prime-agent 딥다이브
— 프롬프트·기억·스킬을 스스로 고쳐 쓰는 재귀 언어모델(RLM) 코딩 에이전트

1프로젝트 한 줄 요약

prime-agent는 터미널에서 실행하는 CLI 코딩·리서치 에이전트다. Claude Code·Codex·Cursor 같은 부류지만, 세계를 바라보는 방식이 다르다. 대부분의 에이전트는 모델에게 "파일 읽기, 파일 쓰기, 셸 실행" 같은 정해진 툴 목록을 JSON으로 던져주고 하나씩 고르게 한다. prime-agent는 그 대신 "살아 있는 파이썬 세션(IPython 커널) 하나"를 유일한 툴로 준다 — 모델은 파이썬 코드를 써서 파일을 편집하고, %%bash로 명령을 돌리고, 스킬을 import하고, 하위 에이전트를 함수처럼 호출한다.

이 설계에 붙은 이름이 RLM(Recursive Language Model, 재귀 언어모델)이다. 핵심 아이디어 둘: (1) 프롬프트를 변수처럼 다룬다(prompt-as-a-variable) — 긴 컨텍스트를 통째로 모델 창에 밀어넣는 대신 파이썬 변수에 담아두고 필요할 때 꺼낸다. (2) 툴·하위 에이전트를 함수 호출로 다룬다 — rlm("이 인증 흐름 검토해줘")처럼 코드 한 줄로 자식 에이전트를 띄운다. "언어모델이 언어모델을 호출한다"는 재귀 구조라 Recursive다.

두 번째 기둥은 Continual Harness(지속 하네스)다. 에이전트가 일하며 알게 된 것 — 유용한 보조 프롬프트, 기억해야 할 결정·실패·선호, 새로 만든 스킬, 재사용할 서브에이전트 설정 — 을 JSON 상태로 저장해두고 /refine 명령으로 스스로 다듬는다. 이게 "self-improving"의 실체다. 다시 강조하면, 모델 가중치를 학습하는 게 아니라 재사용 가능한 컨텍스트(프롬프트·기억·스킬)를 스스로 편집하는 것이다.

2왜 지금 주목받는가

2026년 현재 코딩 에이전트 시장은 Claude Code·OpenAI Codex·Cursor·Gemini CLI가 각축을 벌인다. 이 판에서 prime-agent가 Daily #2까지 오른 이유는 단순한 "또 하나의 CLI 에이전트"가 아니라, 에이전트의 능력을 '툴 카탈로그'가 아니라 '프로그래밍 가능한 실행 환경'으로 정의하고, 거기에 자기개선 루프를 결합했기 때문이다. (TrendShift의 굵은 숫자는 별 수가 아니라 사회적 언급 모멘텀 점수라는 점도 기억해 두자.)

배경도 한몫한다. 개발사 Prime Intellect는 "전 세계에 흩어진 GPU로 대형 모델을 분산 학습한다"는 비전으로 유명한 회사다(verifiers, prime-rl, 환경 허브, 자체 추론 API 등을 운영). prime-agent는 그 생태계의 클라이언트 겸 실험 도구다 — 즉 "에이전트를 평가·훈련하는 회사가 직접 쓰는 에이전트"라는 서사가 관심을 끈다. 라이선스도 MIT로 완전 오픈이며, 오픈소스 에이전트 pi(Mario Zechner) 위에 세워졌다는 계보도 신뢰를 준다.

주목 포인트 1 — "모든 것이 프로그래밍 가능"

내장 툴이 사실상 ipython 하나뿐이라는 게 역설적 강점이다. 파일 검색·편집·셸·네트워크 요청을 각각 툴로 노출하는 대신, 모델이 파이썬으로 조합·반복·조건 분기를 직접 짠다. "파일 100개를 열어 특정 패턴을 고친 뒤 실패한 것만 다시"처럼 루프가 필요한 작업에서 툴 호출을 수십 번 왕복하지 않고 코드 한 덩어리로 끝낸다.

주목 포인트 2 — 서브에이전트가 "함수 호출"로 내장

멀티에이전트를 별도 프레임워크로 짜는 대신, rlm(...) 한 줄이면 자식 에이전트가 태어난다. 게다가 v0.6.0부터 rlm()은 자식의 답을 기다리지 않고 즉시 핸들을 반환(admission)한다 — 부모는 계속 일하고, 자식은 끝나면 agent_message로 결과를 보낸다. 병렬 위임이 언어 문법처럼 자연스럽다.

주목 포인트 3 — 하네스가 스스로 개선된다

대부분의 에이전트는 컨텍스트가 길어지면 요약(compaction)해서 버린다. prime-agent는 여기에 /refine을 더해, 요약 대신 "재사용할 프롬프트·기억·스킬·서브에이전트 설정"에 대한 정밀한 편집(create/update/delete)을 남긴다. 되돌리기(rollback)까지 지원해서, 자기개선이 폭주하지 않도록 안전장치를 뒀다.

주목 포인트 4 — 진짜 장시간 작업을 노린 설계

백그라운드 데몬 세션, 목표(/goal), 하트비트·스케줄, 자율 모드(/autonomous), 에이전트 간 메시지까지 — "사람이 지켜보지 않아도 몇 시간씩 굴러가는" 워크로드를 1급 기능으로 삼았다. 여기에 ACP(Zed 에디터의 Agent Client Protocol)와 MCP도 지원한다.

3기술 스택 전체 지도

스택을 이해하는 열쇠는 "본체는 전부 TypeScript(Node)이고, 파이썬은 모델이 코드를 실행하는 커널 한 곳에만 쓰인다"는 점이다. 저장소는 npm 워크스페이스 모노레포이며 소스 대부분이 .ts다(coding-agent 268 · ai 51 · tui 32 · agent 5). 파이썬은 prime-agent-runtime/의 4개 파일뿐이다.

(A) 모노레포 계층 — 5개 워크스페이스

패키지 이름이 전부 @earendil-works/pi-*이고 실행 바이너리도 pi인 이유는, prime-agent가 오픈소스 pi(github.com/badlogic/pi-mono)를 리브랜딩·확장했기 때문이다. 설정 폴더는 ~/.prime/agent/로 바꿔 달았다.

(B) LLM 계층 — packages/ai (통합 프로바이더 추상화)

25개 안팎의 프로바이더를 하나의 API로 감싼 계층이다. 구독형(OAuth: Claude Pro/Max, ChatGPT Plus/Pro, GitHub Copilot)과 API 키형(Anthropic, OpenAI, Google, DeepSeek, xAI, Mistral, Groq, Cerebras, OpenRouter, Bedrock, Azure, 그리고 자사 Prime Inference 등)을 모두 지원하고, Ollama·vLLM·LM Studio 같은 로컬 모델도 models.json으로 꽂는다.

(C) 파이썬 런타임 계층 — prime-agent-runtime

모델이 실행하는 코드가 도는 곳이다. requires-python ≥ 3.10이지만 실제 관리형 커널 venv는 파이썬 3.11을 uv로 자동 설치한다. 의존성은 단출하다: ipykernel(커널), nest-asyncio(중첩 이벤트 루프), tyro(CLI 파싱). 이 패키지의 rlm/__init__.py가 파이썬 쪽에서 rlm 객체와 host_request()를 노출해, 파이썬 → TypeScript 호스트로 신호를 보내는 다리를 놓는다.

4아키텍처 심화 분석

4-A. 프로세스 지형도

prime-agent는 단일 프로세스가 아니라 여러 프로세스로 쪼개져 있다. 워커와 커널을 별도 프로세스로 나눈 이유는 "장애 격리"이지 "보안 격리"가 아니다 — 이 구분은 뒤(7장)에서 중요해진다.

4-B. 에이전트 루프 — "툴 호출 = 파이썬 실행"

루프는 이렇게 돈다. ① 모델이 응답을 스트리밍한다. ② 그것이 ipython 툴 호출이면, AgentSession이 파이썬 코드를 커널로 보낸다. ③ 커널은 결과·표준출력·에러를 돌려주거나, 거꾸로 호스트에게 "요청(host request)"을 던진다 — 예: rlm.run(자식 스폰), goal.*, agent_message.*. ④ 호스트가 처리하고 커널에 응답한다. 사용자 입력뿐 아니라 하트비트·크론·목표 이어가기·자율 모드·다른 에이전트의 메시지도 전부 같은 경로로 프롬프트를 밀어넣는다.

4-C. 서브에이전트 — "재귀"의 실체

RLM의 R(재귀)이 드러나는 곳이다. 자식은 코드 한 줄로 태어난다.

handle = await rlm("인증 흐름을 검토해줘", name="auth-reviewer")
# v0.6.0부터: 자식의 '답'이 아니라 '핸들'을 즉시 반환(admission)한다.
# handle.rlm_child_id / name / session_dir / model  ...
# 자식은 끝나면 부모에게 메시지로 보고한다:
await agent_message.send(result, receiver_role="parent")

부모는 자식을 기다리며 멈추지 않고 계속 일한다(비동기 위임). 기본 깊이는 RLM_MAX_DEPTH = 1이라 "부모 → 자식"까지만 허용되고, 손자 세대는 명시적으로 올려야 생긴다("핵가족" 제한). 자식이 쓴 토큰은 부모 턴에 합산되고(child_usage_attributed), 서브에이전트 레지스트리는 압축·재시작 후에도 살아남는다(rlm.list_subagents()).

4-D. Continual Harness — 자기개선 루프

가장 독창적인 부분이다. 하네스 상태는 4종류의 편집 가능한 항목으로 이뤄진다: prompt(보조 프롬프트) · memory(사실·결정·실패·선호) · skill(설치된 파이썬 스킬) · subagent(재사용 위임 설정). 이 상태는 harness/harness_state.json에 저장된다. /refine을 돌리면 별도의 LLM 리뷰가 지금까지의 작업 궤적을 읽고, 다음처럼 정밀한 편집 목록(JSON)을 뱉는다.

{
  "summary": "인증 리팩터링에서 배운 것 정리",
  "rationale": "...",
  "expectedOutcome": "...",
  "edits": [
    { "action": "create", "kind": "memory",
      "title": "JWT 만료 검증 위치",
      "content": "미들웨어가 아니라 게이트웨이에서 검증할 것" },
    { "action": "update", "kind": "skill", "id": "run-tests", "content": "..." }
  ]
}

안전장치가 촘촘하다. 기본 시스템 프롬프트는 불변이고 리파인은 "보조"만 추가한다. 모든 리파인은 before/after 스냅샷을 refinements.jsonl에 남겨 롤백이 된다. 자동 리파인(auto-refine)은 게이트가 "지금 다듬을 가치가 있나"를 먼저 판정해 일회성 잡음을 걸러내고, 기본 적용 범위는 세션 로컬이다(전역 반영은 명시 요청 필요). "컨텍스트 압축이 요약이라면, 리파인은 재사용 상태에 대한 정밀 편집"이라는 한 줄이 이 설계를 요약한다.

4-E. 장시간 작업을 위한 장치들

자동 압축(compaction), 데몬 기반 연속성, 목표(/goal), 하트비트·스케줄(prime-agent schedule), 자율 모드(/autonomous, 턴·토큰·시간 예산으로 제한 + 선택적 품질 게이트)까지. 세션 아티팩트에는 커널 상태(kernel-state.dill), 하네스 상태, 예약 작업, 중첩된 자식 세션 폴더가 함께 저장된다.

5디렉토리 구조 해부

268개 소스가 든 packages/coding-agent/src가 사실상의 본체다. 파일 크기(괄호)가 곧 "무게 중심"을 알려준다 — 커널 관리와 리파인, 그리고 오케스트레이션에 코드가 몰려 있다.

내장 스킬 — "실행 가능한 능력"이 폴더로

스킬은 문서가 아니라 파이썬에서 import되는 실행 패키지다. 기본 제공: prime-intellect(생태계 조작) · skill-creator · websearch · refine · goal · compact · rlm-heartbeat · agent-message · agent-observe · edit · attach-image · linear · notion. 즉 자기개선(refine)·목표관리(goal)·에이전트 통신(agent-message)조차 "스킬"이라는 같은 단위로 구현돼 있다.

모노레포 나머지 3패키지

agent/(pi-agent-core)는 에이전트 루프·전송·상태의 최소 코어(5파일), ai/(pi-ai)는 프로바이더 51파일 + 자동 생성된 models.generated.ts 모델 목록, tui/(pi-tui)는 화면 깜빡임을 줄이는 차등 렌더링 터미널 UI다.

6학습 포인트

prime-agent는 GPU 없이도 돌릴 수 있어(9장 참고) "현대 코딩 에이전트의 내부 설계"를 통째로 읽어볼 수 있는 드문 오픈소스다. 아래 7가지가 알짜다.

① RLM 패턴 — 프롬프트를 변수로, 툴을 함수로

"툴 목록 나열"과 "인터프리터 제공"의 트레이드오프를 체감하기 좋다. 실습: 같은 작업(파일 10개에서 TODO 주석 세기)을 (a) 툴 호출 방식과 (b) 파이썬 한 덩어리로 각각 시켜보고 왕복 횟수를 비교.

② Continual Harness — 요약 대신 "정밀 편집"

컨텍스트 관리의 새 패러다임. 실습: /refine 전후로 harness_state.json과 refinements.jsonl을 열어 어떤 memory/skill 편집이 생겼는지 diff.

③ Jupyter 커널을 에이전트 실행 환경으로

ZeroMQ 3채널·HMAC 서명·control 채널 트릭은 그 자체로 좋은 시스템 프로그래밍 교재다. 실습: core/kernel/index.ts에서 execute_request가 어떻게 프레이밍되는지 따라가 보기.

④ 비동기 서브에이전트 — admission 모델

"자식을 기다리지 않고 핸들만 받는" 설계가 왜 교착·지연에 강한지 배운다. 실습: 자식 2개를 병렬 스폰하고 agent_message로 결과를 모아 합치기.

⑤ 통합 LLM 추상화 계층

25개 프로바이더를 한 인터페이스로 감싸는 방법(스트리밍·툴콜·인증·프록시)을 packages/ai/providers/에서 통째로 볼 수 있다. 실습: 로컬 Ollama 모델을 models.json으로 등록해 붙이기.

⑥ 데몬 기반 백그라운드 세션

사람이 지켜보지 않아도 도는 에이전트의 프로세스 설계(슈퍼바이저·워커·복구). 실습: prime-agent agents로 세션 목록을 보고 attach로 재접속해 상태가 유지되는지 확인.

⑦ ACP·MCP 프로토콜 통합

에디터 연동(ACP)과 외부 툴 연결(MCP)을 동시에 지원하는 실전 예. 실습: /mcp login으로 MCP 서버 하나를 붙여 툴이 파이썬 네임스페이스에 들어오는지 보기.

7하드웨어 / 시스템 요구사항

실행 환경은 가볍다. macOS 또는 Linux(윈도우는 WSL/Termux), Node ≥ 22.8.0, 첫 실행 때 커널 부트스트랩용 인터넷(uv + 파이썬 3.11)만 있으면 된다. 에이전트 본체는 로컬 학습을 하지 않으므로 GPU가 필요 없다 — GPU가 필요한 건 이 에이전트가 "조작"하는 생태계(자체 관리형 prime-rl 훈련 등)이지 에이전트 실행이 아니다.

8직접 해볼 수 있는 실습 과제

9관련 기술 심화 학습 로드맵

10핵심 키워드 사전

11참고 링크