TL;DR

Wisp Science는 로컬 우선 데스크톱 AI 연구 워크벤치로, Rust/Tauri/Leptos로 만든 크로스플랫폼 앱과 헤드리스 CLI를 통해 지속 실행되는 Python·R REPL, ACP 기반 로컬 에이전트 연동, 그리고 Model Context Protocol로 연결된 약 80개의 바이오 데이터베이스를 통합한다. 에이전트 루프는 읽기→사고→툴 호출→검증 순으로 동작하며 컨텍스트는 세 단계의 압축 절차로 호출 전 80% 예산 지점에서 축소되어 모델 비용과 입력 길이를 관리한다. 로컬·WSL·SSH·GPU 런타임을 프로브하고 실행 컨텍스트를 대화 단위로 분리함으로써 민감 데이터와 재현성 요구를 만족시키는 반면 현재는 MVP 수직 슬라이스 상태여서 일부 고급 워크플로와 로드맵 항목이 아직 구현 대기 중이다.

핵심 포인트

• 로컬 우선 디자인은 민감한 데이터와 장기 실험을 로컬 머신과 등록된 원격 서버(SSH/WSL/GPU)에 유지하도록 설계되어, 클라우드 종속성 없이도 연구 워크플로를 실행할 수 있다. 이는 조직의 데이터 보안 정책이나 오프라인 환경에서 실험을 원활하게 만든다.
• 번들된 MCP 서버 카탈로그를 통해 약 80개의 바이오 데이터 소스에 대한 표준화된 접속을 제공하므로, 각 모델 호출에서 전체 데이터베이스를 컨텍스트에 넣지 않고 필요한 툴·스키마만 온디맨드로 사용해 컨텍스트 비용을 절감한다. 이 접근은 대규모 외부 지식 통합 시 컨텍스트 폭주 문제를 완화한다.
• ACP v1 기반 로컬 에이전트 실행을 지원하므로 외부 에이전트를 별도 프로세스로 유지하며 Wisp가 에이전트의 입출력을 안전하게 중계할 수 있다. 이로 인해 에이전트 교체나 로컬 도구 통합이 용이해지고 재현 가능한 자동화 워크플로가 가능하다.
• 지속되는 Python·R 실행 환경을 유지하며 각 프로젝트와 실행 컨텍스트별로 REPL 네임스페이스를 보존하고 셀 간 상태를 바로 검사하거나 재시작으로 상태를 초기화할 수 있다. 이 방식은 반복적 실험과 디버깅을 빠르게 수행하도록 설계되어 있으며 에이전트가 라이브 변수를 읽어 결과를 즉시 반영하게 한다. 각 런타임은 메모리, 상태, 마지막 활동 시간을 표시하고 UI에서 핀으로 고정해 대화 중에 참조할 수 있다.