Warp, Claude 기반 자기 개선형 에이전트 아키텍처 공개

AI 터미널 및 에이전트 개발 환경 Warp이 Claude Platform의 Agent Skills를 활용해 자기 개선형 에이전트를 구축하는 패턴을 공개했습니다. 기존에는 세션 종료 후 사용자 피드백이 사라져 에이전트가 실수에서 학습하지 못하는 문제가 있었습니다. Warp은 내부/기본 스킬이 작업을 수행하고, 외부/개선 스킬이 주기적으로 인간 피드백을 분석해 기본 스킬 파일을 수정하는 루프를 도입했습니다.

자기 개선 루프

이 아키텍처는 두 가지 다른 스킬에 의존합니다:

• 내부/기본 스킬: 기능적 도메인 지식과 지침을 포함합니다. 예를 들어 코드 리뷰 에이전트가 이 스킬을 사용해 출력을 생성합니다.
• 외부/개선 스킬: 스케줄에 따라 실행되는 관찰자 에이전트입니다. 축적된 인간 피드백을 가져와 에이전트 제안과 응답을 비교하고, 기본 스킬에 작고 집중된 수정 사항을 제안합니다.

스킬이 일반 파일이므로 이러한 업데이트는 표준 PR/코드 리뷰 워크플로를 통해 흐름을 탈 수 있습니다. 병합되면 내부 스킬의 다음 실행이 개선 사항을 상속받습니다. Warp은 현재 오픈소스 리포지토리에서 이 패턴을 실행하며 스펙 작성, 리뷰, 분류(triage) 에이전트를 관리합니다.

스킬 설계 모범 사례

Warp 팀은 효과적인 자기 개선 스킬 작성을 위해 다음 전략을 권장합니다:

• 규칙이 아닌 원칙 작성: 컴퓨터를 프로그래밍하듯 지시하지 말고, 똑똑한 사람에게 설명하듯 지시합니다. 예를 들어 '반복되는 코드를 찾아라'가 상세한 명명 규칙보다 낫습니다.
• 이유 설명: 근거를 제공하면 경직된 지시보다 에이전트가 더 잘 추론하고 일반화할 수 있습니다.
• 피드백 수집의 용이성: PR 댓글 등 사람들이 이미 작업하는 곳에서 추가 제출 단계 없이 피드백을 캡처합니다.
• 양보다 질 우선: 시니어 엔지니어의 상세한 피드백이 단순한 엄지손가락 평가보다 가치 있으며, 고품질 신호의 코퍼스가 커질수록 도움이 됩니다.
• 스킬 크기 유지: 모든 것을 컨텍스트에 넣지 말고 리소스 파일을 참조하는 점진적 공개(progressive disclosure)를 사용합니다.

구현 예시: 이슈 분류

Warp의 이슈 분류(triage) 에이전트는 이 프레임워크를 보여줍니다. GitHub 이슈가 생성되면 GitHub Action이 에이전트를 트리거해 복잡도를 분석하고 라벨을 할당합니다. 유지보수자가 누락된 라벨(예: "ready to spec")을 발견하면 이슈에 피드백을 남깁니다. Warp의 Oz 오케스트레이션 플랫폼에서 실행되는 외부 개선 스킬은 이 피드백을 가져와 신호를 식별하고 내부 스킬 파일을 업데이트하는 PR을 엽니다. 이를 통해 에이전트가 향후 인스턴스에서 라벨을 올바르게 적용하며, 최종 승인은 인간이 유지합니다.