TL;DR

OpenJarvis는 로컬 우선 개인 AI 에이전트를 만드는 데 초점을 맞춘 Python 프레임워크로, 공유 프리미티브·스킬 카탈로그·로컬 학습 루프를 통해 클라우드 의존도를 줄이는 설계를 채택합니다. 설치는 플랫폼별 원라이너나 데스크톱 바이너리로 간단하며 uv와 Ollama 같은 런타임을 자동으로 구성해 약 3분 내에 기본 동작을 시작할 수 있습니다. 빌트인 에이전트와 스킬 표준(agentskills.io) 연동, 에너지·지연·비용을 포함한 평가 지표, 스탠포드 연구진의 학술적 근거가 결합되어 있어 로컬에서 연구하거나 실운영용 개인 에이전트를 구축하려는 팀에게 적합합니다.

핵심 포인트

• OpenJarvis는 로컬 우선(personal, on-device)을 목표로 한 Python 기반 에이전트 프레임워크로, 공유 프리미티브와 로컬 학습 루프를 중심으로 구성되어 있습니다. 에이전트 구축을 위해 skills 카탈로그와 agentskills.io 표준을 사용하여 도구 호출 형태의 확장성을 제공하며, 로컬 추적 데이터로 모델을 개선하는 학습 루프를 포함합니다. 이러한 설계로 클라우드 의존도를 낮추어 개인 데이터와 지연, 비용 측면에서 장점을 얻을 수 있습니다.
• 설치는 플랫폼별 원라이너(macOS/Linux/WSL2, Windows PowerShell)나 데스크톱 바이너리(.exe/.dmg/.deb/.rpm/.AppImage)로 가능하며, 설치 스크립트가 uv, Python venv, Ollama와 starter model 설치를 자동화합니다. README에는 광대역 환경에서 약 3분 정도면 기본 설치가 완료된다고 명시되어 있고, Rust 확장과 대형 모델은 백그라운드에서 추가 다운로드하는 방식으로 동작합니다. 설치 후에는 jarvis CLI로 바로 대화를 시작하거나 preset을 불러와 빠르게 에이전트를 구성할 수 있어 실사용 진입 장벽이 낮습니다.
• 에이전트·프리셋·스킬 생태계가 잘 갖춰져 있어 즉시 쓸 수 있는 빌트인 에이전트(morning_digest, deep_research, code_assistant, scheduled_monitor 등)와 연구·생산용 워크플로를 모두 지원합니다. 스킬은 에이전트가 호출하는 도구로 취급되어 Hermes Agent와 OpenClaw 등 외부 스킬을 가져오거나 로컬 트레이스로 최적화할 수 있으며, 코드 실행·파일 I/O·쉘 접근·TTS 같은 기능을 에이전트 수준에서 활용할 수 있습니다. 이 구조는 이메일/캘린더 기반의 데일리 브리핑, 멀티홉 인용 연구, 자동화된 모니터링 같은 실제 작업을 로컬에서 처리하려는 목적에 부합합니다.
• 프로젝트는 스탠포드 연구진(Hazy Research, Scaling Intelligence Lab)과 연계되어 있으며 arXiv(2605.17172) 논문과 Intelligence Per Watt 연구를 참조하여 효율성을 중시하는 평가 기준을 채택하고 있습니다. README에서 에너지·FLOPs·지연·달러 비용을 정확한 제약으로 다루고 리더보드와 로드맵을 공개하고 있어 연구형 평가와 실무형 지표를 동시에 제공합니다. 이러한 근거 기반 접근은 로컬 모델의 처리 능력과 효율성을 비교·검증하려는 팀에게 유용합니다.

벤치마크

이미지 분석