728x90

The best opensource OpenClaw alternatives, for who don't trust OpenAI

Nanobot
PicoClaw
Carapace
ZeroClaw
Moltis
.
.. leave here ..
.. your preferred implementation of openclaw ..

nanobot

nanobot은 홍콩대학교 데이터 지능 연구소(HKUDS)에서 공개한 초경량 개인 AI 어시스턴트 프로젝트입니다. OpenClaw(초기 Clawdbot, 이후 Moltbot) 프로젝트에서 영감을 받아 개발되었으나, 기존의 방대하고 복잡한 구조를 탈피하여 핵심적인 에이전트 기능만을 남기고 불필요한 추상화를 과감히 제거한 것이 특징입니다.

nanobot 프로젝트의 가장 큰 차별점은 압도적인 경량화와 효율성입니다. 기존 대형 에이전트 프레임워크들이 수십만 줄의 코드로 구성되어 분석과 수정이 어려웠던 반면, nanobot은 약 4,000줄의 코드만으로 핵심 기능을 완벽하게 구현했습니다. 이는 AI 에이전트의 내부 구조를 깊이 이해하고자 하는 연구자나, 가볍고 빠른 자신만의 비서 AI를 구축하려는 개발자들에게 최적의 환경을 제공합니다.

nanobot은 단순히 가벼운 것에 그치지 않고, 실용적인 개인 비서로서의 역할을 수행하도록 설계되었습니다. 복잡한 설정 없이 CLI(명령줄 인터페이스)를 통해 즉시 실행 가능하며, 로컬 LLM 환경과도 유연하게 연동되어 비용 효율적인 개인화 AI 시스템을 구축할 수 있습니다. 또한, Whatsapp이나 Telegram과 같은 메신저를 통해 언제 어디서나 작업을 지시하거나 작업 결과를 확인할 수 있습니다.

nanobot vs. OpenClaw 비교

nanobot은 기존의 OpenClaw(초기 Clawdbot, 이후 Moltbot)와 비교했을 때 다음과 같은 명확한 차이점을 가집니다:

코드베이스 규모: OpenClaw가 약 430,000줄 이상의 방대한 코드로 구성된 반면, nanobot은 약 4,000줄로 99% 이상 코드량이 더 적습니다. 이는 코드의 가독성을 극대화하여 누구나 쉽게 구조를 파악하고 수정할 수 있게 합니다.
리소스 효율성: 불필요한 추상화 레이어를 제거하여 시작 속도가 매우 빠르고, 메모리 및 CPU 사용량이 현저히 낮습니다. 덕분에 고사양 서버가 아닌 로컬 환경에서도 쾌적하게 구동할 수 있습니다.
접근성: 복잡한 의존성이나 설정 과정 없이, 단 한 번의 배포로 즉시 사용 가능한(Ready-to-use) 환경을 제공합니다.

nanobot의 주요 구조

nanobot의 주요 구조1610×626 95.1 KB

nanobot은 작지만 강력한 모듈형 아키텍처를 기반으로 다양한 기능을 제공합니다. nanobot의 구조는 기능별로 명확하게 분리되어 있어 유지보수와 확장이 용이합니다:

Agent Core: nanobot의 중심에는 반복되는 Agent Loop와 Context 및 Memory의 크게 3가지 모듈로 구성되어 있으며, 각각은 다음과 같습니다:
- Agent Loop: LLM의 추론과 도구(Tool) 실행을 연결하는 메인 루프를 담당합니다.
- Context: 현재 대화의 맥락과 프롬프트를 동적으로 구성합니다.
- Memory: 대화 기록과 상태 정보를 저장하여 지속적인 상호작용을 지원합니다.
Skills & Tools: nanobot이 기본으로 제공하는 도구(Tools) 외에도 사용자가 정의한 스킬(Skills)을 직접 생성하거나 불러와서 에이전트의 능력을 확장할 수 있습니다. 즉, 별도의 코드를 작성하지 않고도 새로운 동작을 익히도록 할 수 있습니다.
Support Modules: 그 외에도 nanobot에는 다양한 기능을 수행하기 위해 몇 가지 추가 모듈들이 포함되어 있습니다:
- Subagent: 복잡한 작업을 백그라운드에서 처리하기 위한 하위 에이전트 시스템입니다.
- Cron: 주기적인 예약 작업을 관리하여 일정 관리나 자동화 작업을 수행합니다.
- Providers: OpenAI API 호환 모델뿐만 아니라 vLLM 기반의 로컬 모델 등 다양한 LLM 제공자를 설정할 수 있습니다.

nanobot의 주요 기능 및 특징

주요 활용 기능

nanobot은 개인화된 AI 비서로서 여러가지 작업들을 수행할 수 있으며, 특히 다음과 같은 방식으로 사용할 수 있습니다:

풀스택 엔지니어링: 코드 작성, 디버깅, 리팩토링 등 개발 관련 업무를 보조합니다.
실시간 정보 분석: 24시간 시장 동향 분석이나 뉴스 요약 등 지속적인 정보 모니터링이 가능합니다.
개인 일정 및 루틴 관리: 사용자의 일정을 관리하고 알림을 제공하거나 반복적인 루틴을 자동화합니다.
지식 관리 (Knowledge Assistant): 개인 데이터를 기반으로 질문에 답변하거나 정보를 정리해 줍니다.

유연한 실행 환경

CLI 기반 제어: 복잡한 GUI 없이 터미널에서 직관적인 명령어(chat, run 등)로 에이전트와 대화하거나 작업을 지시할 수 있습니다.
로컬 LLM 지원: 외부 API 비용이 부담스러운 경우, 로컬에 구축된 LLM 서버와 연결하여 **비용 "0"**으로 개인 비서를 운영할 수 있습니다. 이는 데이터 프라이버시 측면에서도 강력한 이점을 제공합니다.

nanobot의 향후 로드맵 (Roadmap)

HKUDS 팀은 nanobot의 경량화 철학을 유지하면서 다음 기능들을 추가할 예정입니다:

멀티모달(Multi-modal): 이미지, 음성, 비디오 등 텍스트 이외의 입력을 이해하고 처리하는 능력.
장기 기억(Long-term Memory): 단기 세션을 넘어 사용자의 선호도와 과거 맥락을 영구적으로 기억.
외부 통합: Slack, Discord, 이메일, 캘린더 등 외부 서비스와의 연동 강화.
자기 개선(Self-improvement): 피드백을 통해 스스로 실수를 교정하고 성능을 개선하는 메커니즘.

nanobot 설치 및 설정 가이드

nanobot 프로젝트는 Python 기반으로 작성되었으며, uv 또는 pip를 사용하여 설치하는 방법을 권장합니다:

# uv가 설치되어 있는 경우
uv tool install nanobot-ai

# pip가 설치되어 있는 경우
pip install nanobot-ai

소스 코드로부터 설치하는 경우 더 최신의 기능이 포함되어 있지만, 불안정할 수 있습니다. 또는, 소스 코드로부터 Docker Image를 생성하여 실행하는 것도 가능합니다. 상세한 설정 방법은 GitHub 저장소의 README 문서를 참고해주세요.

초기 설정 (Configuration)

nanobot은 사용자의 홈 디렉터리에 설정 파일을 생성하여 관리합니다. 아래 명령어로 초기 설정을 진행할 수 있습니다:

# 온보딩 실행 (Initialize)
nanobot onboard

위 명령어를 실행하여 초기 설정을 진행하면 필요한 설정 파일들이 자동으로 생성됩니다. 이후, 생성된 설정 파일(~/.nanobot/config.json)을 편집기로 열고, 사용할 LLM 제공자의 API 키를 입력합니다. 다음은 OpenRouter를 사용할 경우의 설정 예시입니다:

{
  "providers": {
    "openrouter": {
      "apiKey": "sk-or-v1-..." 
    }
  },
  "webSearch": {
    "apiKey": "BSA-..." 
  },
  "agents": {
    "defaults": {
      "model": "anthropic/claude-4.5-sonnet"
    }
  }
}

nanobot은 OpenRouter 외에도 Anthropic, OpenAI 등을 지원하며, vLLM 등으로 실행한 로컬 모델도 지원합니다. vLLM으로 모델을 실행하는 경우, OpenAI 호환 API Server를 지원하므로, 설정 파일(~/.nanobot/config.json )을 다음과 같이 설정하면 됩니다:

{
  "providers": {
    "vllm": {
      "apiKey": "dummy",
      "apiBase": "http://localhost:8000/v1"
    }
  },
  "agents": {
    "defaults": {
      "model": "meta-llama/Llama-3.1-8B-Instruct"
    }
  }
}

설치 후에는 CLI 명령어를 사용하여 직접 대화하거나, Telegram / Whatsapp 등을 연동하여 외부에서도 통신을 할 수 있습니다.

라이선스

nanobot 프로젝트는 MIT License로 배포되고 있어, 연구 및 상업적 목적으로 자유롭게 사용 및 수정이 가능합니다.

출처: https://discuss.pytorch.kr/t/nanobot-hkuds-feat-openclaw/8911

picoclaw

개발자들 충격... 10달러짜리 하드웨어에서 돌아가는 '괴물' AI 에이전트, PicoClaw 등장!

최근 개발자 커뮤니티와 AI 업계가 OpenClaw와 같은 자율 AI 에이전트(Autonomous AI Agent)에 열광하고 있습니다. 하지만 이런 강력한 에이전트들을 돌리기 위해서는 맥 미니(Mac Mini)나 고사양의 서버가 필요했죠. “AI 비서 하나 두려면 컴퓨터를 새로 사야 하나?”라는 고민, 한 번쯤 해보셨을 겁니다.

그런데 여기, 그 상식을 완전히 뒤집는 프로젝트가 등장했습니다. 단돈 10달러짜리 보드에서, 램 10MB만 있으면 돌아가는 AI 에이전트. 심지어 이 코드는 95% 이상을 AI가 직접 작성했다고 합니다. 바로 Sipeed사의 PicoClaw입니다.

오늘은 깃허브(GitHub)에서 폭발적인 반응을 얻고 있는 PicoClaw의 모든 것을 파헤쳐 보겠습니다.

🦐 PicoClaw가 도대체 뭔가요?

PicoClaw는 “OpenClaw의 초경량 버전”을 지향하는 오픈소스 개인용 AI 비서입니다. 기존의 AI 에이전트들이 Node.js나 Python 같은 무거운 런타임 위에서 돌아가며 기가바이트(GB) 단위의 램을 요구했던 것과 달리, PicoClaw는 Go(Golang) 언어로 바닥부터 새로 작성되었습니다.

이 프로젝트의 슬로건은 충격적입니다.

“$10 Hardware · 10MB RAM · 1s Boot”

즉, 커피 두 잔 값인 10달러짜리 하드웨어에서, 사진 한 장 크기인 10MB의 메모리만으로, 1초 만에 부팅되어 여러분의 업무를 돕는다는 것입니다. Sipeed 팀은 이를 위해 ‘Nanobot’ 프로젝트에서 영감을 받아 아키텍처를 완전히 재설계했습니다.

✨ 주요 특징 (Key Features)

README 공식 문서에 따르면, PicoClaw는 다음과 같은 미친(?) 스펙을 자랑합니다.

초경량 (Ultra-Lightweight):
- 메모리 사용량 10MB 미만. 기존 OpenClaw 대비 99% 더 가볍습니다.
- 더 이상 무거운 Docker 컨테이너나 가상환경 때문에 컴퓨터가 느려질 걱정이 없습니다.
압도적인 가성비 (Minimal Cost):
- 10달러(약 14,000원) 수준의 리눅스 보드(예: LicheeRV Nano)에서도 완벽하게 동작합니다.
- 전용 서버나 맥 미니를 사는 비용을 98% 절약할 수 있습니다.
빛의 속도 (Lightning Fast):
- 부팅 시간 1초. 0.6GHz 싱글 코어 프로세서에서도 1초 만에 켜집니다.
- 기존 Python 기반 에이전트들이 부팅에 30초~수분이 걸리던 것과 비교하면 400배 빠릅니다.
진정한 이식성 (True Portability):
- 외부 의존성이 없는 단일 바이너리(Single Binary) 파일로 제공됩니다.
- RISC-V, ARM, x86 등 거의 모든 아키텍처를 지원합니다. 라즈베리 파이부터 구형 노트북, 최신 서버까지 어디든 ‘복사-붙여넣기’만 하면 끝입니다.
AI가 만든 AI (AI-Bootstrapped):
- 이 프로젝트의 가장 흥미로운 점입니다. 핵심 코드의 95%를 AI 에이전트가 직접 작성했고, 인간은 이를 검수(Human-in-the-loop)하는 방식으로 개발되었습니다.
- AI가 자신의 둥지를 직접 튼 셈입니다.

🏗️ 딥 다이브: 아키텍처와 작동 원리

PicoClaw가 이렇게 가벼울 수 있는 비결은 Go 언어의 특성과 효율적인 설계 덕분입니다.

No Runtime Hell: Node.js나 Python 인터프리터가 필요 없습니다. 운영체제에 맞는 실행 파일 하나만 있으면 됩니다.
플러그인 구조: 필요한 기능만 로드하여 메모리를 절약합니다.
LLM 연동: 자체적으로 무거운 AI 모델을 돌리는 것이 아니라, OpenRouter, Zhipu, OpenAI, Anthropic 같은 외부 API를 똑똑하게 호출하여 작업을 수행합니다. 로컬 보안이 중요하다면 Ollama와 연동하여 오프라인 AI 비서로도 쓸 수 있습니다.

🚀 설치 및 설정 가이드 (Installation)

이제 직접 설치해볼까요? 리눅스, 맥, 윈도우(WSL) 어디서든 가능합니다.

1. 설치 방법 (택 1)

방법 A: 미리 컴파일된 바이너리 다운로드 (가장 쉬움) GitHub Releases 페이지에서 본인의 OS에 맞는 파일을 다운로드하여 실행 권한을 주고 실행하면 끝입니다.

방법 B: 소스코드 빌드 (개발자 추천) Go 언어가 설치되어 있다면 다음 명령어로 최신 버전을 빌드할 수 있습니다.

방법 C: Docker 사용

2. 초기 설정 (Configuration)

설치 후 picoclaw onboard 명령어를 실행하거나, 수동으로 설정 파일을 만듭니다. 설정 파일은 ~/.picoclaw/config.json에 위치합니다.

설정 파일 예시 (config.json):

Tip: 웹 검색 기능을 위해 Brave Search API (무료 티어 존재) 키를 발급받아 넣으면, PicoClaw가 인터넷을 검색해서 최신 정보를 알려줍니다.

🎮 사용 가이드 (Usage)

PicoClaw는 단순한 챗봇이 아닙니다. 여러분의 컴퓨터를 제어하는 에이전트입니다.

기본 대화: 터미널에서 바로 질문하고 답을 얻습니다.
자동화 (Cron): “매일 아침 9시에 뉴스 요약해서 알려줘” 같은 명령을 내리면 내부 스케줄러(Cron)에 등록되어 자동으로 실행됩니다.
메신저 연동: 텔레그램(Telegram)이나 디스코드(Discord), 슬랙(Slack) 봇으로 연결할 수 있습니다. 밖에서도 폰으로 내 집의 서버나 컴퓨터에게 일을 시킬 수 있는 것이죠.

예시 시나리오:

“@picoclaw 지금 인기 있는 GitHub 트렌드 레포지토리 5개 찾아서 요약해주고, 내 로컬 파일 report.md에 저장해줘.”

이 명령을 내리면 PicoClaw는 ①웹 검색을 하고, ②내용을 요약한 뒤, ③파일 시스템에 접근해 파일을 생성합니다. 이 모든 게 10MB 램 안에서 일어납니다.

🆚 비교: OpenClaw vs PicoClaw

특징OpenClaw (Node.js/TS)PicoClaw (Go)

언어	TypeScript	Go
필요 메모리	1GB 이상	10MB 미만 (Winner! 🏆)
부팅 속도	느림 (>30초)	매우 빠름 (~1초)
하드웨어 비용	$600+ (Mac Mini 등)	$10+ (저가형 보드)
확장성	방대한 생태계	빠르고 효율적인 바이너리

OpenClaw가 풍부한 생태계와 화려한 UI를 가졌다면, PicoClaw는 “생존형 실전 압축” 버전입니다. 리소스가 제한된 엣지 디바이스(Edge Device)나 IoT 환경에서는 PicoClaw가 압도적으로 유리합니다.

⚠️ 주의사항 (Scam Alert)

GitHub README에도 명시되어 있지만, PicoClaw는 어떠한 코인(Token)이나 암호화폐도 발행하지 않았습니다. pump.fun 등에서 PicoClaw 이름을 달고 거래되는 코인은 모두 스캠(사기)이니 절대 속지 마세요. 공식 웹사이트는 picoclaw.io와 sipeed.com 뿐입니다.

📝 결론: 엣지 AI의 미래

PicoClaw는 단순히 “가벼운 프로그램”이 아닙니다. 이것은 ‘AI의 민주화’를 하드웨어 레벨까지 끌어내린 혁명입니다. 이제 개발자들은 비싼 장비 없이도, 서랍 속에 굴러다니는 라즈베리 파이나 저렴한 리눅스 보드 하나만 있으면 자신만의 24시간 가동되는 AI 비서를 가질 수 있게 되었습니다.

AI가 짠 코드로 돌아가는 AI 비서, 지금 당장 여러분의 터미널에 입양해보시는 건 어떨까요?

“PicoClaw(피피샤), 가자! (Let’s Go!)” 🦐

References

출처: https://www.opsoai.com/posts/PicoClaw-The-Ultra-Lightweight-AI-Agent/

ZeroClaw

왜 AI 에이전트에 "런타임 OS"가 필요한가

ZeroClaw가 스스로를 정의하는 표현은 "에이전틱 워크플로우를 위한 런타임 운영체제"다. 이 표현이 핵심이다. 기존 에이전트 프레임워크들은 대부분 특정 LLM 프로바이더에 종속되거나, 메모리·도구·채널 시스템이 프레임워크에 하드코딩되어 있다. LangChain을 쓰다가 도구 호출 방식을 바꾸려면 코드를 뜯어야 하고, AutoGPT에서 메모리 백엔드를 교체하려면 상당한 리팩토링이 필요하다.

ZeroClaw의 접근법은 이와 근본적으로 다르다. 모든 핵심 서브시스템(AI 모델 프로바이더, 메시징 채널, 도구, 메모리, 런타임)을 Rust의 trait으로 추상화했다. 프로바이더를 OpenAI에서 Anthropic으로, 메모리를 SQLite에서 PostgreSQL로, 채널을 Telegram에서 Discord로 바꾸는 작업이 config.toml 한 줄 수정으로 끝난다. 코드 변경은 제로다.

이건 단순히 편의성 문제가 아니다. 실제 프로덕션에서 AI 에이전트를 운영하다 보면 프로바이더 장애, 비용 최적화, 규제 대응 등으로 인프라 스택을 교체해야 하는 상황이 빈번하다. "한 번 만들어서 어디서든 실행한다(build once, run anywhere)"는 슬로건이 에이전트 인프라에서도 설득력을 갖는 이유다.

5MB의 의미: 벤치마크가 보여주는 구조적 차이

ZeroClaw가 공개한 벤치마크를 보면 숫자 자체보다 그 차이의 원인이 더 흥미롭다.

	OpenClaw	NanoBot	PicoClaw	ZeroClaw
언어	TypeScript	Python	Go	Rust
RAM 사용량	1GB 이상	100MB 이상	10MB 미만	5MB 미만
0.8GHz 기준 콜드 스타트	500초 이상	30초 이상	1초 미만	10ms 미만
바이너리 크기	~28MB (dist)	스크립트	~8MB	~8.8MB
최소 하드웨어 비용	$599	~$50	$10	$10

OpenClaw가 1GB 이상의 RAM을 소비하는 건 Node.js 런타임 자체가 약 390MB의 메모리 오버헤드를 갖기 때문이다. Python 기반 NanoBot도 인터프리터 오버헤드에서 자유롭지 못하다. ZeroClaw는 정적 바이너리로 컴파일되므로 런타임 의존성이 없다. zeroclaw --help가 0.02초에 3.9MB, zeroclaw status가 0.01초에 4.1MB라는 수치는 시스템 유틸리티 수준의 가벼움이다.

이 차이가 실무에서 중요한 이유는 에지 디바이스 배포 때문이다. ARM, x86, RISC-V를 모두 지원하는 단일 바이너리로, 라즈베리 파이급 보드에서 IoT 에이전트를 돌리거나, 클라우드 인스턴스 비용을 극단적으로 줄이는 시나리오가 가능해진다. AWS t4g.nano(월 ~$3) 같은 최소 인스턴스에서도 에이전트를 운영할 수 있다는 얘기다.

다만 균형 잡힌 시각에서 짚어야 할 점이 있다. 벤치마크는 CLI 명령어 실행 기준이다. 실제 LLM API 호출이 병목인 에이전트 워크플로우에서 런타임 메모리 차이가 체감 성능에 얼마나 영향을 미치는지는 별개 문제다. 5MB냐 1GB냐의 차이가 결정적인 건 수십, 수백 개의 에이전트를 동시에 올려야 하는 대규모 배포 시나리오에서다.

메모리 시스템: 외부 의존성 없는 풀스택 검색 엔진

최근 AI 에이전트 생태계에서 메모리 시스템은 Pinecone, Weaviate 같은 벡터 DB에 의존하는 것이 사실상 표준처럼 굳어지고 있다. ZeroClaw는 이 관행을 정면으로 거부한다.

SQLite 위에 벡터 검색(코사인 유사도)과 키워드 검색(FTS5, BM25 스코어링)을 직접 구현하고, 두 결과를 가중치 기반으로 병합하는 하이브리드 검색을 자체 제작했다. 임베딩은 OpenAI API를 쓸 수도 있고, 커스텀 엔드포인트를 붙이거나, 아예 끌 수도 있다. 임베딩 캐시는 SQLite 테이블에 LRU 방식으로 저장하고, 리인덱스도 원자적으로 처리한다.

이 설계의 장점은 명확하다. Pinecone 월정액 비용이 없고, 네트워크 레이턴시가 없으며, 10달러짜리 보드에서도 메모리 시스템이 완전히 작동한다. 물론 수백만 건 규모의 벡터 검색에서는 전용 벡터 DB의 성능을 따라가기 어렵겠지만, 개인용 에이전트나 소규모 팀 시나리오에서는 "의존성 제로"라는 운영 단순성이 훨씬 가치 있다.

보안: 설계 시점부터 잠그다

AI 에이전트 인프라에서 보안은 아직 성숙하지 않은 영역이다. 많은 프레임워크가 "일단 동작하게 만들고, 보안은 나중에"라는 접근을 취한다. ZeroClaw는 여기서 상당히 공격적인 보안 기본값을 설정했다.

게이트웨이는 127.0.0.1에만 바인딩되며, 터널 없이 공개 바인딩을 시도하면 거부한다. 최초 연결 시 6자리 원타임 코드로 페어링하고, 이후 Bearer 토큰으로 인증한다. 파일시스템은 워크스페이스 범위로 제한하되, /etc, ~/.ssh, ~/.aws 같은 14개 시스템 디렉토리와 4개 민감 dotfile을 기본 차단한다. 심볼릭 링크를 통한 탈출 시도도 경로 정규화로 막는다.

채널 시스템의 기본 정책은 "전부 거부(deny-by-default)"다. 빈 허용 목록은 모든 메시지를 차단하고, 명시적으로 "*"를 설정해야 전체 허용이 된다. Telegram의 경우 미인가 사용자가 메시지를 보내면 운영자에게 바인딩 명령어를 안내하는 승인 플로우까지 갖추고 있다.

이런 수준의 보안 기본값은 Claude Code나 OpenAI Codex 같은 상용 제품에서도 완전히 달성하지 못한 부분이다. 에이전트가 실제로 셸 명령을 실행하고 파일을 조작하는 인프라에서, 보안을 "옵트인"이 아닌 "기본값"으로 설정한 건 올바른 방향이다.

70개 이상의 통합과 채널 생태계

ZeroClaw가 지원하는 메시징 채널 목록은 놀라울 정도로 넓다. Telegram, Discord, Slack, Mattermost는 기본이고, iMessage, Matrix, Signal, WhatsApp, IRC, Lark, DingTalk, QQ, Nostr까지 포함한다. WhatsApp은 Meta Business Cloud API뿐 아니라 WhatsApp Web 모드(QR코드 페어링)까지 지원해서, Meta 비즈니스 계정 없이도 개인 WhatsApp으로 에이전트를 연결할 수 있다.

로컬 LLM 지원도 눈에 띈다. Ollama, llama.cpp, vLLM을 퍼스트 클래스 프로바이더로 지원하며, OpenAI 호환 엔드포인트라면 custom:https://your-api.com 형식으로 어떤 것이든 연결할 수 있다. LLM 도구 호출이 불안정한 프로바이더(예: GLM-5)를 위해 LangGraph 기반 Python 컴패니언 패키지(zeroclaw-tools)까지 제공하는 건 현실적인 문제 해결이다.

경쟁 구도와 시사점

ZeroClaw의 등장은 AI 에이전트 인프라 시장의 분화를 보여준다. LangChain, CrewAI 같은 Python 생태계 프레임워크가 "풍부한 추상화와 빠른 프로토타이핑"에 집중하는 반면, ZeroClaw는 "최소 리소스, 최대 이식성, 보안 기본값"이라는 완전히 다른 축을 공략한다.

이건 웹 프레임워크에서 Express.js와 Actix Web의 관계와 비슷하다. Express가 생태계와 개발 편의성으로 시장을 지배하지만, 극한의 성능과 안정성이 필요한 곳에서는 Rust 기반 솔루션이 자리를 잡는다. AI 에이전트 인프라도 같은 방향으로 분화할 가능성이 높다.

다만 주의할 점도 있다. 2026년 2월 기준으로 프로젝트 사칭과 도메인 스쿼팅 문제가 발생했고, 공식 공지에서 zeroclaw.org와 zeroclaw.net이 비공식 포크의 사칭 사이트라고 경고하고 있다. 급성장하는 오픈소스 프로젝트에서 흔히 나타나는 문제이긴 하지만, 사용자 입장에서는 공식 채널(GitHub 레포지토리, zeroclawlabs.ai)만 신뢰해야 한다.

Rust로 AI 에이전트 인프라를 작성한다는 선택 자체가 이 프로젝트의 가장 강력한 차별점이자 가장 큰 진입장벽이다. 에이전트 로직을 커스터마이징하려는 개발자 대부분은 Python이나 TypeScript에 익숙하다. ZeroClaw가 trait 기반 설계와 Python 컴패니언 패키지로 이 간극을 메우려 하고 있지만, Rust 컴파일러와 싸워야 하는 기여 장벽은 여전히 존재한다. 스타 수 대비 PR 255개가 열려 있다는 것도 이 맥락에서 읽을 수 있다.

그럼에도 "에이전트 하나 돌리는 데 1GB의 메모리가 필요한가?"라는 질문 자체가 가치 있다. 에이전트가 수십, 수백 개로 스케일아웃되는 미래를 생각하면, 런타임 효율성은 결국 비용과 직결된다. ZeroClaw가 던지는 메시지는 분명하다. AI 에이전트 인프라도 결국 소프트웨어 엔지니어링의 기본 원칙, 즉 효율성, 이식성, 보안으로 수렴한다는 것이다.

원본 글

마지막 편집일시 : 2026년 3월 12일 10:56 오전

출처: https://wikidocs.net/333462

Moltis - 스스로 스킬을 만드는 로컬 AI 비서

AI 에이전트 시대가 본격적으로 열리고 있다. ChatGPT나 Claude 같은 클라우드 기반 서비스에 익숙해진 우리에게, "내 컴퓨터에서 돌아가는 나만의 AI 비서"라는 개념은 여전히 매력적이다. 최근 Hacker News에 등장한 Moltis는 바로 그 지점을 정조준한다. 메모리, 도구 사용, 그리고 스스로 새로운 스킬을 만들어내는 자기 확장 능력까지 갖춘 오픈소스 AI 비서다.

단일 바이너리, 설치 끝

Moltis의 첫 번째 매력은 단순함이다. 런타임 의존성 없이 바이너리 하나로 동작한다. Homebrew, Cargo, Docker, Snap, AppImage 등 거의 모든 설치 방식을 지원하고, DigitalOcean이나 Fly.io 같은 클라우드 원클릭 배포도 가능하다. 터미널에서 curl 한 줄이면 설치가 끝난다.

핵심 기능: 기억하고, 도구를 쓰고, 스스로 진화한다

Moltis가 단순한 챗봇과 다른 점은 크게 세 가지다.

장기 메모리. 벡터 검색과 전문 검색(FTS)을 결합한 하이브리드 메모리를 로컬에서 운영한다. 이전 대화의 맥락을 기억하기 때문에 매번 같은 설명을 반복할 필요가 없다. 임베딩도 로컬 GGUF 모델이나 OpenAI 배치 API를 선택할 수 있다.

도구와 확장성. MCP(Model Context Protocol) 서버 지원, 훅 시스템, 크론 잡 스케줄링까지 갖추고 있다. 브라우저 세션은 Docker 컨테이너 안에서 샌드박스로 실행되고, SSRF 공격 방지를 위해 루프백·프라이빗 IP 접근도 차단한다.

자기 확장(Self-Extension). 가장 흥미로운 부분이다. Moltis는 런타임에 스스로 새로운 스킬을 생성할 수 있다. 세션 브랜칭과 핫 리로드를 지원해서, 에이전트가 필요에 따라 자신의 능력을 확장해 나간다. 프로젝트명 자체가 "탈피(molt)"에서 온 것도 이런 맥락이다.

멀티 채널, 보안, 로컬 LLM

웹 UI, 텔레그램 봇, JSON-RPC API까지 하나의 에이전트를 여러 프론트엔드에서 사용할 수 있다. 음성 입출력도 지원한다. 인증은 기본 HTTPS에 패스키(WebAuthn), 스코프 API 키, 사람 승인(human-in-the-loop) 등을 제공한다. 그리고 OpenAI, GitHub Copilot 같은 클라우드 LLM뿐 아니라 로컬 모델도 지원해서 완전 오프라인 운영도 가능하다.

HN 커뮤니티의 반응

HN에서 가장 많이 나온 질문은 "OpenClaw과 뭐가 다른가?"였다. 비슷한 시기에 등장한 OpenClaw도 로컬 AI 에이전트를 표방하고 있어서 비교가 불가피하다. 이름 자체가 Claude의 "claw(집게발)" 밈에서 왔다는 점에서 "OpenClaw 열풍에 편승하는 거 아니냐"는 시선도 있었다.

OpenClaw 사용자들이 꼽은 Moltis의 잠재적 장점은 컨텍스트 연속성이다. OpenClaw은 토큰을 많이 소모해서 컴팩션이 자주 발생하는데, 이때 대화의 맥락이 끊기는 문제가 있다고 한다. Moltis의 하이브리드 메모리가 이 부분을 잘 해결한다면 차별화 포인트가 될 수 있다.

실용성에 대한 날카로운 지적도 있었다. "랜딩 페이지, 블로그, 문서 전부 읽었는데 실제로 뭘 할 수 있는지 모르겠다"는 피드백이다. 기술 아키텍처 설명은 훌륭하지만, 구체적인 유스케이스와 설치 방법이 부족하다는 것이다. 이건 많은 오픈소스 프로젝트가 겪는 전형적인 문제이기도 하다.

보안 우려도 빠지지 않았다. 비기술 사용자에게 배포하려면 스킬 코드를 일일이 읽어서 검증할 수 없으니 보안 문제가 걱정된다는 의견, 그리고 "랜덤 바이너리를 실행하고 API 키를 넣는 게 불안하다"면서 오픈소스 공개 여부를 묻는 목소리도 있었다. (Moltis는 MIT 라이선스로 GitHub에 공개되어 있다.)

토큰 비용에 대한 현실적인 고민도 눈에 띄었다. 정액제 구독 없이는 금방 비용이 불어날 수 있다는 점에서, 로컬 LLM 지원이 중요한 차별화 요소가 될 수 있다.

정리

Moltis는 아직 알파 단계라고 스스로 밝히고 있다. 하지만 단일 바이너리 배포, 로컬 LLM 지원, 하이브리드 메모리, 자기 확장 스킬이라는 조합은 꽤 매력적이다. 특히 자신의 데이터와 도구를 완전히 로컬에서 제어하고 싶은 개발자라면 주목할 만하다. OpenClaw과 함께 로컬 AI 에이전트 생태계가 어떻게 진화해 나갈지 지켜볼 만한 시점이다.

출처:https://wikidocs.net/331639

참고

1. 몰트워커 Moltworker

Moltworker는 AI 에이전트를 로컬 머신이 아닌 클라우드에서 실행하도록 설계되었습니다. Cloudflare의 인프라를 활용하여 에이전트를 호스팅하고 관리하므로, 설정 방식이 "노트북에서 실행"에서 "배포 후 어디서든 접속"으로 바뀝니다. 플랫폼은 요청 라우팅, 메모리 저장, 세션 일관성 유지 등의 작업을 처리하므로, 독립형 에이전트 도구라기보다는 백엔드 환경처럼 느껴집니다.

내부적으로는 서버리스 실행과 격리된 런타임을 결합합니다. 에이전트는 제어된 환경에서 실행되며, 상태는 별도로 저장되어 세션 간에 컨텍스트를 유지할 수 있습니다. 또한 브라우저 자동화를 지원하여 에이전트가 작업의 일부로 웹사이트와 상호 작용할 수 있습니다. 전반적으로 확장성과 가용성이 에이전트 자체 외부에서 처리되는 클라우드 네이티브 워크플로에 적합합니다.

주요 특징:

서버리스 인프라를 활용한 클라우드 기반 배포
에이전트 실행을 위한 격리된 런타임 환경
메모리 및 세션 데이터를 위한 영구 저장소
브라우저 기반 자동화 작업 지원
외부 AI 모델 및 서비스와의 통합
내장형 접근 제어 및 인증

누구에게 가장 적합할까요?

로컬 설정 없이 에이전트를 실행하려는 개발자
클라우드 기반 접근 및 가용성이 필요한 프로젝트
웹 플랫폼 전반에서 자동화 작업을 하는 사용자
자체 호스팅보다 서버리스 인프라를 선호하는 팀

연락처 정보:

웹사이트: moltworkerai.com

2. 나노봇 Nanobot

나노봇은 MCP 생태계를 중심으로 설계되었으며, MCP 서버를 완전한 에이전트로 전환하는 차별화된 접근 방식을 취합니다. 모든 것을 처음부터 구축하는 대신, 기존 MCP 도구를 기반으로 추론, 프롬프트 및 오케스트레이션 기능을 추가합니다. 즉, 에이전트는 단순히 함수를 호출하는 것이 아니라, 이러한 함수들이 대화형 환경에서 어떻게 상호 작용하고 응답하는지에 따라 구조화됩니다.

또 다른 중요한 특징은 인터페이스 처리 방식입니다. 채팅 내에서 직접 인터랙티브 요소를 렌더링할 수 있도록 지원하여 상담원의 실제 동작 방식을 변화시킵니다. 단순한 응답 대신 UI 구성 요소나 구조화된 출력을 표시할 수 있습니다. 프레임워크 자체는 상당히 유연하며, 간단한 파일을 통해 구성할 수 있고, 독립적인 시스템으로 운영하기보다는 다른 앱에 내장하여 사용할 수도 있습니다.

주요 특징:

도구를 사용하여 에이전트를 구축하기 위한 MCP 기반 아키텍처
간단한 파일을 사용한 구성 기반 설정
도구 오케스트레이션 및 구조화된 프롬프트 지원
채팅 내에서 상호작용 가능한 UI 요소를 렌더링할 수 있는 기능
외부 애플리케이션에 내장될 수 있습니다.
오픈 소스이며 확장 가능합니다.

누구에게 가장 적합할까요?

이미 MCP 서버를 사용하고 있는 개발자
구조화된 에이전트 상호작용이 필요한 프로젝트
팀들이 상호작용형 채팅 기반 도구를 개발하고 있습니다.
기존 앱에 에이전트를 통합하려는 사용자

연락처 정보:

웹사이트: www.nanobot.ai
이메일: info@obot.ai
트위터: x.com/Obots_ai
링크드인: www.linkedin.com/company/obots-ai

3. Carapace AI

Carapace AI는 에이전트 실행 자체보다는 에이전트들이 시간이 지남에 따라 지식을 공유하고 구축하는 방식에 더 중점을 둡니다. 각 에이전트가 독립적으로 작동하는 대신, 에이전트들이 구조화된 통찰력을 제공하고 다른 에이전트가 이미 학습한 내용을 질의할 수 있는 공유 계층을 구축합니다. 이 시스템은 아이디어가 일반 텍스트로 저장되는 것이 아니라 관계를 기반으로 연결되는 지식 그래프를 중심으로 구축됩니다.

이 시스템의 차별점은 정보를 처리하는 방식에 있습니다. 각 기여에는 추론, 맥락, 신뢰도가 포함되며, 다른 에이전트가 이를 검증하거나 개선할 수 있습니다. 검색은 정확한 단어 선택보다는 의미를 기반으로 하므로, 표현이 다르더라도 에이전트는 관련성 있는 정보를 찾아낼 수 있습니다. 이는 기존의 에이전트 구축 프레임워크보다는 에이전트를 위한 공유 메모리 시스템에 더 가깝습니다.

주요 특징:

에이전트가 생성한 인사이트를 위한 공유 지식 그래프
논리적 근거와 맥락을 제시하는 체계적인 기고
키워드가 아닌 의미를 기반으로 한 의미 검색
에이전트가 인사이트를 다듬거나 확인하는 검증 시스템
에이전트 시스템과의 통합을 위한 API 우선 설계
관련 아이디어 간의 연결을 지원합니다.

누구에게 가장 적합할까요?

다중 에이전트 시스템을 개발하는 개발자
공유되거나 진화하는 지식에 의존하는 프로젝트
협업 에이전트 행동을 탐구하는 팀
의미 검색 및 구조화된 메모리에 관심 있는 사용자

연락처 정보:

웹사이트: carapaceai.com
트위터: x.com/clawdActual

4. NanoClaw

NanoClaw는 매우 간단한 아이디어를 기반으로 구축되었습니다. 바로 에이전트 시스템을 한 사람이 이해할 수 있을 만큼 작게 유지하는 것입니다. 여러 계층의 서비스로 구성된 대규모 프레임워크 대신, 메시징, 큐, 컨테이너 실행을 처리하는 단일 Node.js 프로세스로 실행됩니다. 에이전트는 격리된 컨테이너 내에서 작동하므로 각 작업 또는 그룹은 자체 메모리와 파일 시스템을 갖춘 독립적인 환경에서 실행됩니다. 마치 플랫폼이라기보다는 수백 개의 파일을 뒤져볼 필요 없이 사용자의 환경에 맞게 구성할 수 있는 무언가처럼 느껴집니다.

가장 눈에 띄는 점은 격리와 제어 방식입니다. 각 그룹은 자체 컨테이너, 세션, 스토리지를 가지므로 데이터가 서로 섞이지 않습니다. 동시에 구조를 최소화하여 대시보드나 복잡한 설정 과정 없이 메시징 앱이나 Claude 기반 툴을 통해 직접 상호 작용할 수 있습니다. 추상화에 의존하기보다는 시스템을 직접 이해하는 것을 선호하는 사용자를 위해 설계된 것이 분명합니다.

주요 특징:

각 에이전트 그룹에 대한 컨테이너 기반 격리
움직이는 부품이 최소화된 단일 프로세스 아키텍처
그룹별 메모리 및 파일 시스템 분리
텔레그램, 왓츠앱과 같은 메시징 앱 지원
반복 작업 또는 일회성 작업을 위한 내장형 예약 기능
간단한 스킬 시스템을 통해 확장 가능

누구에게 가장 적합할까요?

에이전트 실행 방식을 완벽하게 제어하고 싶은 개발자
개인 AI 워크플로우를 구축하는 사람들
대규모 프레임워크보다 경량 시스템을 선호하는 사용자
작업이나 환경 간의 격리를 중요하게 생각하는 팀

연락처 정보:

웹사이트: nanoclaw.net
트위터: x.com/nanoclawai

5. 놀리 Knolli

Knolli는 완전히 다른 접근 방식을 취합니다. 인프라에 집중하는 대신, 코드를 작성하지 않고도 AI 코파일럿을 더 쉽게 구축하고 배포할 수 있도록 지원합니다. 이 플랫폼은 에이전트의 동작 정의부터 데이터 소스 연결, 배포에 이르기까지 모든 것을 하나의 작업 공간으로 통합합니다. 여러 도구를 사용해야만 기본적인 기능을 실행할 수 있는 기존의 설정 과정에서 발생하는 불편함을 없애는 것이 목표입니다.

또한 수익 창출 및 분석과 같이 기존 에이전트 도구에 포함되지 않는 기능까지 통합합니다. 시스템 전환 없이 코파일럿을 생성하고 데이터에 연결하여 게시할 수 있습니다. 다양한 모델과 통합을 지원하며, 기술적인 부담 없이 워크플로우를 연결할 수 있습니다. 시스템 수준의 제어보다는 사용 가능한 솔루션을 신속하게 구축하고 실행하는 데 중점을 둡니다.

주요 특징:

AI 조종사 보조 프로그램을 구축하기 위한 노코드 환경
생성, 배포 및 관리를 위한 통합 작업 공간
단일 코파일럿 내에서 다중 에이전트 설정
외부 도구, 데이터 소스 및 CRM과의 통합
내장 분석 및 사용량 추적 기능
다양한 AI 모델 지원

누구에게 가장 적합할까요?

기술 분야에 익숙하지 않은 사용자들이 AI 도구를 개발하고 있습니다.
엔지니어링 작업 없이 코파일럿을 출시하려는 팀
창업자들이 아이디어를 빠르게 테스트하고 있습니다
인공지능을 기존 데이터 및 워크플로와 연결하려는 기업

연락처 정보:

웹사이트: www.knolli.ai
이메일: hello@knolli.ai
페이스북: www.facebook.com/knolliai
링크드인: www.linkedin.com/company/knolli-ai
인스타그램: www.instagram.com/knolli.ai
주소: 23 Railroad Ave #971, Danville, CA 94526
전화: +1 (415) 779-2793

6. 제로클로 ZeroClaw

ZeroClaw는 시스템 수준의 관점에서 접근합니다. Rust로 작성되었으며 성능, 안전성 및 낮은 리소스 사용량에 중점을 둡니다. 기능을 계층적으로 추가하는 대신 핵심을 간결하게 유지하고 필요에 따라 구성 요소를 플러그인할 수 있는 모듈식 아키텍처를 사용합니다. 이 프레임워크는 빠른 실행 속도와 예측 가능성을 보장하도록 설계되어 일반적인 에이전트 빌더보다는 인프라에 더 가깝습니다.

이 시스템은 핵심 로직, AI 제공업체 통합, 통신 채널이라는 명확한 계층 구조를 중심으로 구축되어 있습니다. 이러한 분리 덕분에 에이전트가 모델 및 외부 시스템과 상호 작용하는 방식을 더욱 쉽게 제어할 수 있습니다. 또한 여러 AI 제공업체와 메시징 플랫폼을 지원하며, 오버헤드가 크지 않아 로컬 환경에서도 원활하게 실행될 수 있습니다. 기능이 풍부한 다른 도구들과 비교했을 때, 이 시스템은 완성된 솔루션이라기보다는 사용자가 직접 구축해 나갈 수 있는 기반을 제공하는 느낌입니다.

주요 특징:

안전성과 성능에 중점을 둔 Rust 기반 아키텍처
모듈식 설계와 플러그형 구성 요소
다양한 AI 제공업체 및 통신 플랫폼 지원
리소스 사용량이 적은 로컬 배포
핵심 로직, 어댑터 및 채널을 위한 구조화된 계층

누구에게 가장 적합할까요?

상용 AI 시스템을 개발하는 개발자
성능과 신뢰성을 우선시하는 팀
다양한 AI 제공업체와의 유연한 통합이 필요한 프로젝트
하위 수준 프레임워크 위에 구축하는 데 익숙한 사용자

연락처 정보:

웹사이트: zeroclaw.org

7. 몰티스 Moltis

Moltis는 AI 에이전트 실행에 있어 로컬 우선 접근 방식을 취합니다. 클라우드 인프라에 의존하는 대신, 소형 기기든 대형 서버든 사용자의 컴퓨터에서 직접 실행됩니다. 설치 과정은 단일 바이너리 파일로 패키징되어 모든 구성 요소가 한 곳에 존재하며, 시스템은 데이터와 접근 권한을 외부 서비스를 거치지 않고 사용자가 직접 제어하도록 설계되었습니다.

실행 방식은 상당히 엄격합니다. 에이전트는 샌드박스 환경에서 작동하며, 파일이나 시스템 도구에 대한 접근은 명시적으로 허용되어야 합니다. 동시에 메시징 채널, 음성 상호 작용, 일정 관리와 같은 내장 기능이 포함되어 있어 외부 플러그인에 의존하지 않습니다. 확장형 프레임워크라기보다는 사용자가 직접 호스팅하고 관리하는 독립적인 어시스턴트에 더 가깝습니다.

주요 특징:

외부 호스팅에 의존하지 않는 로컬 우선 설정
시스템 접근이 제어된 샌드박스 실행 환경입니다.
내장 기능을 갖춘 단일 바이너리 구조
메시징 플랫폼 및 음성 상호 작용 지원
스케줄링 및 메모리 관리는 시스템 내에서 처리됩니다.
다양한 종류의 하드웨어와 운영 체제에서 실행됩니다.

누구에게 가장 적합할까요?

데이터와 에이전트를 자신의 컴퓨터에 보관하는 것을 선호하는 사용자
개인용 AI 비서를 실험 중인 개발자들
현지 통제와 고립이 중요한 프로젝트
외부 서비스 없이 자체적인 시스템을 원하는 사람들

연락처 정보:

웹사이트: moltis.org

8. Adept

Adept는 소프트웨어 및 웹 인터페이스와 직접 상호 작용하는 에이전트 구축에 집중합니다. API만을 사용하는 기존 방식에서 벗어나, 애플리케이션의 구조와 동작 방식을 이해하고 이를 바탕으로 환경 내에서 명령을 실행으로 옮기는 접근 방식을 취합니다. 따라서 기존 도구를 대체하기보다는 기존 도구들과 함께 작동하는 시스템에 더 가깝습니다.

이 플랫폼은 모델, 학습 데이터, 인터페이스와의 상호 작용을 처리하는 실행 계층을 결합한 풀 스택 구조로 되어 있습니다. 또한 피드백 및 개선 도구를 포함하여 워크플로우를 시간이 지남에 따라 조정할 수 있도록 설계되었습니다. 이 플랫폼은 에이전트가 인터페이스를 탐색하고, 정보를 추출하고, 작업을 순차적으로 완료해야 하는 다단계 프로세스 처리에 중점을 두고 있습니다.

주요 특징:

웹 및 소프트웨어 인터페이스와의 상호 작용에 집중하세요.
모델 및 실행 계층을 포함한 풀스택 설정
여러 단계로 이루어진 워크플로우를 계획하고 실행할 수 있는 능력
문서 및 구조화된 데이터 작업 지원
시간이 지남에 따라 워크플로를 개선하기 위한 피드백 도구
다양한 비즈니스 시스템에서 작동하도록 설계되었습니다.

누구에게 가장 적합할까요?

기존 소프트웨어 전반에 걸쳐 워크플로우를 자동화하는 팀
API보다는 UI 기반 상호작용에 의존하는 프로젝트
복잡하고 여러 단계를 거치는 프로세스를 처리하는 조직
에이전트 기반 작업 실행을 개발하는 개발자

연락처 정보:

웹사이트: www.adept.ai
트위터: x.com/adeptailabs
링크드인: www.linkedin.com/company/adeptailabs

9. Rabbit r1

Rabbit r1은 하드웨어 관점에서 AI 에이전트라는 개념에 접근합니다. 모든 것을 개발 환경에서 실행하는 대신, 에이전트와 유사한 동작을 물리적 장치에 구현하여 자체 운영 체제를 통해 앱 및 시스템과 상호 작용할 수 있도록 합니다. 이 장치는 서비스에 연결하고 AI 모델을 사용하여 질문에 답변하거나, 입력을 처리하거나, 특정 작업을 실행하는 등 요청을 처리합니다.

핵심은 작업 실행 방식입니다. 이 시스템을 통해 매번 수동 설정 없이 애플리케이션 및 환경과 상호 작용할 수 있습니다. 또한 음성 입력, 카메라 기반 상호 작용, 요약 기능과 같은 내장 기능도 포함되어 있습니다. 일반적인 프레임워크와 비교했을 때, 에이전트 구축에 초점을 맞추는 대신 독립형 장치 환경의 일부로 에이전트를 활용하는 데 중점을 둡니다.

주요 특징:

AI 기반 작업을 실행하기 위한 전용 장치
앱, 시스템 및 브라우저 기반 도구와의 상호 작용
내장 음성, 카메라 및 인터페이스 기능
기본적인 상호 작용을 위해 수동 설정이 필요하지 않습니다.
처리 및 응답을 위해 외부 AI 모델을 사용합니다.
자체 시스템 환경을 통해 작동합니다.

누구에게 가장 적합할까요?

바로 사용할 수 있는 AI 비서 기기를 원하는 사용자
개발 환경 설정 없이 에이전트와 유사한 워크플로우를 탐색하는 사람들
개인들이 다양한 앱에서 일상적인 작업을 위해 AI를 사용하고 있습니다.
하드웨어 기반 AI 상호작용에 관심 있는 사람들

연락처 정보:

웹사이트: www.rabbit.tech
트위터: x.com/rabbit_hmi
인스타그램: www.instagram.com/rabbit

10. Cognition

Cognition은 일반적인 자동화보다는 소프트웨어 개발 작업을 처리할 수 있는 에이전트 구축에 집중하고 있습니다. 이들의 주요 목표는 엔지니어링 문제를 추론하고, 코드를 작성하며, 개발자가 접근하는 방식과 유사하게 단계별로 작업을 수행할 수 있는 에이전트를 만드는 것입니다. 툴킷이나 프레임워크를 직접 공개하는 대신, 개발 워크플로 전반에서 작동할 수 있는 AI 시스템을 구축하는 데 중점을 두고 있습니다.

주목할 만한 점은 사용자가 직접 조립하는 방식이 아니라는 것입니다. 시스템은 에이전트가 계획, 실행 및 반복 작업을 내부적으로 처리하는 방식으로 더욱 탄탄하게 구성되어 있습니다. 이는 에이전트를 구성 요소로 구축하는 방식에서 벗어나, 특히 소프트웨어 관련 환경에서 특정 유형의 작업을 수행하는 완전한 시스템으로 활용하는 방향으로의 전환을 반영합니다.

주요 특징:

소프트웨어 개발 작업에 AI 에이전트를 집중적으로 활용하세요.
계획 및 실행을 단일 시스템 내에서 처리합니다.
복잡한 워크플로를 통해 추론하는 방식을 중심으로 설계되었습니다.
코딩 및 개발 관련 프로세스 전반에 걸쳐 업무를 수행합니다.
수동 설정이나 모듈식 구성에 대한 강조를 줄였습니다.

누구에게 가장 적합할까요?

AI 기반 소프트웨어 개발을 모색하는 팀들
에이전트가 코딩 작업을 처리해야 하는 프로젝트
엔드투엔드 에이전트 동작에 관심 있는 사용자
엔지니어링 워크플로우에서 AI를 테스트하는 조직

연락처 정보:

웹사이트: cognition.ai
트위터: x.com/cognition
링크드인: www.linkedin.com/company/cognition-ai-labs

11. OneRingAI

OneRingAI는 플랫폼이라기보다는 개발자 라이브러리로 설계되었으며, 단일 구조를 통해 에이전트를 여러 시스템 및 모델에 연결하는 데 중점을 둡니다. 통합, 인증, 외부 도구 등을 여러 계층에 분산시키지 않고 한 곳에서 처리하는 커넥터 기반 접근 방식을 사용합니다. 이러한 접근 방식 덕분에 에이전트 구축 방식이 달라지는데, 대부분의 설정이 개별 구성 요소를 연결하는 대신 연결을 정의하는 데 집중되기 때문입니다.

또 다른 특징은 컨텍스트와 도구를 다루는 방식입니다. 플러그인을 통해 컨텍스트를 관리하는 시스템은 물론, 파일, API, 심지어 데스크톱 수준의 작업까지 처리할 수 있는 내장 도구도 제공합니다. 또한 동일한 워크플로 내에서 다양한 AI 모델과 미디어 유형을 지원합니다. 전반적으로 개발자가 여러 라이브러리를 오가며 작업할 필요 없이 통합, 컨텍스트, 실행을 한 곳에서 관리할 수 있도록 하는 데 중점을 두고 있습니다.

주요 특징:

통합 및 인증을 위한 커넥터 기반 아키텍처
다양한 AI 모델 및 모달리티 지원
컨텍스트 및 메모리 관리를 위한 플러그인 시스템
파일, API 및 시스템 수준 작업을 위한 내장 도구
워크플로 및 실행 처리를 위한 통합 구조
단일 진입점을 가진 TypeScript 기반 라이브러리

누구에게 가장 적합할까요?

개발자들이 여러 시스템에 연결되는 에이전트를 구축하고 있습니다.
API 및 도구와의 유연한 통합이 필요한 프로젝트
다중 모델 설정을 사용하는 팀
여러 프레임워크 대신 단일 라이브러리를 원하는 사용자

연락처 정보:

웹사이트: oneringai.io
트위터: x.com/aantich

결론

이러한 옵션들을 모두 나란히 살펴보면 한 가지 분명한 사실을 알 수 있습니다. 바로 OpenClaw를 완전히 대체할 만한 도구는 없다는 것입니다. 각 도구는 모두 비슷한 분야에 속하지만, 저마다 다른 문제를 해결합니다.

나노클로(NanoClaw)나 몰티스(Moltis)처럼 제어와 단순함을 추구하는 앱들도 있는데, 이런 앱들은 내부 작동 방식을 명확하게 이해할 수 있도록 설계되었습니다. 반면 놀리(Knolli)처럼 마찰을 완전히 제거하려는 앱들도 있습니다. 원링AI(OneRingAI)나 제로클로(ZeroClaw)처럼 완성품이라기보다는 구성 요소에 가까운 앱들도 있죠. 그리고 카라페이스(Carapace)나 어뎁트(Adept)처럼 아예 경쟁을 시도하지 않고 에이전트라는 개념 자체에 다른 관점을 제시하는 앱들도 있습니다.

사람들이 흔히 어려움을 겪는 부분이 바로 그 지점입니다. 도구가 복잡해서가 아니라, 실제로 어떻게 일하고 싶은지가 아니라 기능만 보고 선택하기 때문입니다.

직접 수정하고 제어할 수 있는 것을 원한다면, 더 작고 코드에 가까운 도구를 사용하는 것이 좋습니다. 단순히 무언가를 실행하고 동작을 확인하는 것이 목적이라면, 설정을 자동으로 처리해주는 도구를 사용하는 것이 좋습니다. 그리고 장기적인 목표를 가지고 있다면, 도구 자체보다는 에이전트가 시간이 지남에 따라 어떻게 발전할지에 대해 더 고민하는 것이 현명할 것입니다.

728x90

저작자표시 비영리 변경금지 (새창열림)

'프로그램 활용 > 인공지능(AI)' 카테고리의 다른 글

Mini-SGLang: SGLang의 핵심을 담은 경량화 고성능 LLM 추론 프레임워크 (0)	2026.05.18
LangChain으로 이미지가 있는 문서를 검색하는 RAG 시스템 구축하기 (Multimodal RAG Cookb (0)	2026.05.06
Ollama3.1를 활용한 LLM 구축 및 RAG 시스템 적용해보기 (0)	2026.03.18
Build a Local LLM-based RAG System for Your Personal Documents (0)	2026.03.18
openclaw와 Ollama llm 연결 오류 (0)	2026.03.18

오픈소스 OpenClaw 대체재

nanobot

nanobot vs. OpenClaw 비교

nanobot의 주요 구조

nanobot의 주요 기능 및 특징

주요 활용 기능

유연한 실행 환경

nanobot의 향후 로드맵 (Roadmap)

nanobot 설치 및 설정 가이드

초기 설정 (Configuration)

라이선스

picoclaw

개발자들 충격... 10달러짜리 하드웨어에서 돌아가는 '괴물' AI 에이전트, PicoClaw 등장!

🦐 PicoClaw가 도대체 뭔가요?

✨ 주요 특징 (Key Features)

🏗️ 딥 다이브: 아키텍처와 작동 원리

🚀 설치 및 설정 가이드 (Installation)

1. 설치 방법 (택 1)

2. 초기 설정 (Configuration)

🎮 사용 가이드 (Usage)

🆚 비교: OpenClaw vs PicoClaw

⚠️ 주의사항 (Scam Alert)

📝 결론: 엣지 AI의 미래

References

ZeroClaw

왜 AI 에이전트에 "런타임 OS"가 필요한가

5MB의 의미: 벤치마크가 보여주는 구조적 차이

메모리 시스템: 외부 의존성 없는 풀스택 검색 엔진

보안: 설계 시점부터 잠그다

70개 이상의 통합과 채널 생태계

경쟁 구도와 시사점

Moltis - 스스로 스킬을 만드는 로컬 AI 비서

단일 바이너리, 설치 끝

핵심 기능: 기억하고, 도구를 쓰고, 스스로 진화한다

멀티 채널, 보안, 로컬 LLM

HN 커뮤니티의 반응

정리

참고

1. 몰트워커 Moltworker

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

2. 나노봇 Nanobot

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

3. Carapace AI

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

4. NanoClaw

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

5. 놀리 Knolli

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

6. 제로클로 ZeroClaw

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

7. 몰티스 Moltis

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

8. Adept

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

9. Rabbit r1

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

10. Cognition

주요 특징:

누구에게 가장 적합할까요?

연락처 정보:

11. OneRingAI

주요 특징: