이번 주 깃허브 트렌드에 에이전트(스스로 판단하고 행동하는 AI) 프로젝트들이 대거 올라왔다. 개발자들이 단순한 챗봇 데모가 아니라 실제로 포크(fork, 저장소를 복제해 수정하는 행위)해서 실행하고, 자신의 용도로 바꿀 수 있는 저장소들을 찾고 있다. 이 중에서 가장 유용하고 널리 알려진 10개를 골랐다.

OpenClaw(약 34만 3천 ⭐)부터 개인 비서, OpenHands(약 7만 ⭐)는 코딩 에이전트

OpenClaw(약 34만 3천 ⭐)는 개인용 AI 비서를 자신의 기기에서 실행할 수 있게 만든 저장소다. 왓츠앱(WhatsApp), 텔레그램(Telegram), 슬랙(Slack), 디스코드(Discord), 시그널(Signal), 아이메시지(iMessage) 등 이미 사용 중인 메신저와 연결된다. 단순한 채팅 데모가 아니라 다중 채널, 음성 기능, 스킬과 제어를 위한 생태계를 갖춘 실제 비서 제품에 가깝다. OpenHands(약 7만 ⭐)는 AI 기반 개발 환경에 특화되어 있다. 클라우드, 문서, CLI(명령줄 인터페이스), SDK(소프트웨어 개발 키트), 벤치마크(성능 평가 기준), 통합 기능까지 갖춘 생태계를 제공한다. 핵심 에이전트 코드뿐 아니라 평가와 배포 방식을 함께 학습할 수 있다.

browser-use(약 8만 5천 ⭐)는 웹 작업, DeerFlow(약 5만 5천 ⭐)는 장기 과제 처리

browser-use(약 8만 5천 ⭐)는 AI 에이전트가 웹사이트를 더 쉽게 사용할 수 있게 만든다. 폼 작성, 리서치, 페이지 탐색, 반복적인 온라인 작업을 에이전트가 대신 처리한다. 실제 에이전트 작업의 대부분이 브라우저에서 이루어지기 때문에 실험하기 좋다. DeerFlow(약 5만 5천 ⭐)는 오픈소스 슈퍼 에이전트 하네스(여러 하위 에이전트를 묶어 관리하는 프레임워크)다. 하위 에이전트, 메모리, 샌드박스(격리된 실행 환경), 스킬, 도구를 통합해 긴 시간이 걸리는 복잡한 과제를 처리한다. 단순한 도구 호출을 넘어 메모리와 조정, 확장성을 중심으로 한 현대적 에이전트 시스템 구조를 보여준다.

예전에는 LangChain 위에 쌓던 다중 에이전트, 이제는 CrewAI(약 4만 8천 ⭐)와 AutoGen(약 5만 6천 ⭐)이 독립 프레임워크로

CrewAI(약 4만 8천 ⭐)는 다중 에이전트 오케스트레이션(여러 에이전트를 조율하는 작업)을 위한 빠르고 유연한 프레임워크다. LangChain 위에 구축되지 않고 독립적으로 만들어졌다. 개념 모델이 단순하고 설정이 쉬우며 문서와 예제가 초보자에게 친절하다. 파이썬 기반 저장소를 포크해서 바로 유용한 무언가로 바꾸고 싶다면 좋은 선택이다. AutoGen(약 5만 6천 ⭐)은 마이크로소프트가 만든 에이전트 프로그래밍 프레임워크다. 비즈니스 워크플로, 연구 협업, 분산 다중 에이전트 애플리케이션까지 다룬다. 오케스트레이션 아이디어, 에이전트 대화 패턴, 프레임워크 설계 자체가 학습 가치가 높다. 가장 간단한 시작점은 아니지만 이 분야에서 가장 영향력 있는 프로젝트 중 하나다.

LangGraph(약 2만 8천 ⭐)는 엔지니어링, OpenAI Agents SDK(약 2만 ⭐)는 가벼운 시작

LangGraph(약 2만 8천 ⭐)는 LangChain이 설명하는 저수준 오케스트레이션 프레임워크다. 장기 실행, 상태 유지, 제어 가능한 에이전트를 그래프(graph, 노드와 연결로 구성된 구조), 상태, 제어 흐름, 복원력 관점에서 설계한다. 단순한 프롬프트+도구 호출 시스템을 넘어서 더 진지한 에이전트 런타임이 어떻게 구성되는지 이해하고 싶다면 유용하다. OpenAI Agents SDK(약 2만 ⭐)는 가벼우면서도 현대적인 다중 에이전트 워크플로 프레임워크다. 도구, 핸드오프(에이전트 간 작업 전환), 세션, 추적, 실시간 패턴을 큰 프레임워크 없이 제공한다. 단순한 인터페이스와 직접적인 제어를 선호한다면 좋은 시작점이다.

GPT Researcher는 심층 리서치, Letta(약 2만 2천 ⭐)는 메모리 중심 설계

GPT Researcher는 일반 프레임워크 대신 심층 리서치 에이전트 하나를 집중적으로 연구하고 싶을 때 적합하다. 모든 LLM(대규모 언어 모델) 제공자를 사용할 수 있는 자율 에이전트로, 다중 에이전트 리서치와 보고서 생성을 어떻게 처리하는지 보여준다. 계획 수립, 브라우징, 소스 수집, 종합, 보고서 작성까지 하나의 완전한 워크플로를 처음부터 끝까지 학습할 수 있다. Letta(약 2만 2천 ⭐)는 메모리와 상태를 에이전트 설계의 중심에 둔다. 시간이 지나면서 학습하고 개선할 수 있는 고급 메모리를 가진 상태 저장(stateful, 이전 상태를 기억하는) 에이전트를 만드는 플랫폼이다. 대부분의 에이전트 저장소가 오케스트레이션에 집중하는 반면, Letta는 지속성과 진화에 초점을 맞춘다. 매번 처음부터 시작하지 않고 기억하고 발전하는 에이전트를 원한다면 흥미로운 프로젝트다.

개발자가 직접 체감하는 변화는 이 저장소들을 포크해서 로컬에서 실행하고 코드를 수정하는 순간부터 시작된다. 진짜 학습은 거기서 일어난다.