오늘 GeekNews 최신 글 상단에서 가장 눈에 띄는 개발 뉴스는 Prime Intellect의 Prime Agent입니다. GeekNews 게시글뿐 아니라 GitHub와 8월 24일 제출된 arXiv 기술 보고서까지 확인했습니다. news.hada.io, arxiv.org
Prime Agent의 핵심은 두 가지입니다.
첫 번째는 Recursive Language Model(RLM)입니다. 모델이 긴 context 전체를 계속 들고 있는 대신 context를 변수처럼 다루고, persistent Python REPL에서 필요한 부분만 조사하거나 별도의 sub-agent에게 처리시킵니다. github.com
두 번째는 Continual Harness입니다. 기존 Agent는 system prompt, skill, memory, sub-agent 정의가 사람이 미리 만든 고정 구조인 경우가 많습니다. Prime Agent에서는 Agent가 작업 중 배운 내용을 기반으로 prompt·memory·skill description·sub-agent specification을 수정하고 저장할 수 있습니다. 기본적으로 session-local이며 수정 이력을 검토할 수 있도록 설계돼 있습니다. github.com
논문 저자들은 Prime Agent를 사용했을 때 ARC-AGI-3 RHAE Best@1이 30%에서 95.5%로 향상됐다고 보고하고 있으며, 장기 코딩·GPU kernel·emulator·nanoGPT 실험에서도 기존 harness와 비슷하거나 높은 결과를 얻었다고 주장합니다. 아직 새 arXiv 기술 보고서이고 저자 측 자체 평가이므로 독립 재현 결과를 기다릴 필요가 있습니다. arxiv.org
왜 중요한가
최근 몇 주간 반복해서 보이는 흐름이 더 분명해졌습니다.
AI 성능은 이제:
Model × Harness × Context × Tools × Memory
입니다.
모델 자체를 한 세대 업그레이드하는 것보다 Context 관리 방식, Subagent 구조, Memory, Recovery loop를 개선해서 더 큰 성능 차이가 나는 사례가 계속 나오고 있습니다.
Prime Agent는 여기서 한 단계 더 나아가:
Harness 자체도 Agent가 개선할 수 있는 상태로 취급한다
는 접근입니다.
실무 시사점
장시간 코딩 Agent를 설계한다면 모든 작업 기록을 무조건 context window에 넣는 대신:
Active Context
→ 지금 필요한 정보
Persistent Memory
→ 장기적으로 유지할 정보
Skills
→ 반복 업무 방법
Subagents
→ 전문 역할
로 분리하는 방식이 유용합니다.
다만 Agent가 자신의 instruction이나 skill을 수정할 수 있게 하는 구조는 보안상 강력한 권한이므로, production에서는 자동 저장보다 diff·versioning·human review를 붙이는 편이 안전합니다.