이 영상은 AI 에이전트 활용에 대한 발표자의 경험을 공유하며, OpenKlo와 Hermes라는 두 가지 주요 AI 에이전트의 비교 및 역할 분담에 초점을 맞추고 있습니다. 발표자는 OpenKlo에서 Hermes로 전환을 시도했으나, 최종적으로는 두 에이전트의 장점을 모두 활용하는 역할 분담 방식을 채택했음을 설명합니다.

1. Hermes AI 에이전트의 특징 및 장점:

• 정의 및 지향점: Hermes는 뉴스 리서치에서 개발한 오픈소스 AI 에이전트로, 사용자 서버에 상주하며 사용자를 기억하고, 스킬을 생성하며, 시간이 지남에 따라 스스로 학습하여 더욱 지능적으로 변모하는 것을 목표로 합니다. OpenKlo와 유사하게 서버 설치, 메신저 기반 대화, 파일/터미널/브라우저 작업 등 광범위한 기능을 수행하지만, Hermes는 개발자 친화적인 "학습 루프(Learning Loop)" 또는 "컴파운드 엔지니어링(Compound Engineering)" 철학에 기반한 기능들을 강조합니다.
• 핵심 방법론 - 스킬 축적:
  • 기존 AI 에이전트의 문제점: 동일한 오류 반복 (예: 특정 웹사이트 데이터 추출 실패, 파일 업로드 불가 메시지 반복, 특정 폴더 구조 인식 실패).
  • Hermes의 해결책: 복잡한 문제 해결 후 해당 해결 방법을 "스킬(Skill)"로 문서화하고 저장합니다. 이후의 작업에서는 skill view 기능을 통해 이전에 생성된 스킬을 참조하여 작업을 수행함으로써, 시행착오를 줄이고 효율성을 높입니다. 이는 AI가 자신의 업무 매뉴얼을 지속적으로 쌓아가는 개념과 유사합니다.
• 장기 기억 관리: 발표자는 Hermes의 기본 기억 모듈인 Honcho 대신 MapZero를 장기 기억(Long-term memory) 모듈로 연동하여 사용합니다. MapZero는 Hermes가 저장한 데이터들을 시각적으로 쉽게 파악할 수 있도록 지원하여, 에이전트의 기억 축적 과정을 관리하는 데 유용합니다.
• 인터럽트(Interrupt) 기능: OpenKlo와 달리, Hermes는 현재 진행 중인 작업을 사용자의 새로운 입력에 따라 유연하게 중단하고(Interrupting current task), 기존 작업의 맥락과 새로운 지시를 결합하여 처리할 수 있습니다. 이는 인간의 작업 방식과 유사하게, 보고서 작성 중 중간에 추가 지시가 들어왔을 때 즉시 반영하는 것과 같은 흐름을 가능하게 하여 작업 효율성을 높입니다. OpenKlo는 순차 처리(sequential processing) 방식이 강해, 불필요한 작업이 완료될 때까지 기다려야 하는 비효율성이 발생할 수 있습니다.
• 모델 선택 및 비용 효율성: Hermes는 다양한 언어 모델(GPT, Codex, Claude 등)을 지원하며, 특히 GPT 3.5 Turbo 및 Codex를 OS(Open-Source) 형태로 연동하여 사용하는 방식을 통해 비용 부담을 크게 줄였습니다. 이는 API 호출당 과금되는 방식과 달리, 대량의 작업을 수행해도 예측 가능한 비용으로 에이전트를 활용할 수 있게 합니다.

2. OpenKlo의 특징 및 장점:

• 개인 비서 역할: OpenKlo는 사용자의 일상 업무(이메일 작성, 유튜브 스크립트 생성, 투자 브리핑 등)를 처리하는 데 강점을 보이는 "개인 비서" 유형의 에이전트입니다.
• 텔레그램 통합 및 맥락 유지: OpenKlo는 텔레그램의 그룹 및 토픽(Topic) 기능을 효과적으로 활용하여 맥락이 분리된 대화를 유지하는 데 뛰어납니다. 발표자는 텔레그램 토픽을 통해 재테크, 유튜브, 개발 등 다양한 주제별로 AI와 대화하며 맥락 혼동 없이 작업을 진행해왔습니다. 오랜 기간 사용으로 인해 특정 대화 맥락, 자동화 설정, 사용자의 습관 등이 OpenKlo에 깊이 축적되어 있습니다.

3. Hermes의 단점 및 한계:

• 텔레그램 그룹/토픽 처리 미흡: Hermes는 텔레그램 그룹 내 토픽 구조를 OpenKlo만큼 유기적으로 활용하지 못합니다. 여러 AI 봇이 함께 작동할 때 맥락 공유나 역할 분담이 원활하지 않아, 협업 환경 구축에 어려움이 있습니다.
• 마이그레이션의 불완전성: OpenKlo에서 Hermes로의 마이그레이션 기능이 존재하나, 파일이나 일부 설정만 이전될 뿐, OpenKlo에 쌓여 있던 토픽별 맥락, 자동화 습관, 대화 흐름 등은 완벽하게 옮겨지지 않습니다. 이는 AI 비서의 가치가 단순히 기능표 비교를 넘어, 사용자에게 얼마나 잘 학습되어 있는가에 달려있음을 시사합니다.

4. 현재의 역할 분담 전략:

• OpenKlo: 일상적인 비서 업무, 텔레그램 기반 자동화, 토픽 활용, 그리고 기존에 맥락이 깊게 쌓인 작업들을 담당합니다. 이는 OpenKlo가 오랫동안 사용자의 "성격"과 "습관"을 학습했기 때문입니다.
• Hermes: 스킬로 축적될 수 있는 반복 작업, 개발자스러운 실험, MapZero 기반의 장기 기억 활용, 세션 검색 및 작업 방식 축적 등의 업무를 담당합니다. Hermes는 "태생적으로" 장기 기억과 스킬 생성, 재사용에 최적화된 구조를 가지고 있습니다.
• 이중 위임 구조: 발표자는 모든 작업을 Hermes에게 지시하되, Hermes가 특정 작업에 대해서는 OpenKlo에게 위임하는 "이중적인 구조"를 사용합니다. 이는 두 에이전트의 고유한 장점을 최대한 활용하여 시너지를 창출하기 위함입니다.
• 결론: AI 비서 활용에 있어 "갈아타기"보다는 작업의 성격과 에이전트의 강점에 따른 "역할 분담"이 효율적이라는 결론입니다. 이는 AI 모델 및 에이전트를 역할별로 나누어 활용하고, 비용 효율성을 고려하여 "비싼 뇌"와 "싼 뇌"를 구분하여 사용하는 다각적인 접근 방식이 필요함을 시사합니다.