아키텍처
데스크톱 런타임이 모델 호출을 안정적인 에이전트 세션으로 전환하는 방법: 스트리밍 루프, 도구 라우팅, 충돌에 안전한 상태, 제공업체 추상화, 맥락 관리.
Orkas 블로그는 자체 모델 키로 AI 에이전트를 조율하는 오픈 소스 로컬 우선 데스크톱 클라이언트인 Orkas의 작동 방식을 설명합니다. 이 엔지니어링 노트는 Agent Harness 런타임, 멀티 에이전트 오케스트레이션, 로컬 자기 발전, 제공업체 라우팅, 메모리, 맥락 압축, 모델 트래픽을 제공업체로 직접 전송하는 구조의 보안 선택을 다룹니다. 각 글은 로컬 우선 AI 에이전트 워크플로를 평가하는 개발자, 운영자, AI 제작자를 위한 실용적인 참고 자료로 작성되었습니다.
데스크톱 런타임이 모델 호출을 안정적인 에이전트 세션으로 전환하는 방법: 스트리밍 루프, 도구 라우팅, 충돌에 안전한 상태, 제공업체 추상화, 맥락 관리.
총괄 에이전트가 요청을 분해하고 하위 에이전트에 배정하며 단계 사이에 맥락을 전달하고 작업 실패 시 복구하는 방법.
Orkas가 작업 공간 데이터와 모델 키를 사용자의 컴퓨터에 보관하는 이유, 그리고 자체 제공업체를 사용할 때 트래픽이 Orkas 서버를 거치지 않고 해당 제공업체로 직접 전송되는 이유.
공식 서버는 Studio 전용이며, 외부 스크립팅도 원래부터 그랬습니다. 무료 버전의 우회 방법은 이제 작동 불가가 확인된 상태가 아니라 확인되지 않은 상태입니다.
하나의 표현 뒤에는 세 가지 작업이 숨어 있습니다. 실제로 자동화되는 부분, 사람이 맡아야 하는 부분, 편집 전에 근거를 확보하는 단계를 살펴봅니다.
2명이 운영하는 스토어가 초기 $3,000에 월 $400이라는 견적을 받았습니다. 이 비용에 포함되는 것, CiteScore, Otterly, AppearAI의 요금, 그리고 오후 한나절에 직접 수행하는 방법을 살펴봅니다.
하루 주문 30건에 복사와 붙여넣기로 한 시간이 듭니다. 실용적인 방식은 일치하지 않는 네 행만 보여 줍니다.
에이전트가 예산을 변경하기 전에 실무자가 요구하는 일곱 가지 통제 수단과, 그중 Orkas에 없는 네 가지를 솔직하게 정리한 표입니다.
내 카테고리에서 어시스턴트가 추천하는 방식을 확인하는 다섯 단계와, 브랜드를 지정하지 않은 답변이 내 사이트를 거의 인용하지 않는 이유를 살펴봅니다.
App ID, Cert ID, RuName, 마켓플레이스 ID. 이 중 하나는 URL이 아니며, 대부분의 설정이 바로 여기서 막힙니다.
서버가 내 소유이므로 개발자 프로그램도 심사 대기열도 없습니다. 두 가지 실패 가능성은 남아 있으며, 둘 다 아무런 알림 없이 발생합니다.
Claude에는 Etsy 커넥터가 없고 Etsy도 MCP 서버를 제공하지 않습니다. 네 가지 타사 연결 경로와 모두가 가로막히는 하나의 관문을 살펴봅니다.
Seller Central용 MCP 서버의 지원 범위, 아무도 먼저 말하지 않는 SP-API 작업, 상품 운영 지식을 어디에서 가져와야 하는지 살펴봅니다.
Shopify는 두 가지 MCP 서버를 제공하지만, 간편한 쪽은 내 스토어를 볼 수 없습니다. 권한 범위 선택과 쓰기 작업에 승인 단계가 필요한 이유를 살펴봅니다.
대행사는 분리 가능한 세 가지, 즉 작업 처리 역량, 전문성, 책임을 하나의 청구서에 묶어 판매합니다. 대부분의 기업에는 세 가지 모두가 필요하지 않습니다. 한 사람이 작업 처리 역량을 확보하는 비용은 훨씬 낮아졌지만 나머지 두 가지는 거의 달라지지 않았습니다. 실제로 무엇을 구매하고 있는지 파악하는 방법입니다.
다른 사람의 요금이 아니라 필요한 수입부터 계산하세요. 브라우저에서 실행되는 요금 계산기, 그 계산 원리, 실제 시장 요금 자료를 찾는 곳, 기존 고객의 요금을 올리는 네 가지 방법을 소개합니다.
고객이 실제로 읽는 여섯 개 섹션, 각 섹션에 들어갈 내용, 실제 작성 순서를 소개합니다. 내용이 이미 채워진 Word 및 Excel 템플릿과 두 파일을 생성하는 2단계 절차도 제공합니다. 이메일은 필요하지 않습니다.
Kimi K3의 매개변수는 1T에서 2.8T로 늘었지만, 보고서에서 가장 흥미롭지 않은 수치입니다. 아키텍처는 시퀀스, 깊이, 너비 방향으로 확장되며, 한 변경 사항은 GPU 코드 경로 전체를 단 하나의 하한으로 대체합니다. 각 방향의 이점과 서빙 스택에서 치르는 비용, 그리고 논문이 조용히 버린 업계 관행 하나를 살펴봅니다.
거의 모든 에이전트는 컨텍스트 창의 일정 비율에 도달하면 압축하고 가장 오래된 대화 차례를 삭제합니다. 이 임계값은 공간이 부족하다는 것만 알 뿐, 무엇을 버려도 안전한지는 전혀 모릅니다. 마일스톤의 마르코프 성질이 사실이 아니라 가정인 이유와, 압축에서는 학습 때보다 이 가정이 훨씬 더 엄격하게 성립해야 하는 이유를 살펴봅니다.
Orkas는 지속적으로 보존되는 계획 마일스톤을 기록하고, 각 도구 호출이 실제로 무엇을 변경했는지에 관한 호스트 측 사실을 별도로 기록합니다. 두 기록을 연결하는 장치가 없어 모델이 완료했다고 말하는 순간 단계가 완료로 처리됩니다. BEACON의 감지기 배치 방식, 구축해야 할 세 계층, 논문에는 없는 한 가지 기준을 살펴봅니다.
Orkas에는 세 가지 루프 방지 장치가 있지만, 성능 좋은 모델이 정체되는 상황은 어느 것도 잡아내지 못합니다. 세 장치 모두 같은 행동을 반복하는지만 확인하지만, 막힌 모델은 반복하지 않기 때문입니다. 이 사각지대, BEACON에서 차용한 출력 측 진행의 정의, 먼저 측정해야 할 항목을 살펴봅니다.
저장대학교의 BEACON을 자세히 읽어 봅니다. 장기 작업 에이전트가 강화학습에서 무너지는 이유, 마일스톤을 기준으로 한 기여도 할당이 이를 해결하는 방식, 수식을 따라가기 전에는 설계 자체와 모순되어 보이는 지표를 살펴봅니다.
인용은 검색 순위와 다릅니다. 먼저 검색 과정에서 살아남고, 그다음 인용할 만한 구절이어야 합니다. OpenAI의 세 봇, robots.txt에 가려진 CDN 관문, JavaScript 뒤에 있는 사실은 존재하지 않는 것이나 다름없는 이유를 살펴봅니다.
Claude Code와 Codex는 각각 잘하는 일이 다릅니다. 터미널과 git worktree를 사용하거나, 하나의 채팅에서 둘을 조율하는 Orkas Commander를 통해 함께 실행하세요.
암호화 전송, 콘텐츠 저장소, 서버가 관리하는 커밋, 계정 잠금, 동기화 규칙, 모델 보조 충돌 처리, 삭제 확인, 휴지통을 통해 Orkas가 기기 간 사용자 데이터를 동기화하는 방법을 살펴봅니다.
Orkas가 1.0 릴리스 계열에서 에이전트 기반을 다시 구축한 방법을 살펴봅니다. 프로세스 내 런타임, 제공업체 순환, 동적 그룹 채팅 오케스트레이션, 개방형 호스팅, 메모리, 자기 진화를 다룹니다.
Orkas 멀티 에이전트 오케스트레이션의 내부 구조를 살펴봅니다. 주 에이전트는 요청 하나를 계획으로 바꾸고, 의존성에 따라 하위 에이전트를 배정하며, 단계 간 컨텍스트를 전달하고 실패에서 복구합니다.
비용을 좌우하는 주된 요인은 초당 가격이 아니라 반복 작업 비율입니다. 재시도가 발생하는 원인과 현장 체크리스트를 기본 절차로 정착시키는 방법을 살펴봅니다.
로컬 우선 AI의 의미, 즉 데이터, API 키, 모델 트래픽이 공급업체 클라우드가 아닌 내 컴퓨터에 머무른다는 것이 무엇인지 살펴봅니다. 개인정보 보호에 중요한 이유와 개인 API 키를 사용하는 에이전트의 실제 작동 방식도 다룹니다.
Orkas가 모델 호출을 안정적인 데스크톱 에이전트 런타임으로 바꾸는 방법을 살펴봅니다. 스트리밍 실행 루프, 도구 라우팅, 컨텍스트 압축, 제공업체 추상화, 메모리, 비정상 종료에도 안전한 세션을 다룹니다.
Orkas의 로컬 자기 진화 루프를 살펴봅니다. 가벼운 신호, 백그라운드 성찰, 실행 가능한 스킬, 스킬 지표, 잘못된 교훈을 학습하지 않도록 하는 보호 장치를 다룹니다.
Orkas는 macOS와 Windows용 오픈 소스 로컬 우선 데스크톱 AI 클라이언트입니다. 하나의 어시스턴트와 대화하는 대신 에이전트 팀을 지휘합니다. 총괄 에이전트가 목표를 책임지고 스킬을 호출하여 작업을 수행하는 하위 에이전트를 모집합니다. 선택 사항인 Orkas 관리형 공식 모델을 사용하거나 OAuth 또는 API 키로 자체 제공업체를 연결할 수 있으며, 작업 공간은 기본적으로 로컬 우선입니다.
로컬 우선은 데이터와 제어권이 사용자의 기기에 유지된다는 뜻입니다. 채팅, 파일, 지식 베이스, 메모리, 암호화된 모델 키는 기본적으로 사용자의 컴퓨터에 보관됩니다. 자체 제공업체를 사용하면 모델 트래픽이 컴퓨터에서 해당 제공업체로 직접 전송되며 Orkas 서버를 통해 프록시되지 않습니다. 공식 모델은 Orkas의 관리형 모델 서비스를 사용합니다.
총괄 에이전트는 목표를 읽고 단계별로 나눈 다음 작업과 기능에 따라 하위 에이전트를 모집합니다. 각 하위 에이전트는 범위가 정해진 자체 맥락에서 작업하며 웹 검색, 코드 실행, 파일 입출력, 지식 베이스 검색, 커넥터 등의 스킬을 호출하여 결과물을 제공합니다. 총괄 에이전트는 각 하위 에이전트에게 필요한 내용만 전달하므로 토큰 비용을 줄이고 책임을 명확하게 유지할 수 있습니다.
일반적인 용도로는 리서치와 분석, 글쓰기와 편집, 기본 에이전트 또는 Claude Code, Codex, OpenClaw 같은 외부 CLI 에이전트를 활용한 코딩, 데이터 작업, 학습, 오피스 문서가 있습니다. 반복 작업을 한 번만 재사용 가능한 하위 에이전트로 만들어 두고 필요할 때마다 채팅에서 호출할 수도 있습니다.
현재 공개 버전은 macOS와 Windows 데스크톱 앱입니다. iOS 원격 제어 릴레이는 비활성화되어 있으며 웹 클라이언트는 없습니다. 선택 사항인 Orkas 관리형 공식 모델을 사용하거나 OAuth 또는 API 키로 제공업체를 연결할 수 있습니다. 자체 키 사용량은 제공업체가 청구하며 관리형 기능은 Orkas 크레딧을 사용합니다. 출력 품질은 연결하는 모델에 따라 달라집니다. 선택적인 다중 기기 동기화는 동기화된 데이터를 Orkas 서버에 저장하며, 무료 버전은 제한적인 사용 분석 데이터를 전송합니다.