본문으로 건너뛰기

트렌딩 - GitHub 인기 레포 & HuggingFace 모델

돌아가기
레포 이동

NeuroAIHub/BrainPilot

TypeScript2 / 0

BrainPilot은 PI 에이전트가 전문가 에이전트와 스킬·지식베이스를 연결해 문헌조사에서 실험설계·분석·감사까지 추적 가능한 워크플로로 자동화하는 오픈소스 툴이다.

TL;DR

BrainPilot은 PI Agent가 전문 에이전트(사서·실험설계자·엔지니어·작가·감사자)를 오케스트레이션해 문헌조사에서 실험설계·데이터 분석·보고서 작성·감사에 이르는 연구 워크플로를 자동화하는 오픈소스 플랫폼이다. SKILL.md 기반의 72개 스킬 라이브러리와 점진적 스킬 로딩을 통해 방법론 텍스트를 에이전트의 시스템 프롬프트에 요약·참조하며, MCP 연결로 로컬 벡터 스토어나 원격 검색 서비스를 도구로 통합한다. 모든 에이전트 호출과 산출물은 Graph of Trace로 기록되어 실행 경로와 근거 체인을 복원 가능하게 유지하며, 사례 검증에서는 RSC 디코딩 MAE 16.8cm, EEG에서 일부 피험자 기준 accuracy 0.580→0.620 등을 보고했으나 몇몇 비교에서는 전통적 유의수준을 넘지 못함이 병기되어 있다. 로컬 단일 사용자 실행은 Node.js ≥22로 빠르게 시작할 수 있고, 격리가 필요하면 Docker 동적 샌드박스 모드로 확장할 수 있다.

핵심 포인트

  • 분야별로 검증된 SKILL.md 기반의 72개 스킬을 런타임으로 물리화해 에이전트가 구체적 실험 절차와 파라미터를 참조하도록 한다.
  • Graph of Trace를 기본 감사 로그로 채택해 에이전트의 도구 호출과 증거 흐름을 노드·엣지 형태로 복원 가능하게 유지한다.
  • MCP(Model Context Protocol) 연결을 통해 로컬 벡터 DB, 파일 시스템, 원격 검색 서비스 등 다양한 외부 리소스를 에이전트 도구로 직접 통합할 수 있다.
  • 문헌 검색과 근거 수집을 자동으로 수행하고 관련 논문과 메타데이터를 에이전트 도구로 노출한다.

벤치마크

벤치마크지표값비교
RSC spatial codingBayesian decoding MAE / Pearson rMAE = 16.8 cm; r = 0.646—
EEG motor-imagery (BCI Competition IV 2a)accuracy / kappaaccuracy 0.580 → 0.620; kappa 0.440 → 0.493exceeded EEGNet in 7 of 9 subjects; paired tests p = 0.107, 0.129 (not conventionally significant)
fMRI pain connectivityAUC across cohortsAUC = 0.793 (Japan), 0.699 (UK)—
Agents' Last Exam (ALE)task scores and cost fractionscores 1.00, 0.70, 0.09 across three taskscost used 5–56% of that required by Codex or Claude Code for matched backbones

이미지 분석

시스템 개요 다이어그램으로 PI 에이전트가 라이브러리, 실험설계, 엔지니어, 작가, 감사 등 전문 에이전트와 상호작용하며 Graph of Trace로 세션을 기록하는 흐름을 보여준다.
다이어그램은 중앙의 PI Agent가 사용자 요구를 받아 여러 전문 에이전트를 조율하고 기능별 스킬과 지식베이스를 호출하는 오케스트레이션 구조를 시각화하고 있다. 각 에이전트는 문헌 검색, 실험 설계, 코드·분석 실행, 보고서 작성, 독립적 검증 같은 역할을 갖고 있으며 이들 호출과 결과는 Graph of Trace로 연결되어 실행 단계를 추적 가능하게 만든다. 이 이미지는 시스템의 구성 요소와 데이터 흐름, 감사 가능한 실행 기록이라는 핵심 설계 결정을 한눈에 파악하게 해준다.
아키텍처 다이어그램으로 PI Agent와 전문 에이전트, Knowledge Base, Skills 라이브러리, MCP 서버 연결 및 Graph of Trace 워크플로를 상세히 보여준다.
이 이미지는 런타임 구성과 확장 지점을 구체적으로 드러내며 MCP 서버를 통한 외부 도구 통합과 세션별 데이터 경로를 명확히 제시한다. 하단의 Graph of Trace 플로우는 질의에서 시작해 설계·실행·분석·작성·감사로 이어지는 상태 전이를 색상으로 표기해 각 에이전트의 역할과 상태(완료·진행중·보류)를 추적할 수 있게 만들었다. 또한 Docker 기반의 격리 모드와 단일 프로세스 모드의 차이를 배포 선택지 차원에서 보여준다.
RSC 공간 코딩 사례의 여러 분석 결과 패널로서 상위 place-cell 스크리닝, 인구 발화율 맵, 디코딩 성능, 트라이얼별 발화율 역학 등 실험 분석 결과를 요약한 그래프 모음이다.
패널들은 칼슘 이미징과 행동 데이터를 바탕으로 베이지안 디코딩으로 위치를 복원한 결과와 개별·집단 발화 패턴의 시간적 안정성을 제시한다. 특히 보류 검증에서의 MAE 16.8 cm와 r = 0.646 수치가 캡션으로 병기되어 있으며, 트라이얼-빈 상관과 발화율 역학이 세션 내 안정성을 뒷받침하는 증거로 배치되어 있다. 이 이미지는 BrainPilot이 실제 신경생리 데이터에 대해 자동화된 분석 파이프라인을 실행해 가시적 성능 지표와 시각화를 산출할 수 있음을 보여준다.
마우스 시각 계층성 사례의 여러 메트릭(응답 지연, 내재 시계수, 수용장 크기) 비교 플롯으로서 해부학적 계층 점수와의 상관 관계를 제시한다.
여러 서브플롯은 세션 표본(58 세션)과 소표본(3 세션)에서 측정한 세 가지 기능적 지표가 해부학적 계층 점수와 양의 상관을 보였지만 개별 지표는 유의수준을 넘지 못했음을 숫자와 캡션으로 함께 제공한다. 각 점은 영역별 평균과 표준오차를 나타내며 플롯 하단의 주석은 p값들이 전통적 유의수준을 넘지 못했음을 명확히 한다. 이 시각 자료는 자동화된 분석이 상세한 통계 요약과 함께 다중 세션 결과를 비교하도록 설계되었음을 반영한다.

107

STARS

11

FORKS

+207

TRENDING

2

조회수

watchers 107open issues 8GNU Affero General Public License v3.0

관련 토론

아직 관련 토론이 없습니다.

댓글

댓글을 작성하려면 로그인이 필요합니다.