사용자의 워크플로를 관찰하여 스스로 학습하는 로컬 에이전트 시스템 AgentHandover

프로젝트의 개념에 대해 흥미롭다는 반응이며, 특히 로컬 환경에서 개인의 워크플로를 학습한다는 점에 주목하고 있다.

• 특정 반복 업무를 자동화하고 싶다면 FOCUS 모드를 사용하여 집중적으로 AI에게 시연을 보여주면 효율적이다.
• 로컬 모델 실행 전 자신의 VRAM 용량을 확인하고 앱이 추천하는 최적의 모델을 선택하여 사용한다.

시연 기반 학습(Demonstration-based Learning)

— 사용자가 실제로 작업을 수행하는 과정을 AI가 관찰하여 학습하는 방식이다. 수동으로 프롬프트나 워크플로를 설정하는 대신, 화면과 동작을 분석하여 의사결정 로직과 단계를 스스로 파악하고 재현 가능한 기술로 변환하는 것이 핵심이다.

임베딩 지식 베이스(Embedding Knowledge Base)

— 데이터를 고차원 벡터로 변환하여 저장한 뒤, 필요할 때 유사도 검색을 통해 관련 정보를 추출하는 시스템이다. 에이전트가 작업을 수행할 때 필요한 추가 맥락이나 지식을 효율적으로 검색하여 보완할 수 있게 돕는다.

VRAM 기반 최적화(VRAM-based Optimization)

— 그래픽 카드의 비디오 램(VRAM) 용량에 맞춰 실행 가능한 최적의 LLM 크기를 결정하는 방식이다. 로컬 환경에서 모델을 구동할 때 메모리 부족으로 인한 성능 저하나 오류를 방지하기 위해 하드웨어 자원을 사전에 분석한다.