(본 기사의 저자는 지쉰지커이며, 타이미디어가 승인을 받아 게재합니다)
글 | 지신지혜 연구소 애널리스트 양파저
스마트폰 발전 초기에는 언론 행사에서 벤치마크 점수가 자주 거론되었고, 사용자들도 스펙을 비교하는 것을 즐겼습니다. 이후 기기 교체 시점에는 점점 더 많은 사람들이 먼저 브랜드를 선택하게 되었습니다. 아이폰의 운영체제에 익숙해졌거나, 특정 브랜드의 카메라 성능을 선호하거나, 이미 연동된 기기와 앱을 아끼는 경우도 있습니다. 성능은 여전히 중요하지만, 구매를 결정하는 이유는 훨씬 다양해졌습니다.
대규모 모델의 경우, 모델 성능은 사용자가 왜 찾아오는지를 결정할 수는 있지만, 반드시 사용자가 왜 머무르는지를 결정하는 것은 아닙니다. 모델 품질은 사용자 확보를 위한 중요한 무기이지만, 이러한 무기는 경쟁사에 의해 반복적으로 도전받을 수 있습니다. 기술적 우위가 자동으로 지속적인 비즈니스 장벽으로 전환되지는 않습니다.
2026년 8월 이후, 대규모 언어 모델의 업데이트가 빈번해지면서 GPT-6 Astra, Claude Opus 5.5, Gemini 4 Argon 등 다양한 모델이 사용자들의 시야에 지속적으로 등장하고 있다. 국내산 모델들도 성능과 비용 측면에서 경쟁 우위를 확보하고 있으며, DeepSeek는 계속해서 업데이트를 이어가고 있고 MiMo와 Kimi 또한 주요 모델 리스트에 이름을 올리고 있다.[1][2] 버전이 늘어날수록 선택은 더욱 어려워진다: 과연 어떤 업그레이드를 시도해볼 만한 가치가 있고, 어떤 제품을 장기적으로 유료로 이용할 만한가?
프로젝트 자료, 개인 선호 및 워크플로가 하나의 AI 제품에 점차 통합되면서, 사용자가 도구를 교체할 경우 다시 설정하고 자료를 이전하며 사용 습관을 맞춰야 합니다. Claude, WorkBuddy, 그리고 클라우드 기반 에이전트가 서로 경쟁하는 것은 바로 사용자 일상 업무의 핵심 접점입니다.
오늘 AI 순위를 둘러싼 논의는 스마트폰 시장 초기의 성능 벤치마크에 대한 관심과 상당히 유사합니다. 대규모 언어 모델 역시 이러한 단계로 나아갈 것입니다: 사용자들은 요구사항을 잘 이해하고, 재작업이 적으며, 다음 날에도 바로 이어서 작업을 이어갈 수 있는 제품에 업무를 맡기게 될 것입니다. 이 일을 제대로 해내는 기업이야말로, 더 이상 교체하지 않으려는 그 ‘아이폰’에 한층 더 가까워질 것입니다.
이 문서는 세 가지 선택 질문에 답합니다:
자신이 사용하는 AI가 최상위에 있지 않다면, 교체할 필요가 있을까요? — 기존 모델이 핵심 과제를 안정적으로 수행할 수 있다면, 새롭고 고가인 제품을 굳이 추구할 필요는 없습니다. 업그레이드는 반드시 검증 가능한 성과를 가져와야 합니다.
AI의 어떤 사용 경험 요소가 가장 중요할까요? — 사용이 편리하고, 첫 번째 납품에서 기준을 충족하며, 오류 수정과 검증 및 재작업을 줄이는 것입니다.
어떤 AI를 사용할지, 구체적으로 어떻게 선택해야 할까요? — 동일한 작업 세트를 기준으로 후보 제품들을 비교한 뒤, 납품 성과, 인력 소요 시간 및 전체 비용을 바탕으로 주력 역할과 특별 역할을 분배합니다.
사용 중인 모델이 더 이상 최첨단이 아니라면, 곧바로 교체해야 할까요?
새로운 모델이 순위에서 좋은 성적을 거두었다면, 이는 사용자가 주력 모델을 교체하는 데 충분한 이유가 될 수 있습니다. 그러나 그에 앞서, 해당 모델은 자신의 작업을 훌륭하고 효율적으로 수행할 수 있음을 입증해야 합니다.
모바일 시대의 AnTuTu 등 각종 벤치마크 순위와 오늘날의 모델 성능 순위는 어딘가 익숙한 느낌을 줍니다. 10월 21일 기준, Artificial Analysis의 순위에서 Claude Opus 5.5의 max with fallback 구성은 58점이며, Sonnet 5.5의 동일 구성은 56점입니다. GPT-6 Astra(max)와 Gemini 4 Argon(high)은 모두 53점이고, DeepSeek V4.1 Flash 1017(max)는 45점, Kimi K3(max)는 44점입니다.[1] 순위는 무용지물이 아니라, 우리가 시험 사용 범위를 좁히는 데 도움을 줄 수 있습니다.
하지만 평가는 일정한 표준화된 문제들을 기반으로 하며, 사용자는 자신의 업무를 수행해야 합니다.
벤치마크 평가는 고정된 작업, 테스트 환경 및 점수 산정 규칙을 통해 서로 다른 모델의 성능을 비교할 수 있도록 합니다. 실제 사용 환경에서는 사용자가 자주 다루는 계약서, 보고서 또는 연구 자료 등이 종합 순위에서 반드시 높은 가중치를 갖는 것은 아닙니다. 실제 업무에서는 모델이 프로젝트 관련 자료를 읽고 도구를 호출하며, 여러 단계에 걸친 작업 과정에서도 요구 사항을 일관되게 유지해야 합니다. 마지막으로, 사용자는 최종 결과물의 활용 가능성을 검토하고, 이를 검증하고 수정하는 데 소요된 시간을 평가합니다.
예를 들어, 같은 코드 수정이라도 테스트를 통과하는 것은 단지 납품의 일부에 불과하며, 프로젝트 규격을 준수하고 기존 시스템에 연동되어야 합니다. 또한 같은 리서치 브리프라도, 정보의 정확성 외에도 출처가 추적 가능하고 결론이 구체적인 의사결정에 부합해야 합니다.
랭킹은 역량의 한계를 파악하는 데 도움을 주며, 자주 사용하는 작업의 결과는 교체할 가치가 있는지 판단하는 데 유용합니다. 후보 제품들을 실제 업무 환경에 동일하게 배치하여 제공 품질, 안정성 및 재작업 시간을 비교해야만 업그레이드로 인한 이점을 명확히 파악할 수 있습니다.
동시에 가격 역시 선택에 영향을 미칩니다: 10월 21일 기준 순위에 따르면, MiMo-V2.6-Pro의 스마트 지수는 46이며, 단일 테스트 작업 비용은 약 0.13달러입니다; DeepSeek V4.1 Flash 1017(최대)은 약 0.26달러, GPT-6 Astra(최대)는 약 3.26달러입니다.[2] 능력 외에도, 비용은 국산 모델에게 또 다른 진입 문을 열어줍니다.
데이터 설명: 산점도는 순위표의 표시값을 사용하며, Claude는 최대값에 페일백이 적용되고, Grok는 xhigh, Gemini는 high, 나머지 추론 기능이 있는 모델은 최대값으로 설정됩니다.
한 번의 호출 비용은 저렴하지만, 최종적으로 제공되는 결과는 반드시 저렴하지 않을 수 있습니다. 재시도, 검증 및 수정 과정에서도 비용이 변동될 수 있습니다. 스마트폰을 선택할 때는 성능 모듈 외에도 카메라, 배터리 지속 시간, 시스템 상호작용 및 가격 등이 여전히 의사결정에 중요한 요소로 작용합니다.[3] 모델을 선택할 때는 해당 모델의 성능과 자신의 실제 사용 비용을 함께 비교해야 합니다.
한 곳을 인정했다면, 다른 곳을 계속 사용하는 것도 충분히 가능합니다. 사용자는 일상적인 도구를 선택할 때 모델의 성능뿐만 아니라 제공 안정성과 기존 업무 프로세스에의 통합 가능성도 함께 고려합니다. 만약 모델을 교체하는 데 지나치게 많은 시간과 노력을 들인다면, 오히려 손해가 될 수 있습니다.
다음 아이폰의 자리를 놓고 누가 경쟁하고 있을까요? 취향은 실행 환경에 뿌리내려 있습니다.
대규모 모델의 ‘취향’이란 무엇일까요? 우리는 이러한 매우 인간화된 표현을 통해 대규모 모델의 종합적인 능력을 설명합니다.
“취향(taste)”은 제품이 당신을 대신해 내리는 여러 가지 선택과 결정에서 드러납니다. 여기서 “취향”이란 최초 배달 시 사용 가능률, 오류 수정 회수, 검증 소요 시간, 그리고 프로젝트 연속 비용을 의미합니다. 사용하기 편리하고 최초 배달 단계에서 바로 적용할 수 있다면, 여러 차례 수정을 거쳐야만 만족스러운 결과를 얻는 방식보다 훨씬 더 지속 가능한 가치를 제공합니다.
역시 ‘자료를 한 장의 브리프로 정리한다’는 작업에서도, 어떤 제품은 정보를 빼곡히 채우는 반면, 다른 제품은 의사결정에 필요한 핵심 사실만을 간추려 군더더기를 제거하고, 중요한 결함이 있다면 먼저 한 번 더 확인합니다. AI와 협업할 때 흔히 겪는 딜레마는 다음과 같습니다: 몇 차례에 걸쳐 반복적으로 소통해도, 결과물은 겉보기에는 완전해 보이지만 결국엔 늘 기대와는 어긋나고; 하나의 문제를 해결했다 싶어도, 앞서 수정한 오류가 다시 나타나곤 합니다. 더 나쁜 경우는, 처음부터 방향 자체가 엇나갔는데도 AI가 끝까지 그대로 실행해 버려, 결국 많은 토큰을 소진했음에도 불구하고 최종 산출물은 여전히 사용할 수 없게 되는 상황입니다.
취향은 바로 이러한 선택과 절충에 담겨 있습니다. 결과를 통해 무엇을 이루고자 하는지 먼저 이해한 뒤, 어떤 요소를 남길지, 어떻게 표현할지, 언제 제공할지를 결정해야 합니다. 몇 차례의 제공 과정을 거치면 사용자는 이렇게 기억하게 됩니다: 이 제품은 나를 이해한다. 이러한 논리는 고급 카메라의 사진과도 같습니다. 전문가가 아니면 구체적으로 어디가 좋은지 설명하기는 어렵지만, 아름답고 고급스럽다고 느끼게 됩니다. 대규모 언어 모델의 취향 역시 마찬가지입니다.
iPhone이 제공한 기준은 통합된 사용자 경험입니다. 2007년의 멀티터치 기술에 이어, 2008년에는 앱스토어가 출시되어 초기부터 이미 500여 개가 넘는 애플리케이션이 제공되었습니다.[4][5] 오늘날의 에이전트 런타임(실행 환경, 즉 일반 사용자가 이용하는 각종 AI 소프트웨어)이나 하네스(실행 프레임워크)는 모델을 도구, 기억, 권한 및 실행 주기와 연결하여, 사용자가 지속적으로 작업할 수 있는 핵심 창구로 자리매김하려 하고 있습니다. 각 제조사마다 전략적 중점은 서로 다릅니다.
매번 작업을 시작할 때마다 프로젝트를 다시 소개해야 한다면, 모델이 아무리 강력하더라도 사용하기 편하다고 느끼기 어렵습니다. Claude Code는 프로젝트 규칙, 자동 기억 및 실행 흐름을 하나로 연결하고, WorkBuddy는 프로젝트 규칙, 자료 및 개인 기억을 다음 작업에 자연스럽게 이어집니다.[6-9] Trae의 SOLO는 Skills, Commands, Memories와 Rules를 통합하며, Cursor 역시 지속적으로 적용되는 규칙으로 프로젝트 내 에이전트를 안내합니다.[10][11] 지난번에 가르쳤던 내용은 다음 번에도 처음부터 다시 설명할 필요가 없습니다.
재료, 형식 및 프로젝트 규칙은 로컬 워크스테이션에 그대로 남아 있으며, 사용자의 작업 습관도 함께 유지됩니다. 제품을 다시 구독하는 것은 빠르지만, 이러한 누적된 설정을 다시 한 번 교육하는 데는 많은 시간과 노력이 듭니다.
로컬 워크스테이션은 작업 규칙을 축적하고, 클라우드 에이전트는 작업의 장기적인 실행 환경을 추가로 유지합니다. Muse는 전용 클라우드 컴퓨터를 제공하며, Dots는 파일, 소프트웨어 및 브라우저 상태를 저장하고, Grok Bot은 동일한 계정의 봇들이 클라우드 파일과 로그인 세션을 공유할 수 있도록 합니다.[12-14]
작업이 며칠에 걸쳐 진행되거나 도구에 반복적으로 로그인해야 하거나 파일을 이어 처리해야 할 때, 환경이 그대로 유지되는지 여부는 사용자 경험에 직접적인 영향을 미칩니다. 사용자가 다음에 다시 이곳으로 돌아올 때, 지난번에 중단한 지점부터 계속할 수 있습니다. 이러한 지속적인 작업의 편리함은 한 번의 시도가 점차 일상적인 접근 경로로 자리 잡게 만듭니다.
오픈 로드맵은 개발자 측에서 생태계를 축적하는 데 초점을 맞추고 있습니다. DeepSeek Harness는 MIT 라이선스(오픈소스)를 채택하여 모델, 도구, 세션, 샌드박스 및 실행 루프를 조합 가능한 플러그인으로 구현했습니다.[15][16] 개발자는 기존 도구에 접속할 수 있을 뿐만 아니라 새로운 워크플로우를 확장할 수도 있습니다.
오픈 로드맵은 개발자의 참여를 이끌어내는 데 초점을 맞춥니다. 도구가 원활하게 연동되고 기존 프로세스를 재사용할 수 있어야만 개발자들이 지속적으로 구축을 이어가려 할 것입니다. 확장성이 높을수록 후속 사용자들도 훨씬 쉽게 접근할 수 있습니다. 호환성과 유지보수 품질이 바로 이 생태계가 얼마나 오래 지속될 수 있는지를 결정합니다.
생태계에는 더 큰 이익이 있다: 앱의 입구와 배포다. 앱스토어는 사용자가 앱을 찾도록 해 주고, 개발자에게는 사용자를 찾아주는 역할을 한다.[5] AI 플랫폼 역시 이러한 위치를 확보하려 하고 있다: 도구가 어디에서 발견되고 호출되며 재사용되는지에 따라, 개발자는 그곳을 중심으로 생태계를 구축할 이유를 갖게 된다. 이를 통해 플랫폼은 더 많은 작업을 동일한 환경 내에 머물게 할 수 있으며, 새로운 도구들도 사용자의 일상에 보다 쉽게 자리잡을 수 있게 된다.
기업이 AI를 활용할 때는 전체 워크플로우에 걸쳐 사용자 경험을 구현해야 하며, SLA, 안정성, 관찰 가능성, 감사 가능성 등 다양한 요소를 반드시 고려해야 합니다. 예를 들어 구매 심사의 경우, 에이전트는 견적을 검증하고 누락된 사항을 보완한 뒤, 한도 초과 건은 권한을 부여받은 담당자에게 넘겨야 합니다. 기업이 중점적으로 고려하는 것은 다음 단계에서 해당 건이 제대로 처리되는지 여부와, 직원들이 재검토에 소요되는 시간이 줄어들었는지 여부입니다.
Claude Agent SDK는 도구, 컨텍스트 관리, 권한 및 실행 루프를 개발자에게 함께 제공합니다.[17] 모델을 교체하면 도구 호출과 다중 라운드 실행을 다시 검토해야 하며, 캐시 재구성으로 인해 비용과 대기 시간이 증가할 수도 있습니다.[18][19] 이는 기업이 도구를 변경할 때 부담해야 하는 비용입니다.
저렴한 새 모델을 기존 프로세스에 적용했을 때 과연 비용 절감이 되는지 다시 한 번 계산해 봐야 합니다.
사용자가 특정 AI 제품에 얼마나 의존하는지는 해당 제품이 워크플로우에서 어떤 역할을 맡느냐에 따라 달라집니다. 만약 제품이 추론이나 콘텐츠 생성만 담당한다면, 사용자는 더 쉽게 저수준 모델을 교체할 수 있습니다. 그러나 프로젝트 규칙, 도구 호출 및 실행 흐름까지 모두 동일한 제품에 의존하게 되면, 모델 교체는 전체 작업 방식의 이전을 수반하게 되며, 결과적으로 장기적인 사용 유인도 함께 강화됩니다.
AI는 어느 업체를 선택해야 할까: 자신이 바꾸고 싶지 않은 그 하나를 찾아라
누가 대규모 모델 시대의 아이폰이 될지, 실시간으로 업데이트되는 AI 순위를 쫓을 필요는 없습니다. 최근 일주일을 돌아보며, AI에게 자료 검색, 문서 작성, 코드 수정, 혹은 스프레드시트 처리 중 어떤 일을 가장 많이 맡겼나요? 가장 자주 하고 시간도 많이 드는 그 일을 기준으로 선택하는 것이, 매번 순위가 바뀔 때마다 따라다니는 것보다 훨씬 유용합니다.
이 제품은 당신의 요구를 이해하며, 결과도 대부분 유용하고 반복해서 설명할 필요가 거의 없으므로, 순위표가 업데이트된다고 해서 굳이 교체할 필요가 없습니다. 가격도 예산 범위 내에 있으며, 매일 확실히 편리해지니 계속 사용하는 것이 합리적인 선택입니다.
모바일 사용자는 익숙한 브랜드에 머무르며, AI 사용자들도 점차 이러한 선호를 형성하게 됩니다. 사용자 입장에서는 번거로움이 줄어들고, 제품 입장에서는 사용자 경험에서 충성도로 이어지는 전환이 시작됩니다.
예를 들어, 글을 쓸 때는 항상 다시 고쳐야 하고, 자료를 조사할 때는 늘 출처를 보완해야 하며, 코드는 같은 부분에서 반복적으로 오류가 발생합니다. 최근에 한 일을 하나 들고, 신제품에 동일한 자료와 요구사항을 주었을 때: 과연 바로 사용할 수 있을까요? 또 수정하는 데는 얼마나 시간이 걸릴까요?
먼저 익숙한 주력 제품을 유지하고, 신제품에는 그 난제를 맡기세요. 몇 차례 연속으로 속이 편안하다면, 이후에 사용 범위를 확대하고 유료화 여부를 결정하면 됩니다. 두 회사 각각의 강점이 있으니, 서로 역할을 분담하도록 하여 ‘최강’을 선정하기 위해 한 곳만 남겨두지 않아도 됩니다.
가장 남겨두어야 할 것은, 당신이 코드를 몇 번이나 수정하고 신경을 몇 번이나 쓰는 일을 줄여주는 도구입니다. 오랜 기간 사용하면 점점 더 편리해지며, 이것이 바로 기억 메커니즘의 끈끈함입니다.
주간 보고서 정리, 자료 검증, 고객 문의 처리 등 반복적으로 발생하는 업무부터 시작합니다. 해당 업무를 실제로 수행하는 담당자가 먼저 사용해 보며, 결과물이 실제 적용 가능한지, 동료들이 시간을 절약할 수 있는지, 문제가 발생했을 때 누가 책임지고 대응하는지 등을 확인합니다. 권한과 데이터 경계는 담당자와 협의하여 확정하고, 시범 운영이 효과적이라면 그 범위를 확대합니다.
또한 개인의 선호도 역시 기업의 제품 선택에 영향을 미칩니다. 개인이 편리하게 사용해 본 뒤, 프롬프트, 템플릿 및 성공 사례까지 팀에 전파됩니다. 동료들은 먼저 활용 가능한 결과물을 확인한 뒤, 같은 제품을 시험적으로 도입하기 시작합니다. 이렇게 개인의 사용 습관이 협업 과정을 통해 확산되면서, 기업 구매의 출발점으로 자리 잡게 됩니다.
개인적으로는 결과와 편의성을 중시하지만, 기업에서는 협업과 유지보수도 고려해야 합니다. 현재의 솔루션이 잘 작동하고 있다면, 자신의 속도에 맞춰 업그레이드하면 됩니다. 본문 말미의 표에는 보다 세부적인 시험 사용 기록 방법이 제시되어 있습니다.
사용자들은 이러한 반복적인 비교를 통해 주력 제품을 선택하고, 제품 역시 ‘한 번 써보는 것’에서 ‘일상적으로 사용하는 것’으로 자리매김하려고 노력합니다. 이 여정을 완주할 수 있는 이가야말로, 그토록 바꾸지 못하는 아이폰에 더 가까이 다가갈 수 있을 것입니다.
능력과 가격은 누가 시도할 만한지 결정하고, 완전한 작업 경험은 누가 주력이 될 수 있는지를 좌우합니다. Claude의 능력 발현과 DeepSeek 및 MiMo의 비용 우위는 모두 제품이 시험 사용 기회를 얻도록 도와줍니다. Kimi는 문서 등 전달 기능을 Agent에 통합해, 능력에서 결과로 이어지는 거리를 더욱 단축하고 있습니다. [1][2][20] 시험 사용 기회 이후에도 다음 번에 다시 열릴 수 있도록 노력해야 합니다.
작업대 경로는 ‘매일 어디에서 작업하는가’를 보다 직접적으로 확보합니다. Claude Code, WorkBuddy, Trae 및 Cursor는 규칙, 자료와 도구를 점차 프로젝트 중심으로 구성하도록 돕고, Muse, Dots 및 Grok Bot은 이러한 연속성을 클라우드로까지 확장합니다. 전자는 반복적인 준비를 줄이고, 후자는 지속적인 작업 환경을 유지하여 다음에 제품을 열 때 더욱 자연스럽게 이어지도록 합니다.
DeepSeek Harness는 개방성과 호환성을 매력으로 삼아 개발자들이 도구의 완성도를 높이는 데 참여하도록 유도합니다. 각각의 경로는 저마다의 축적을 가지고 있지만, 결국에는 모두 같은 질문에 답해야 합니다: 모델이 업데이트된 후에도 사용자들이 왜 여전히 이곳에 머물고 싶어 하는가?
누가 아이폰에 더 가까운지를 판단하는 기준은, 사용자가 “이번에는 한번 해보자”에서 “이 일은 이곳에서 하는 게 익숙해졌다”로 나아가는지 여부에 달려 있다. 매일의 자료, 작업, 협업이 원활하게 이어질 때, 남게 되는 이유는 단순한 순위표보다 훨씬 오래 지속될 것이다.
대규모 모델의 승자는, 항상 가장 강력한 모델을 보유하지 않더라도 종합적인 사용자 경험으로 사용자를 잡아두는 기업일 수 있습니다.
부록: 선택 기록 및 평가 기준
세 가지 자주 하는 일을 선택하세요. 예를 들어, 브리프 한 페이지 작성하기, 일련의 출처 검증하기, 표 한 장 처리하기 등입니다. 후보 제품에 동일한 자료와 요구 사항을 제공한 뒤, 아래 표에 결과를 기록해 보세요. Agent Eval에서 참고할 만한 점은, 시스템이 스스로 완료했다고 말하는 것보다 실제로 작업이 완료되었는지를 확인하는 것입니다.[21]
출처: 참고 Agent Eval 방법[21]을 기반으로 본 논문에서 설계함. 주요 오류는 별도로 표기하고, 비용과 인력 소요 시간은 각각 별도로 기록함. 기업 시범 운영에서는 권한, 로그 및 장애 복구 여부도 반드시 점검해야 함. 테스트 작업 비용과 구독 가격은 각각 별도로 검토해야 함.[2]
참고 자료:
[1] 인공 분석. LLM 순위표: 지능[EB/OL]. [2026-10-21].
[2] 인공 분석. LLM 리더보드: 지능과 작업당 비용[EB/OL]. [2026-10-21].
[3] 안투안. 안투안 평가: 제품 다운로드 및 평가 설명[EB/OL]. [2026-10-21].
[4] 애플. 애플, 아이폰으로 휴대폰을 재창조하다[EB/OL]. (2007-01-09)[2026-10-19].
[5] 애플. 아이폰 3G 내일 판매 시작[EB/OL]. (2008-07-10)[2026-10-19].
[6] ANTHROPIC. Claude가 귀하의 프로젝트를 어떻게 기억하는지[EB/OL]. (n.d.)[2026-10-22].
[7] ANTHROPIC. Claude Code의 작동 원리[전자책/온라인 자료]. (미상)[2026-10-22].
[8] 텐센트. WorkBuddy: 프로젝트[EB/OL]. (n.d.)[2026-10-22].
[9] 텐센트. 워크버디: 기억[EB/OL]. (n.d.)[2026-10-22].
[10] TRAE. 새로운 SOLO 소개[EB/OL]. [2026-10-21].
[11] CURSOR. 규칙[EB/OL]. [2026-10-21].
[12] SHEASHA T. 우리는 어떻게 Muse에 안전성을 구축했는가[EB/OL]. (2026-09-08)[2026-10-22].
[13] OPENAI. 컴퓨터와 앱을 당신의 dot에 연결하세요[EB/OL]. (n.d.)[2026-10-22].
[14] XAI. 컴퓨터와 앱 사용[EB/OL]. (n.d.)[2026-10-22].
[15] DEEPSEEK. DeepSeek Harness: 모든 것이 플러그인이다[CP/OL]. [2026-10-21].
[16] DEEPSEEK. DeepSeek 개발자 미리보기: 모든 것이 플러그인입니다[EB/OL]. [2026-10-21].
[17] ANTHROPIC. 에이전트 SDK 개요[전자책/온라인]. [2026-10-21].
[18] ANTHROPIC. 프롬프트 캐싱[EB/OL]. [2026-10-21].
[19] VLLM. 자동 접두사 캐싱[EB/OL]. [2026-10-21].
[20] 달의 어두운 면. Kimi Agent란 무엇인가? 기능 소개 및 사용 접속 경로[EB/OL]. [2026-10-21].
[21] ANTHROPIC. AI 에이전트를 위한 평가의 비밀 해명[EB/OL]. (2026-01-09)[2026-10-21].
더욱 흥미로운 콘텐츠를 만나려면 타이미디어 위챗 공식 계정(ID: taimeiti)을 팔로우하거나, 타이미디어 앱을 다운로드해 주세요.