드 상위 25개 중 2026년에 출시된 모델은 단 하나도 없었고 25개 중 13개는 2022년 모델이었어요. 좋아요는 "무엇이 중요한가"를, 다운로드는 "무엇이 지금 실제로 쓰이는가"를 측정하는 전혀 다른 지표인 겁니다.

Qwen, 커뮤니티의 기본값이 되다

오픈 모델 생태계에서 '기본값(default)'이 된 모델이 생겼어요. 바로 알리바바의 Qwen이에요. 주목과 채택 두 가지를 동시에 잡은, 보고서에서 거의 유일한 예외 사례예요.

Qwen 생태계가 확장한 데에는 꾸준한 릴리즈 케이던스(Cadence), 소형부터 대형까지 아우르는 사이즈 커버리지, 상업적 사용과 수정이 자유로운 Apache 2.0 라이선스가 함께 작용한 것으로 보여요. 그 결과 Qwen은 개발자가 파인튜닝하고 배포할 모델을 고를 때 자주 선택하는 생태계가 됐어요.

수치로 본 실제 사용 양상

보고서의 수치를 보면, 대형 최신 모델의 관심도와 실제 다운로드 기반 사용량은 다른 방향으로 움직여요. 파라미터 100B 이상 모델은 전체 다운로드의 1%에 불과하고 1B 이하 모델이 전체 다운로드의 83%를 차지해요. 대부분의 개발자는 자신이 가진 하드웨어에서 실행 가능한 작고 안정적인 모델을 원하고 있죠. 보고서는 생태계의 성장이 "상위 1.5%의 저장소가 전체 다운로드의 99.2%를 책임지는" 집중 구조 위에서 벌어지고 있다는 점도 짚고 있어요. 다운로드가 상위 저장소에 집중돼 있어, 생태계의 활용이 고르게 분산됐다고 보기는 어려워요.

참고 링크