# autoresearch

안드레이 카파시(Andrej Karpathy)의 오픈소스 AI 에이전트로, 단일 GPU에서 밤샘 동안 LLM 학습 실험을 자율적으로 수행하며 코드 편집, 개선 평가 및 반복 작업을 진행합니다.

Canonical URL: https://a2a-mcp.org/entry/autoresearch-ko

Language: ko

Category: AI Agents

Updated: 2026-03-25

## 개요

autoresearch는 Andrej Karpathy가 진행한 실험적 오픈소스 프로젝트로, 자율 AI 에이전트가 실제 기계 학습 연구를 수행하는 힘을 보여줍니다. 이 프로젝트는 단순화된 nanochat 구현을 기반으로 한 최소한의 단일 GPU 훈련 환경을 제공하며, 여기서 AI 코딩 에이전트가 실험 루프를 완전히 제어합니다.

연구자들은 수동으로 Python 코드를 수정하는 대신, `program.md` 마크다운 파일에 고수준 지침을 작성합니다. 그러면 에이전트는 훈련 스크립트(`train.py`)를 반복적으로 편집하고, 고정된 시간(일반적으로 5분) 동안의 훈련 실험을 실행하며, 검증 지표(예: val_bpb)를 기준으로 개선 사항을 평가하고, 승리한 변경 사항만 Git 기능 브랜치에 커밋합니다.

## 주요 기능

- **자율 에이전트 루프**: AI 에이전트는 실험을 계획하고, 코드(아키텍처, 하이퍼파라미터, 최적화기 등)를 수정하며, 훈련을 실행하고, 무엇을 유지할지 결정합니다.
- **단일 GPU 효율성**: 접근 가능한 하드웨어를 위해 설계되었으며, 각 실험은 고정된 짧은 시간(~5분) 동안 실행되어 시간당 약 12개의 실험을 가능하게 합니다.
- **Git 기반 버전 관리**: 개선 사항은 기능 브랜치의 커밋을 통해 추적되므로 변경 사항을 검토하고 되돌리기가 쉽습니다.
- **최소 설정**: 명확한 하나의 지표에 집중한 작은 코드베이스(몇 개 파일에 걸쳐 약 630-1000줄).
- **프롬프트를 통한 인간 감독**: 사용자는 마크다운의 자연어 지침을 통해 "연구 조직"을 정의하므로, 저수준 코드를 건드리지 않고도 정교한 에이전트 동작을 가능하게 합니다.
- **확장성**: 더 많은 에이전트 추가, program.md 프롬프트 개선, 또는 다른 모델/작업에 적응이 용이합니다.

## 작동 방식

1. 사용자는 저장소를 설정하고 `program.md`에 연구 목표를 제공합니다.
2. AI 코딩 에이전트(예: Claude, GPT 또는 로컬 모델을 기반으로 한)가 시작됩니다.
3. 에이전트는 Git 기능 브랜치를 생성/사용하고 반복을 시작합니다:
   - `train.py`를 편집합니다.
   - 시간 제한 훈련 실험을 실행합니다.
   - 주요 검증 지표를 측정합니다.
   - 개선된 경우 변경 사항을 커밋하고, 그렇지 않으면 버리고 다시 시도합니다.
4. 밤새거나 며칠 동안 시스템은 수십에서 수백 개의 실험을 누적하며 더 나은 모델 구성을 찾아냅니다.

이 프로젝트는 인간 개입 없이 장기 연구 속도를 극대화하기 위한 *에이전트 프롬프트*( "연구 조직 코드")의 엔지니어링을 강조합니다.

## 사용 사례

- **개인 ML 연구**: 당신이 잠을 자거나 고수준 아이디어에 집중하는 동안 에이전트가 하이퍼파라미터, 아키텍처 또는 최적화를 탐색하도록 합니다.
.
-to use "다른" instead of "타" for "other"
- **교육 데모**: 실제 실행 가능한 ML 컨텍스트에서 에이전트 AI 워크플로우를 이해합니다.
-Here, "context" is translated as "컨텍스트", which is commonly used in Korean technical writing.
- **분산 스웜**: 커뮤니티 확장 기능을 통해 여러 에이전트나 기계가 협업할 수 있습니다(예: autoresearch@home 프로젝트).
-The term "스웜" (swarm) is kept as is, as it's a technical term, and note it might be less familiar; I've kept it as "스웜" which is the direct transliteration and sometimes used in Korean tech contexts.
- **신속한 프로토타이핑**: 소규모 LLM 훈련에서 자율 과학 발견에 대한 아이디어를 테스트합니다.
- **에이전트 능력 벤치마킹**: 다양한 LLM이 자율 연구자로서 얼마나 잘 수행하는지 평가합니다.

## 시작하기

레포지토리를 클론하고, `pyproject.toml`을 통해 의존성을 설치하고, AI 제공자(API 키)를 구성하고, 연구 지침이 담긴 `program.md`를 준비한 다음, 에이전트 루프를 실행하세요. 단일 GPU에서 작동하며 최소한의 설정만 필요합니다.

이 레포지토리에는 더 나은 결과를 위해 반복 개선할 수 있는 기준 `program.md`가 포함되어 있습니다.

## 중요성

autoresearch는 인간이 창의적인 방향 설정에 집중할 수 있도록 AI 에이전트가 실증적 연구의 단순 반복 작업을 처리하는 미래를 조기에 엿볼 수 있는 기회를 제공합니다. 이는 커뮤니티의 엄청난 관심, 포크, 포팅(AMD, Apple Silicon 등), 그리고 에이전트 군집과 자동화된 과학의 "초기 특이점"에 관한 토론을 촉발시켰습니다.

## 한계

- 실험은 매번 처음부터 시작됩니다(기본 버전에서는 실행 간 지속적 메모리가 없음).
- 단일하고 단순한 지표와 작은 모델에 집중되어 있습니다.
- 성공은 기본 코딩 에이전트의 품질과 프롬프트 엔지니어링에 크게 의존합니다.

최신 세부 정보, 코드 및 커뮤니티 토론은 공식 GitHub 레포지토리를 방문하세요.

## Tags

- ai-에이전트
- llm
- 머신러닝
- 자율연구
- 파이토치
- 나노챗
- 카파시
- 에이전트-루프
- 실험
- 파이썬

## Sources

- [Project website](https://github.com/karpathy/autoresearch)