오픈소스 에이전트 인프라
AI 에이전트 경쟁, 이제 모델보다 학습 환경이 중요합니다
Microsoft Research가 공개한 Orchard는 격리 환경부터 학습·강화학습·평가까지 연결하는 오픈소스 에이전트 인프라입니다.
이 글에서 다룰 내용
Orchard Env 구조, 세 가지 학습 레시피, 공식 벤치마크, 오픈소스 AI 생태계에 주는 의미
Microsoft Orchard는 무엇인가요?
최근 AI 업계의 관심은 단순히 답변을 잘 생성하는 모델에서 스스로 도구를 사용하고 문제를 해결하는 AI 에이전트로 빠르게 이동하고 있습니다. 하지만 에이전트를 제대로 훈련하려면 모델만큼이나 안정적인 실습 환경이 필요합니다.
Microsoft Orchard는 이런 문제를 해결하기 위해 Microsoft Research가 공개한 오픈소스 프로젝트입니다. 핵심 환경 서비스인 Orchard Env와 함께 소프트웨어 엔지니어링용 Orchard-SWE, 웹 탐색용 Orchard-GUI, 개인 비서 작업용 Orchard-Claw라는 세 가지 학습 레시피를 제공합니다.
쉽게 말하면 에이전트가 시행착오를 겪을 수 있는 거대한 연습장을 만드는 도구에 가깝습니다. 연구자는 에이전트가 코드를 수정하거나 명령을 실행하고, 그 결과에 따라 다음 행동을 선택하는 과정을 체계적으로 실험할 수 있습니다.
Orchard Env가 중요한 이유
Microsoft Orchard에서 눈여겨볼 구성 요소는 Orchard Env입니다. Orchard Env는 에이전트가 상호작용할 작업 환경을 정의하고 실행하는 데 초점을 맞춥니다.
기존의 AI 학습은 입력 데이터와 정답을 준비한 뒤 모델이 이를 학습하는 방식이 중심이었습니다. 반면 AI 에이전트 학습에서는 에이전트가 실제 환경 안에서 행동하고, 결과를 확인하며, 다시 전략을 수정해야 합니다.
예를 들어 코딩 에이전트라면 저장소를 내려받고 파일을 탐색한 뒤 코드를 수정해야 합니다. 테스트를 실행해 실패 원인을 확인하고, 필요하면 다시 코드를 고치는 과정도 거칩니다.
이때 각 실험이 서로 영향을 주지 않도록 환경을 분리해야 합니다. 같은 조건에서 실험을 반복할 수 있어야 하며, 여러 에이전트를 동시에 평가할 수 있도록 자원도 안정적으로 배분해야 합니다.
Orchard Env는 이런 복잡한 환경 운영을 하나의 공통된 방식으로 다룰 수 있게 해줍니다. 모델 개발과 환경 구축을 분리할 수 있다는 점이 특히 중요합니다.
왜 쿠버네티스를 선택했을까요?
Microsoft Orchard는 대규모 환경 운영을 위해 쿠버네티스를 활용합니다. 쿠버네티스는 컨테이너 기반 작업을 배포하고 확장하며 장애 상황에 대응하는 데 널리 사용되는 기술입니다.
AI 에이전트 한두 개를 시험할 때는 로컬 컴퓨터나 단일 서버로도 충분할 수 있습니다. 그러나 수백 개의 작업을 동시에 실행하거나 다양한 모델을 같은 조건에서 비교하려면 이야기가 달라집니다.
각 에이전트에 독립된 환경을 제공하고, 작업이 끝나면 자원을 회수해야 합니다. 실패한 환경을 다시 시작하거나 필요한 만큼 실행 수를 늘리는 기능도 필요합니다.
쿠버네티스를 사용하면 이런 과정을 자동화하기 쉬워집니다. 특정 클라우드나 한 종류의 모델에만 묶이지 않고 환경 운영 방식을 표준화할 가능성도 커집니다.
다만 쿠버네티스 자체의 설정과 운영이 간단한 것은 아닙니다. 따라서 Microsoft Orchard의 가치는 쿠버네티스를 사용했다는 사실보다, 복잡한 인프라를 에이전트 연구에 맞는 형태로 추상화하려는 시도에 있습니다.
SWE-bench Verified와 어떤 관련이 있나요?
코딩 AI 에이전트의 성능을 이야기할 때 자주 등장하는 기준이 SWE-bench Verified입니다. 실제 소프트웨어 저장소에서 제시된 문제를 에이전트가 해결할 수 있는지 평가하는 벤치마크입니다.
Microsoft Research 발표 기준으로 Orchard-SWE는 약 30억 개의 활성 파라미터를 사용해 SWE-bench Verified에서 69.7%를 기록했습니다. 별도로 학습한 가치 모델로 여러 후보 해법을 재정렬했을 때는 73.0%까지 올라갔습니다.
웹 탐색용 Orchard-GUI는 40억 파라미터 모델로 WebVoyager 74.1%, Online-Mind2Web 67.0%, DeepShop 64.0%를 기록해 세 평가 평균 68.4%를 보였습니다. 개인 비서 작업용 Orchard-Claw는 최대 세 번 시도 조건에서 Claw-Eval 과제의 59.6%를 완료했고, 더 강한 ZeroClaw 시스템과 결합했을 때 73.9%를 기록했습니다.
이 수치들은 Microsoft Research가 공개한 특정 모델·학습 레시피·벤치마크 조건의 결과입니다. 모든 에이전트 업무나 기업 환경에 그대로 일반화할 수는 없지만, 작은 오픈 웨이트 모델도 환경과 학습 방식을 함께 설계하면 복잡한 실제 작업에서 경쟁력 있는 결과를 낼 수 있다는 근거로 볼 수 있습니다.
물론 Microsoft Orchard를 설치한다고 점수가 자동으로 상승하는 것은 아닙니다. 핵심은 격리 환경, 학습 데이터 수집, 강화학습 실행, 평가를 하나의 재사용 가능한 기반에서 연결한다는 점입니다.
오픈소스 AI 생태계에 주는 의미
이번 공개는 오픈소스 AI의 범위가 모델 가중치나 학습 데이터에서 실행 인프라로 확장되고 있음을 보여줍니다. 좋은 모델을 만드는 것만큼 모델이 경험을 쌓을 환경을 어떻게 제공할지가 중요해진 것입니다.
공개된 인프라는 연구자와 개발자가 비슷한 실험 환경을 공유하도록 돕습니다. 각 조직이 처음부터 환경 관리 시스템을 따로 만들지 않아도 되므로 새로운 에이전트 아이디어를 검증하는 속도도 빨라질 수 있습니다.
또한 특정 모델에 종속되지 않는 구조가 자리 잡으면 여러 AI 에이전트를 같은 조건에서 비교하기 쉬워집니다. 이는 화려한 시연보다 반복 가능한 평가 결과를 중시하는 흐름으로 이어질 수 있습니다.
기업 입장에서도 의미가 있습니다. 사내 코드나 데이터처럼 외부 서비스에 보내기 어려운 자산을 다뤄야 할 때, 통제 가능한 인프라 안에서 에이전트 환경을 운영하는 선택지가 필요하기 때문입니다.
결국 중요한 것은 학습 환경입니다
Microsoft Orchard의 공개는 AI 에이전트 경쟁의 중심이 모델 성능만이 아니라는 점을 보여줍니다. 앞으로는 에이전트가 어떤 환경에서 행동하고, 얼마나 많은 시행착오를 안정적으로 경험하며, 그 결과를 어떻게 재현할 수 있는지가 함께 평가될 것입니다.
Orchard Env와 쿠버네티스의 결합은 이러한 환경을 대규모로 운영하기 위한 기반을 제시합니다. SWE-bench Verified처럼 실제 작업 수행 능력을 측정하는 평가가 중요해질수록 표준화된 환경의 가치도 더 커질 가능성이 높습니다.
Microsoft Orchard가 업계의 표준으로 자리 잡을지는 실제 도입 사례와 커뮤니티의 참여를 지켜봐야 합니다. 분명한 점은 AI 에이전트 학습 인프라 역시 오픈소스 경쟁의 핵심 영역으로 들어왔다는 사실입니다.
한 줄 요약: Microsoft Orchard는 AI 에이전트가 배우고 평가받는 환경을 개방해, 오픈소스 AI 경쟁의 무대를 모델에서 인프라까지 넓힌 프로젝트입니다.
