Cluefin-Dure를 짧게 요약하면 국내주식 멀티 AI 에이전트 CLI입니다. 하지만 실무 관점에서 더 중요한 설명은 따로 있습니다. 이 프로젝트는 투자 리서치 결과를 생성하는 도구이면서 동시에, 그 결과가 어떤 절차를 통해 나왔는지 남기는 실행 시스템입니다.
• 무엇을 하는가
Kiwoom, KIS, DART, 뉴스 데이터와 보조 cluefin CLI를 연결해 국내 투자 리서치 워크플로우를 실행합니다.
하나의 진입점에서 `equity`, `screen`, `strategy`, `scenario`, `chat` 흐름을 다룹니다.
• 왜 흥미로운가
많은 '주식 분석 AI' 프로젝트는 최종 의견이나 요약문에 초점을 둡니다.
Cluefin-Dure는 반���로 분석 생성 경로를 구조화합니다.
`report.html`, `events.json`, `<agent>/artifact.json`이 남기 때문에 결과만 보는 것이 아니라 중간 단계와 이벤트 흐름을 복기할 수 있습니다.
• 대표 워크플로우
`equity`: Universe 또는 단일 종목 입력 → Fundamental + News → Strategy → Critic 반복
`screen`: Universe 기반 상위 종목 Fundamental 분석
`strategy`: 전략 초안 생성 후 Critic 반복
`scenario`: 시나리오 정의 → 영향 분석 → 종합 평가
`chat`: Router가 equity, screen, strategy, scenario, review_checklist 도구로 라우팅
• 기술적으로 눈에 띄는 점
에이전트 구성이 명확합니다.
Universe, Fundamental, News, Strategy, Critic, Scenario, Review Checklist, Router처럼 역할이 쪼개져 있어 파이프라인 해석이 쉽습니다.
모델 설정도 `DURE_MODEL_{AGENT}` > `DURE_PROVIDER` > 코드 기본값 순으로 override됩니다.
즉, 워크플로우 전체는 고정해 두고 각 에이전트의 모델만 바꿔 실험하기 좋습니다.
• 비슷한 계열과의 차이
단순한 단일 LLM 분석 스크립트와 비교하면:
1. 데이터 소스가 국내 증권사 API와 DART 중심이라 현지화가 강합니다.
2. 에이전트가 역할별로 분리돼 단계 해석이 쉽습니다.
3. Critic 루프가 있어 전략 초안의 자기검토를 구조에 포함합니다.
4. 실행 아티팩트를 남겨 재현성과 감사 가능성을 확보하려고 합니다.
• 어디에 유용한가
리서치 팀 내부 워크벤치
애널리스트 보조 도구 실험
국내주식 스크리닝 자동화 프로토타입
투자 아이디어 문서화 파이프라인
AI가 만든 분석의 검토 흔적이 필요한 환경
• 주의할 점
이 저장소 하나만으로 완결되는 구조는 아닙니다.
시장 데이터와 보조 도구 실행을 위해 cluefin 저장소가 함께 필요하���, `CLUEFIN_CLI_CWD`를 지정해야 합니다.
또한 `.env`에 Kiwoom, KIS, DART 관련 인증값이 필요합니다.
즉, 설치 장벽은 'README 실행 예제'보다 실제 데이터 연동 준비에 더 가깝습니다.
• 실전 takeaway
이 프로젝트의 진짜 가치는 'AI가 국내주식 의견을 낸다'가 아닙니다.
증권사 API, 공시, 뉴스, 전략, 비평 루프를 하나의 실행 기록 아래 묶어서 리서치의 생성 과정을 추적 가능하게 만든다는 점입니다.
국내 투자 리서치 자동화에서 결과물 못지않게 과정의 검증 가능성을 중요하게 본다면, Cluefin-Dure는 꽤 선명한 방향성을 보여줍니다.
py-pimono: 에이전트를 직접 열어보는 미니멀 Python 하네스
에이전트 프레임워크를 쓰다 보면 '이게 어떻게 돌아가지?'라는 의문이 생긴다. py-pimono는 그 의문에 직접 답하는 프로젝트다.
🔧 무엇인가
• OpenClaw pi-mono 코어를 Python으로 이식한 미니멀 에이전트
• 완성된 도구가 아닌 학습용 스캐폴드
• 구조를 드러내는 것이 목표
📋 현재 미구현 (pi-mono 대비)
• 세션 관리 (Session Management)
• 스티어링 (Steering)
• 팔로우업 (Follow-up)
• 유틸리티 / 스트리밍
✅ 배울 수 있는 것
• 에이전트 루프 작동 방식
• 긴 호흡의 실행 흐름
• 세션 저장과 복원
• LLM과 함께 코드 읽기/확장
🚀 빠른 시작
• pip install py-pimono
• Codex 인증 있으면: pyai 명령어
• 인증 없어도: MockLlm fallback으로 루프 디버깅
• UI + Discord: ui/ 디렉터리
⚠️ 주의할 점
• 프로덕션 용도 아님, 학습/실험 목적
• 개발 중이므로 API 변경 가능성 있음
• pi-mono 대비 기능 차이 크므로 실사용 전 확인 필요
💡 핵심 takeaway
에이전트를 블랙박스로 두지 않고 직접 열어보고 수정하는 감각을 기르는 것이 이 프로젝트의 목적. 에이전트 입문자에게 '작은 코드베이스로 시작하라'는 조언의 구현체다.
한 줄 요약부터 다릅니다. Harness는 Claude Code 위에서 에이전트를 하나 더 붙이는 도구가 아니라, 도메인 설명을 팀 아키텍처와 스킬 세트로 바꾸는 Team-Architecture Factory입니다.
• 구조 선택: Pipeline, Fan-out/Fan-in, Expert Pool, Producer-Reviewer, Supervisor, Hierarchical Delegation까지 6패턴을 전제로 팀 형태를 먼저 결정합니다.
• 산출 방식: 결과가 추상 가이드로 끝나지 않고 `.claude/agents/`와 `.claude/skills/` 파일로 생성됩니다.
• 실행 비교: 협업이 필요한 기본 시나리오는 Agent Teams, 통신이 거의 필요 없는 단발 작업은 Subagents로 분리합니다.
• 검증 관점: 드라이런, trigger 검증, with-skill vs without-skill 비교 테스트까지 넣어 구조의 실효성을 확인합니다.
비교해서 보면 Archon이 runtime determinism 쪽이라면, Harness는 team architecture 쪽입니다. 둘 다 L3 Meta-Factory에 있지만 초점이 다릅니다. Archon이 실행 환경을 고정한다면, Harness는 누가 어떤 흐름으로 협업할지를 설계합니다.
사용처도 꽤 선명합니다.
• 딥 리서치 팀
• 풀스택 웹사이트 개발 팀
• 웹툰 제작 팀
• 유튜브 기획 팀
• 코드 리뷰 및 리팩터링 팀
• API 문서 자동화 팀
가장 재미있는 부분은 `/harness:evolve`입니다. 실제 프로젝트에서 초기 아키텍처와 shipped 아키텍처 사이에 생긴 차이를 델타로 회수해 다음 생성에 반영합니다. 즉 첫 결과물을 던지고 끝나는 생성기가 아니라, 다음 초안의 출발점을 끌어올리는 factory입니다.
caveat도 있습니다.
• 이 repo의 가치는 화려한 개별 에이전트 프롬프트보다 팀 구조 선택에 있습니다.
• 단일 작업 자동화만 원한다면 Subagents 수준으로 충분할 수 있습니다.
• 반대로 역할 분담, 검수, 병렬화가 중요한 도메인일수록 Harness의 설계 철학이 살아납니다.
takeaway: Harness는 프롬프트를 실행 결과로만 바꾸는 도구가 아니라, 프롬프트를 재사용 가능한 팀 설계 자산으로 적층하는 repo입니다.
Dozzle이 흥미로운 이유는 ‘작은 Kibana’가 되려 하지 않는다는 점입니다.
핵심 선택:
- 로그 파일을 저장하지 않음
- 컨테이너의 실시간 출력만 빠르게 보여줌
- Docker / Swarm / K8s를 웹 UI 하나로 확인
- 7MB급 작은 컨테이너로 시작
그래서 장점과 한계가 아주 선명합니다.
잘 맞는 경우
1) 로컬 개발·홈랩·소규모 운영에서 컨테이너 로그를 자주 훑어볼 때
2) SSH로 들어가 docker logs를 여러 탭에서 치는 일이 반복될 때
3) 장애 순간에 regex 검색, split screen, 컨테이너 이름 fuzzy search가 필요할 때
4) 여러 Docker 호스트를 agent mode로 묶어 한 UI에서 보고 싶을 때
눈에 띄는 기능은 WASM+DuckDB 기반 SQL 로그 분석입니다. 무거운 저장/색인 파이프라인 없이, 현재 로그 스트림을 브라우저 쪽에서 임시 분석 대상으로 다루는 방향에 가깝습니다.
반대로 이런 용도에는 맞지 않습니다.
- 장기 로그 보관
- 규정 대응용 감사 로��
- 대규모 ���림/집계/대시보드
- 과거 전체 로그에 대한 깊은 검색
그건 ELK, Loki, Datadog 같은 영역입니다.
Dozzle의 포지션은 ‘관측 플랫폼 이전의 첫 화면’에 가깝습니다. 운영자가 가장 먼저 여는 가벼운 실시간 창.
보안 caveat도 큽니다. docker.sock을 마운트하는 구성은 사실상 호스트 root 권한에 닿을 수 있으니, 공개망에서는 인증(simple auth 또는 forward proxy), role/filter, reverse proxy TLS, 가능하면 read-only socket 마운트를 챙겨야 합니다.
요약하면 Dozzle은 로그 인프라를 대체하는 제품이 아니라, 로그 확인의 마찰을 줄이는 좁고 날카로운 도구입니다. 작은 팀일수록 이 범위 설정이 오히려 강점입니다.
Kimi K2.6 is free on Nous Portal for the next 24 hours
Made possible by @vercel's AI Gateway & @Kimi_Moonshot
Run 'hermes update', then 'hermes model' and select Kimi K2.6 to try out one of the most impressive open model releases ever
오늘 ���표된 2026년 1분기 어닝콜은 단순한 실적 보고가 아니었습니다. 일론 머스크는 FSD 비감독 모드 달성을 위해 HW4가 필수적임을 인���하며, 기존 HW3 차량에 대해 '컴퓨터와 카메라를 모두 교체'해야 한다는 충격적인 소식을 전했죠.
✅ 사이버캡: 올해 말부터 생산량 지수적 증가
✅ 옵티머스 3세대: 프리몬트 라인 개조 후 대량 생산 돌입
✅ 로보택시: 올해 말까지 12개 주 운영 목표
[테슬라 2026년 1분기 어닝콜]
• 사이버캡 생산을 시작했음. 초기 생산은 천천히 시작되고 실제 생산량은 올해 말쯤 지수적으로 증가할 것
• 메가팩에 대한 수요는 매우 높으며 올해 말 휴스턴 메가팩토리에서 메가팩3를 생산할 것
• 테슬라 FSD V15 는 AI4에서 실행될 것. V15는 올해 말 출시 목표
• 로보택시 확장시 사고나 부상이 일어나지 않길 바라며, 다행히 지금��지 한 건도 발생하지 않음
• 옵티머스 3세대 공개할 준비가 거의 다 되었음. 다만 경쟁자들이 과도하게 분석하�� 많은 부분을 따라하기 때문에, 충분히 준비가 될때까지 기다리고 있음
• 옵티머스 대량 생산은 올해 말 프리몬트에서 시작될 것
(Model S/X 단종 후 해당 라인을 개조할 예정)
• 테슬라의 백로그는 최근 중 가장 높음. 기가베를린을 포함하여 각 공장에서 최대 생산량 가용을 위한 작업 진행 중
• FSD의 1분기 성장 대부분은 '구독' 옵션을 통해 성취되었음. 3분기까지 중국에서 FSD를 승인 받기를 희망함
• 에너지 저장 장치의 1분기 배포량은 전년 대비 감소하였지만, 2026년 전체 배포 규모 측면에서는 작년 대비 더 성장할 것
- 관세 관련 일회성 이익으로 39.5% 이상의 마진 기록 가능했음
- 해당 부분이 정상화되면 에너지 마진은 다시 기존 수준으로 돌아갈 듯
• 2026년에는 250억 달러 규모의 설비투자 진행 예정
• 3분기 중 옵티머스 생산 예정. 옵티머스 3는 해당 생산 시점에 공개될 듯
• 로보택시 확장은 올해 말까지 12개 정도 주에서 운영되기를 희망하며 현재 신중한 접근 방식을 취하고 있음. 비감독 수익은 올해 큰 규모가 되지는 않을 것이며 내년부터 규모가 커질 것
• 일반 오너 대상 FSD 비감독은 올해 말부터 일부 지역에서 점진적으로 배포 예정
• HW3 차량은 FSD 비감독 도달 불가능. HW4로 넘어가려면 컴퓨터 및 카메라 교체가 필요
- 트레이드인 및 컴퓨터/카메라 업그레이드 옵션 제공 할 것
- What we are offering is essentially creating like a discounted trade-in for cars that have full HW.
- We will also be offering the ability to upgrade the car to replace the computer. and you also need to replace the cameras, unfortunately, to go to HW4.
• 6월 말에 HW3 오너를 위한 FSD v14 lite 출시할 예정
• AI5는 가까운 시일 내 차량에 탑재되지 않을 것이며 비감독은 AI4로도 달성할 수 있기 때문. 또한 AI4 에 대한 컴퓨터 성능이 증가할 수 있는 업그레이드를 준비 중 (16GB->32GB / 27년 중반)
• FSD v14.3은 비감독 FSD를 위한 중요한 퍼즐이며 다가오는 주요한 아키텍처 개선을 진행할 예정. 해당 수준을 성취하기 전까지 대규모 로보택시 배포는 의미가 없을 것
• 옵티머스는 연결이 끊기면 로컬 인텔리전스가 필요
• 테라팹에 대한 세부 사항을 정리 중. 기가텍사스에 있는 연구용 팹에 30억 달러가 투자될 것. 인텔의 최첨단 14A 공정 이용 계획
• 로보택시 네트워크는 모든 확장은 계획대로 진행되었으며 지연의 원인은 일부 편의성과 관련이 있음. 기본적으로 최대 안전으로 프로그래밍 되었기 때문에 특정한 것들로 인해 발생하는 문제점을 해결 중
새 모델 나오면 무조건 이것부터 테스트한다.
"고양이 점잇기 도안 생성해"
단순해 보이지만, 이게 이미지 이해력의 민낯을 드러내거든요.
최신 프런티어 모델로 돌려봤다.
확실히 이전보다 나아졌다. 근데 아직 점을 따라가다 보면 어색한 구간이 생긴다.
한 줄 정리: 완벽한 점잇기 도안, 아직 아무도 못 만든다.
[OpenAI gpt-image-2 결과]