아티클 목록으로
AI 에이전트

AWS, 비동기 코딩 에이전트 플랫폼 ‘Kiro Crew’ 오픈소스 공개

약 3분 소요

개요

기존의 많은 Coding Agent는 개발자가 프롬프트를 입력하고 결과를 확인한 뒤 다음 지시를 내리는 대화형 흐름에 맞춰져 있다. AWS가 오픈소스로 공개한 Kiro Crew는 이 방식에서 벗어나, 개발자가 컴퓨터 앞을 떠난 뒤에도 여러 Kiro Coding Agent가 작업을 계속하도록 설계됐다. 에이전트는 세션과 도구, 작업을 넘나들며 실행되고, 개발자는 나중에 진행 상황과 결과를 검토할 수 있다.

주요 기능

Kiro Crew는 Kiro CLI를 기반으로 하며 Agent Client Protocol(ACP)을 통해 에이전트를 조율한다. 핵심 기능은 다음과 같다.

  • 영속 세션과 컨텍스트 유지: 프로젝트의 배경 정보를 보존해 같은 내용을 반복해서 프롬프트에 입력하는 부담을 줄인다.
  • 병렬 실행과 위임: 여러 에이전트가 서로 다른 작업을 동시에 처리하고, 주 에이전트가 하위 에이전트에 일부 업무를 맡길 수 있다.
  • 개발 설정 재사용: 기존 .kiro 설정, Steering 파일, Skills, 사용자 정의 Agent를 그대로 활용할 수 있다.
  • 외부 도구 연결: MCP, Webhook, 전용 Apps를 이용해 기존 서비스와 업무 흐름을 연결한다.
  • 예약 및 비동기 작업: 사고 조사, Dependabot 티켓 분류, 마이그레이션, CI/CD 업무, Pull Request 모니터링 등을 개발자가 계속 지켜보지 않아도 실행할 수 있다.

Activity 뷰는 이 구조를 관찰 가능하게 만드는 요소다. 사용자는 각 에이전트의 계획, 도구 호출, 승인 지점, 실행 결과를 실시간으로 확인할 수 있다. 즉, 백그라운드 자동화를 제공하면서도 진행 과정에 개입할 수 있는 형태다.

배포와 보안

Kiro Crew는 Amazon 내부에서 MeshClaw라는 이름으로 처음 개발됐다. 제공된 자료에 따르면 내부에서 3만 9,000명 이상의 개발자가 사용했고, 500명의 기여자가 참여했다. 현재는 Apache 2.0 라이선스로 공개됐으며 macOS, Linux, Windows를 지원한다. 로컬 환경에서 실행하거나 사용자가 직접 관리하는 인프라에 배포할 수 있고, Slack, Telegram, WeCom 통합도 제공한다.

보안 측면에서는 종심 방어를 강조한다. OS 수준 샌드박스, 기본 거부 방식의 명령 정책, 의심스러운 패턴 차단, 입력 검증, 민감한 경로 보호, 자격 증명 비식별화, 서명된 감사 로그 등이 포함된다. 이러한 장치가 사람의 검토를 대신하는 것은 아니지만, 실제 개발 환경을 조작하는 에이전트의 권한과 행동을 통제할 수 있는 기반을 제공한다.

의미와 남은 과제

Kiro Crew의 변화는 단순히 더 많은 에이전트를 추가한 데 있지 않다. Coding Agent를 일회성 대화 도구가 아니라 지속적으로 엔지니어링 업무에 참여하는 구성원처럼 다룬다는 점이 핵심이다. 세션 간 컨텍스트와 병렬 실행을 활용하면 반복적인 프롬프트 작성이 줄어들고, 개발자는 목표 설정과 위험 판단, 결과 검토에 집중할 수 있다. 반복적인 운영, 마이그레이션, 티켓 처리 업무가 많은 팀에는 실제 생산 환경에 가까운 방식이 될 수 있다.

다만 백그라운드 에이전트가 늘어날수록 모델 호출과 토큰 사용량도 증가한다. 원문에 인용된 사용자 의견에 따르면 Crew의 토큰 소비 속도는 Kiro CLI보다 눈에 띄게 빠를 수 있다. 따라서 실제 도입 과정에서는 작업 범위와 권한, 승인 절차, 비용, 결과 품질을 함께 관리해야 한다. Kiro Crew의 기업 활용 가능성은 기능 수뿐 아니라 비용 통제, 감사 가능성, 안정적인 인간-에이전트 협업 체계를 구축할 수 있는지에 달려 있다.

InfoQ 中文

댓글

로그인 상태 확인 중…

댓글 불러오는 중…

관련 게시물

CCTest · Blog
멀티 에이전트 LLM의 반성을 검증 가능한 개선으로 바꾸기
AI 에이전트
cctest.ai
AI 에이전트

멀티 에이전트 LLM의 반성을 검증 가능한 개선으로 바꾸기

새 연구는 오케스트레이터와 워커의 상호작용을 이중 수준 협력 게임으로 모델링하고, 환경 기반 평가를 통과한 기억만 업데이트하는 방법을 제안했다. 생성된 텍스트만 보는 반성 게이트는 모든 환경에서 개선을 보장할 수 없다는 것이 핵심이다.

더 보기