“작은 가재”가 식어버린 걸까?
2026년 초 중국 전역에서 갑자기 인기를 끌었던 ‘오픈클로(OpenClaw)’는 이미 열기가 식은 것으로 보인다.
예전에는 OpenClaw를 수정하느라 밤을 새우곤 했던 제 주변의 몇몇 친구들이 이제는 조용히 이 프로젝트를 접어두었습니다. 한때 GitHub에서 유례없이 빠른 속도로 폭발적인 인기를 끌었다고 평가받았던 이 프로젝트는, 이제 관심 면에서 거의 얼어붙은 상태에 이르렀습니다.
어쩌면 OpenClaw는 이미 그 역사적 사명을 다했을지도 모릅니다.
이는 마치 허리케인처럼 몰아치며, ‘에이전트’라는 개념을 처음으로 대중의 시야에 확실히 각인시켰습니다. 이를 통해 많은 사람들이 한 가지 사실을 깨닫게 되었습니다. 바로 AI가 단순히 사용자와 대화만 나누는 챗봇이 아니라는 점입니다. AI는 주도적으로 나서서 사용자가 업무를 처리할 수 있도록 도울 수도 있습니다.
하지만 OpenClaw는 리눅스가 되지는 않았다.
진행 속도가 너무 빨랐다. 견고한 코드 장벽과 탄탄한 생태계를 구축할 충분한 시간을 갖기도 전에, 이미 해변으로 밀려나 버렸다.
그렇다면, 생산성 향상을 위해 에이전트가 꼭 필요한 사람들은 현재 어떤 새로운 도구를 사용하고 있을까요?
최근, ‘’라는 이름의 지능형 에이전트 운영 체제가 PilotDeck 이 프로젝트는 커뮤니티 내에서 조용히 공개되었습니다. 이 프로젝트는 칭화대학교 THUNLP 연구소, ModelBest, OpenBMB, AI9stars가 공동으로 개발하여 오픈소스로 공개했습니다.
OpenClaw가 괴짜들의 로맨틱한 “대형 장난감”이라면, 이 “칭화대 최우수 학생”은 오히려 에이전트 협업 콘솔 진정한 생산성을 위해 만들어졌습니다.
PilotDeck 에이전트 OS: 밀크티 게임에서 데이터 대시보드까지
단순히 겉핥기만 했던 초기 에이전트들과 PilotDeck의 차이점은 무엇일까요?
아주 직접적인 테스트 몇 가지를 살펴보겠습니다.
우리는 두 곳의 워크스페이스를 동시에 개설했습니다. 한 곳은 게임 개발에 사용되었고, 다른 한 곳은 데이터 시각화에 사용되었습니다.
그런 다음, 과연 버틸 수 있을지 확인하기 위해 둘을 함께 작동시켜 보았습니다.
밀크티 가게 시뮬레이션 게임 만들기
첫 번째 WorkSpace에서는 한 문장을 입력했습니다:
“밀크티 가게를 주제로 한 간단한 시뮬레이션 경영 게임을 만들어 보세요. 이 게임에는 재고 구매, 가격 책정, 대기열 시스템이 포함되어야 합니다. 고객들은 가격과 평판을 바탕으로 구매 여부를 결정하게 됩니다.”
프롬프트가 입력된 후, PilotDeck은 버블티 가게 시뮬레이션 게임을 위한 매우 상세한 계획을 생성해 냈습니다.
게임 디자인의 핵심 루프를 분석하고, 5가지 종류의 밀크티로 구성된 제품 라인을 기획했으며, 구매 시스템, 가격 책정 시스템, 고객 및 대기열 시스템, 재무 시스템 등을 구축했습니다.
기술적인 측면에서는 이미 새로운 카드형 UI 레이아웃을 미리 계획해 두었으며, 핵심 JS 모듈과 구현 단계를 작성해 두었습니다.
결국, 밀크티 가게 게임을 온라인에서 즐길 수 있게 되었다.
대화형 AI 자금 조달 대시보드 구축
두 번째 WorkSpace는 완전히 다른 방향으로 나아갔습니다.
“다음은 글로벌 AI 기업들의 자금 조달 데이터 모음입니다. 이 데이터를 바탕으로 대화형 데이터 시각화 대시보드를 만들어 주세요. 애니메이션 효과가 포함되어야 하며, 마우스를 올렸을 때 세부 정보가 표시되도록 해주세요.”
이 과제에서 PilotDeck은 4개의 차트를 통해 총 자금 조달액 기준 상위 10개 기업, 북미·유럽·아시아별 자금 조달 비중, 그리고 일반 AI·엔터프라이즈 AI·생성형 AI 분야별 분포를 보여주었습니다.
최종 시각화 대시보드는 각 지역의 AI 기업 자금 조달 현황을 명확하게 보여주었습니다.
두 작업은 동시에 실행되었습니다.
그 중 하나는 게임 로직을 작성하는 것이었습니다.
다른 하나는 차트를 그리는 것이었습니다.
그들은 서로 간섭하지 않았다.
프로그래머 성격 검사 만들기
그 후, 우리는 또 다른 순전히 재미를 위한 과제를 추가했습니다.
“10문항으로 구성된 프로그래머 성격 테스트를 만들어 보세요. 이 테스트는 여러분이 어떤 유형의 프로그래머인지 파악할 수 있어야 하며, 결과 페이지와 공유 버튼이 포함되어야 합니다.”
PilotDeck은 실제 개발 현장과 상당히 유사한 10개의 객관식 문제를 생성했습니다. 결과는 다음과 같이 6가지 유형으로 분류되었습니다:
건축가 🏛️ / 벽돌공 🧱 / 완벽주의자 ✨ / 마술사 🧙 / 전도사 📣 / 철학자 🤔
시각적 스타일로는 GitHub 다크 테마와 JetBrains Mono 등폭 글꼴을 사용했습니다. 기술적인 느낌이 강하게 드러났습니다.
10개의 질문을 모두 마친 후, 최종 결과에서 제가 확실히 ‘벽돌 옮기기’ 유형이라는 것이 밝혀졌습니다.
경영 시뮬레이션 게임부터 데이터 대시보드, 소규모 소셜 앱에 이르기까지, 그 범위가 솔직히 말해서 좀 터무니없을 정도입니다.
하지만 PilotDeck에서는 각 프로젝트가 독립적인 워크스페이스입니다. 각 워크스페이스는 자체적인 작업을 실행합니다.
PilotDeck WorkSpace: 단순한 폴더 격리 그 이상
과제를 다 마친 뒤, 우리는 좀 더 재미있는 일을 했다.
우리는 두 프로젝트의 메모리 패널을 각각 열었습니다.
밀크티 가게 프로젝트에서는 게임 로직, UI 스타일, 게임플레이 매개변수가 메모리에 저장되었습니다.
데이터 대시보드 프로젝트에서는 차트 유형, 색상 구성 및 데이터 처리 로직을 메모리에 저장합니다.
두 사람 사이에는 단 한 조각의 추억도 섞여 있지 않았다.
이것이 아마도 PilotDeck WorkSpace와 다른 많은 도구들 사이의 가장 근본적인 차이점일 것입니다.
Claude Cowork는 프로젝트 격리를 위해 “프로젝트(Projects)” 기능을 도입했으며, Cursor에도 ‘워크스페이스(Workspace)’ 기능이 있습니다. 하지만 이 두 서비스의 격리 방식은 여전히 “폴더 + 규칙”에 가깝습니다.”
메모리를 확인하거나 수정하기가 어렵습니다. 스킬은 사용 빈도가 높아져도 실제로는 발전하지 않습니다. 또한 어떤 프로젝트에 얼마의 비용이 투입되었는지 명확하지 않습니다.
PilotDeck은 각 프로젝트마다 완벽한 “작업용 캐빈”을 구축합니다. 이 캐빈 내부에는 세 개의 층이 있습니다.
전용 파일 시스템
이 프로젝트에 속한 파일과 AI가 생성한 파일은 명확하게 구분되어 있습니다.
전용 메모리
‘프로젝트 메모리’는 프로젝트의 정의와 진행 상황을 기록합니다.
‘협업 피드백’ 기능은 사용자의 선호 사항을 저장합니다.
이 모든 항목은 열람 및 편집이 가능하며, 출처를 확인할 수 있습니다.
전용 스킬
Skill 앱 스토어에서는 한 번의 클릭으로 해당 WorkSpace에 스킬을 설치할 수 있습니다.
예를 들어, 다음을 설치합니다. 게임 자산 검색기 게임 제작용 WorkSpace로 이동하여 설치하십시오. minimax-pdf 문서 작성용 작업 공간으로.
다른 WorkSpace는 폴더와 정적 규칙으로 구성될 수 있습니다.
PilotDeck의 WorkSpace는 AI를 위한 완벽한 생활 환경에 가깝습니다.
PilotDeck 토큰 라우팅: 성과 저하 없이 비용 절감
에이전트 도구에는 누구나 아는 비밀이 하나 있습니다.
사용하기는 정말 편하지만, 청구서가 나오면 깜짝 놀랄 수도 있습니다.
전체 과제에 대해 가장 강력한 모델을 실행하면 토큰이 순식간에 소진됩니다. 때로는 택시를 타는 것보다 비용이 더 많이 드는 것처럼 느껴지기도 합니다.
흔히 쓰이는 해결책은 모델을 수동으로 전환하는 것입니다. 간단한 질문에는 비용이 적게 드는 모델을 사용하고, 복잡한 작업에는 비용이 많이 드는 모델로 전환하는 것입니다.
하지만 이 전환 과정 자체도 성가신 일입니다.
PilotDeck은 일련의 지능형 라우팅 방식을 사용하며, 그 접근 방식은 시중의 일반적인 솔루션들과는 다소 다릅니다.
요청 대신 하위 에이전트별 라우팅
가장 중요한 설계 결정은 바로 여기에 있습니다.
많은 라우팅 솔루션은 요청 단위로 모델을 전환합니다. 모든 요청을 개별적으로 검토한 후, 해당 요청을 특정 모델에 할당합니다.
문제는 모델을 자주 전환하면 KV 캐시가 손상될 수 있다는 점입니다. 마치 모델을 변경할 때마다 파일을 다시 읽는 것과 같습니다. 실제로 추론 효율이 떨어질 수도 있습니다.
PilotDeck은 서브 에이전트 수준에서 라우팅을 수행합니다.
복잡한 작업이 여러 하위 작업으로 분할된 후, 하나의 모델에 하위 에이전트 전체가 할당되어 끝까지 실행됩니다. 이 하위 에이전트 내부의 컨텍스트 캐시는 연속성을 유지합니다.
따라서 이를 통해 절약되는 것은 토큰 비용뿐만 아니라, 앞뒤로 전환하는 과정에서 발생하는 성능 저하도 포함됩니다.
다양한 작업에 적용 가능한 유연한 라우팅 규칙
또한 PilotDeck은 “고가의 모델은 어려운 작업을, 저렴한 모델은 간단한 작업을 수행한다”와 같은 고정된 라우팅 규칙보다 더 유연합니다.”
라우팅 전략을 조정하기 위한 규칙과 안내 메시지를 지원합니다.
어떤 유형의 작업에 어떤 모델을 사용할지 정의할 수 있습니다. 심지어 자연어로 지시할 수도 있습니다:
“코딩 관련 하위 작업에는 Claude Opus를 사용하고, 텍스트 처리에는 더 저렴한 모델을 사용합니다.”
‘라우팅’ 패널을 열면 모든 세션이 명확하게 나열됩니다. 각 세션이 ‘복잡’, ‘간단’, ‘중간’ 중 어느 범주에 속하는지, 실제 비용은 얼마인지, 그리고 라우팅을 하지 않았을 경우 비용이 얼마였을지 등이 표시됩니다.
예를 들어, 프로그래머 성격 테스트 앱의 경우, 라우팅을 적용하지 않으면 비용이 $10.97이 들었습니다. 라우팅을 활성화한 후에는 실제 비용이 $1.42에 불과했습니다.
즉, $9.55, 약 75%를 절약한 셈입니다.
연구팀은 또한 이를 더 큰 규모로 실험해 보았다.
샤오홍슈 콘텐츠 제작과 같은 소셜 미디어 환경에서, 라우팅을 적용했을 때 비용은 $2.83이었습니다. 라우팅을 적용하지 않았을 때는 $12.58이 들었습니다. 이를 통해 약 70%를 절감했습니다.
다국어 팟캐스트 처리, 재무 분석, 코드 문서화 등 보다 복잡한 작업 시나리오에서, 메인 Sonnet 4.6과 서브 MiniMax-M2.7을 조합한 경우 $3.15의 비용이 들었으며, 점수는 70.6을 기록했다.
Sonnet 4.6만 사용했을 때 비용은 $18.36이 들었으며, 점수는 69.1을 기록했습니다.
가격은 약 6분의 1 수준에 불과했지만, 결과는 오히려 조금 더 좋았습니다.
물론, 오직 최고의 성능만을 중요하게 생각한다면, 라우팅을 끄고 전체 과정에서 가장 성능이 뛰어난 모델을 사용할 수도 있습니다.
결정은 여전히 여러분에게 달려 있습니다.
개인정보 보호 및 비용 관리를 위한 지역 기반 모델
PilotDeck의 라우팅 기능은 로컬 모델을 하위 에이전트로 연결할 수도 있습니다.
즉, 민감한 데이터가 사용자의 컴퓨터를 벗어나지 않아도 된다는 뜻입니다.
일부 작업의 경우, 필요한 도구를 스스로 결정하고 작업을 수행하기 위해 기기 내 모델을 자동으로 배포하기도 합니다. 예를 들어, 다국어 팟캐스트 처리 시에는 음성 생성을 위해 VoxCPM을 스스로 설치할 수 있습니다.
클라우드 모델은 사고를 담당하고, 로컬 모델은 실행을 담당할 수 있습니다.
이러한 방식으로 비용 절감과 개인정보 보호를 모두 해결할 수 있습니다.
PilotDeck 메모리: AI의 뇌를 열어 편집하기
오늘날, 에이전트 메모리는 더 이상 예전처럼 완전히 불투명한 블랙박스 형태가 아닙니다.
하지만 많은 도구에서 AI가 무엇을 기억했는지, 언제 기억했는지, 그리고 정확하게 기억했는지는 여전히 충분히 명확하지 않다.
PilotDeck의 WorkSpace는 이에 대한 다른 해답을 제시합니다.
이는 단순히 폴더를 여는 것이 아닙니다. 에이전트의 생활 환경 전체를 열어보는 것입니다.
‘메모리’ 패널을 열면, 각 메모리 항목마다 타임스탬프, 소스 경로 및 유형이 표시됩니다.
‘프로젝트 메모리’는 프로젝트의 핵심 정의를 기록합니다.
‘협업 피드백’에서는 사용자의 배송 선호 사항을 기록합니다.
만약 잘못된 내용이 저장되었다면, 해당 항목을 클릭하여 수정할 수 있습니다.
메모리 충돌이 발생하면 잘못된 메모리를 직접 삭제할 수 있습니다.
대화를 다시 시작할 필요도 없고, 처음부터 자신의 선호 사항을 다시 입력할 필요도 없습니다.
기억 정리를 위한 꿈의 메커니즘
PilotDeck에는 ‘Dream’이라는 기능도 있습니다.
유휴 시간 동안 AI는 백그라운드에서 자동으로 자체 메모리를 검토하고 정리합니다.
낮에는 활동하고 밤에는 소화합니다.
‘메모리’ 패널에는 ‘메모리 드림’ 버튼과 ‘마지막 꿈 되돌리기’ 버튼이 표시됩니다.
Dream에서 무언가 잘못 설정된 경우, 클릭 한 번으로 이전 상태로 되돌릴 수 있습니다.
화이트박스 메모리의 최종 결과는 간단합니다:
AI를 더 많이 사용할수록, AI는 사용자의 습관을 더 잘 파악하게 됩니다.
사용자 설정은 피드백 메모리에 저장됩니다. 이를 확인하고 조정할 수 있습니다.
AI에 의존해 사용자가 무엇을 원하는지 추측하는 방식이 아닙니다.
말만 하면 됩니다. 명확하게 녹음해 줍니다. 다음 번에는 그 말을 따라합니다.
PilotDeck이 왜 진정한 생산성 지원 도구처럼 느껴지는지
모두를 놀라게 했던 초기 ChatGPT부터, 마치 괴짜들의 장난감처럼 에이전트 기능의 한계를 시험해 보았던 OpenClaw와 같은 도구들에 이르기까지, 대규모 모델의 물결을 되돌아보면 에이전트의 형태는 매우 빠르게 변화해 왔습니다.
하지만 비용, 고립성, 메모리 같은 문제들이 하나씩 해결되어야만 에이전트가 비로소 “흥미로운 데모”에서 “실용적인 생산성 도구”로 거듭날 수 있습니다.”
PilotDeck의 독립적인 워크스페이스, 제어 가능한 화이트박스 메모리, 그리고 세심하게 설계된 지능형 라우팅 전략 덕분에 “한 사람, 하나의 AI 군단”이라는 구상이 현실에 한 걸음 더 가까워졌습니다.
더 중요한 점은 이 “육각형 전사”가 값비싼 기업용 유료 서비스의 장벽 뒤에 갇혀 있지 않다는 것입니다.
이 프로젝트는 완전히 오픈소스로 운영되기로 결정했다.
기본 라우팅 로직이든 워크스페이스 아키텍처든, 관련 코드는 이미 공개적으로 그곳에 배치되어 있습니다.
그러니 ‘손을 대지 않는’ 관리자가 되는 것이 어떤 느낌인지 직접 체험해 보고 싶거나, 소스 코드를 열어 자신만의 사이버 팀을 구성하고 싶다면, PilotDeck을 진지하게 고려해 볼 가치가 있을 것입니다.
