omo 하네스란 무엇인가? 에이전트 11종과 라우팅 구조

2026-10-13 dev 브랜치 기준, origin/dev b78527c 커밋에서 omo는 코딩 에이전트의 역할, 도구, 설정, 위임, 모델별 프롬프트를 묶는 하네스입니다. 최신 개요에는 OpenCode Ultimate, Codex Light, Native/Senpi 실행 흐름이 함께 포함되어 있으며, Team Mode와 hyperplan 기능이 존재합니다.

하네스와 에이전트 역할

omo는 코딩 에이전트가 수행할 작업과 도구를 조율하는 하네스 역할을 담당합니다. 문서 AGENTS.md에 따르면 OpenCode 어댑터 내장 에이전트는 다음과 같이 11종으로 구성됩니다.

  • Sisyphus: 주 오케스트레이터 역할을 수행합니다.
  • Hephaestus: 자율 깊은 구현을 진행합니다.
  • Oracle: 읽기 전용 상담을 담당합니다.
  • Librarian: 외부 문서와 코드를 검색합니다.
  • Explore: 코드베이스를 탐색합니다.
  • Multimodal-Looker: PDF와 이미지를 분석합니다.
  • Metis: 사전 계획 상담을 진행합니다.
  • Momus: 계획을 검토합니다.
  • Atlas: todo 오케스트레이션을 맡습니다.
  • Prometheus: 인터뷰형 전략 계획을 수립합니다.
  • Sisyphus-Junior: category 실행을 담당합니다.

카테고리와 Native 프로필

하네스에서 작업을 위임할 때는 category를 활용합니다. 예를 들어 quick, deep-high, writing 등이 있습니다. task(category=...)를 호출하면 해당 category의 모델과 skills를 가진 워커를 생성합니다.

agent-model-matching.md 문서와 builtin-profiles.ts 파일에 따르면 Native 환경의 기본 레인은 4개입니다.

  • daily-normal
  • daily-heavy
  • geeky-normal
  • geeky-heavy

기본적으로 연결된 provider가 제공하는 첫 모델을 선택합니다. model_profile에 provider/model을 지정하면 해당 모델로 고정(pin)할 수 있습니다. 명시적인 --model 지정과 재개 세션은 model_profile로 덮어쓰지 않습니다. Native 주 세션의 model_profile과 category 워커의 모델 선택은 구분해야 합니다.

설정 계층과 하네스 블록

설정 파일은 omo.jsonc를 우선 탐색하며, 파일이 없으면 omo.json을 대체(fallback) 파일로 읽습니다. 설정은 사용자 계층과 상위에서 가까운 프로젝트 계층을 병합하며 가까운 위치의 파일이 우선권을 갖습니다.

문서 omo-json.md에 명시된 공통 루트 키는 categories, agents, models, model_profiles, model_profile, task, teams, memory, telemetry입니다.

하네스 블록으로는 [opencode], [native], [codex]가 정의되어 있습니다. 여기서 [senpi]는 [native]의 레거시 표기(legacy spelling)입니다.

모델별 프롬프트 파일

atlas-prompts.ts 파일을 기준으로 Atlas 에이전트의 실제 Markdown 파일은 총 8개입니다.

  • default.md (496줄)
  • gemini.md (526줄)
  • opus-4-7.md (494줄)
  • kimi.md (478줄)
  • gpt.md (461줄)
  • glm.md (402줄)
  • kimi-k2-7.md (326줄)
  • kimi-k3.md (326줄)

라우팅 항목 중 swe-2는 kimi-k3.md의 재사용이며 별도 파일이 아닙니다. 따라서 프롬프트 파일 수와 라우팅 키 수는 동일하지 않습니다.

위임 실패를 확인하는 순서

에이전트 위임 과정에서 문제가 발생했을 때는 다음 순서로 진단합니다.

  1. 기준 버전을 확인합니다.
  2. model_profile과 실제 provider/model 및 category를 구분하여 확인합니다.
  3. provider 제공 모델과 인증 상태를 확인합니다. README.md는 omo native binary, provider login, omo doctor를 안내합니다.
  4. omo doctor와 config diagnostics 결과를 확인합니다.

코드나 설정 파일에 있는 구조와 실제 실행 결과는 구분되어야 합니다. 이 글이 다룬 내용은 프롬프트 파일 구성과 설정 구조이며, 프롬프트 지시가 모델 동작에 실제로 어떤 효과를 내는지 입증한 실험 결과는 포함하지 않습니다. 본 글의 검증 범위는 해당 소스 파일과 문서에 명시된 에이전트 명세 및 라우팅 설정 구조로 한정됩니다.

다음에 읽을 글

처음 시작 · 문제 해결 · 비용·실측 비교로 돌아가기 · 글쓴이 소개

다음 글

댓글

댓글 쓰기

이 블로그의 인기 게시물

AI 코딩 스킬, 많을수록 좋을까 — 자산이 부채로 바뀌는 손익분기

이미지
AI 코딩 스킬은 자산이다. 처음 몇 개는 그렇다. 그런데 수가 늘면 세금이 붙는다. 어느 스킬이 뜰지 예측이 안 되고, 도구 출력이 컨텍스트를 먹고, 모델이 바뀌면 쌓은 걸 전부 다시 만진다. 스킬을 관리하는 앱이 시장에 나온 게 그 신호다. 만들지 말라는 게 아니다. 만든 만큼 쳐내야 자산으로 남는다. 스킬은 자산으로 시작한다, 그런데 요즘 개발자들이 자기 .claude 디렉터리를 통째로 공개한다. TypeScript 교육자 Matt Pocock도 스킬 묶음을 GitHub에 올렸다. 제목이 “Skills for Real Engineers”이고, 소개가 “내 .claude 디렉터리에서 바로”다. skills.sh 같은 스킬 레지스트리도 생겼다. 스킬이 자산인 건 맞다. 손으로 반복하던 작업을 트리거 한 줄로 줄인다. 결과도 매번 일정해진다. 그래서 다들 쌓는다. 그런데 같은 GitHub에 묘한 게 같이 뜬다. 스킬을 “관리하고 동기화하고 정리”하는 데스크톱 앱이다. skills-manager는 Cursor·Claude Code·Codex 등 15개 넘는 도구의 스킬을 한곳에서 관리한다고 소개한다. 자산을 관리하는 전용 앱이 필요해졌다는 건, 그 자산이 관리 대상이 됐다는 뜻이다. 관리 대상은 곧 부담이다. 여기서 질문이 갈린다. AI 코딩 스킬은 많을수록 좋은가. 다음 중 하나라도 있나 비슷한 일을 하는 스킬이 둘 이상이라, 어느 게 뜰지 헷갈린 적이 있다. 스킬 하나를 고쳤더니 엉뚱한 데서 다른 게 어긋난 적이 있다. 내가 무슨 스킬을 만들어뒀는지, 목록을 열어봐야 기억나는 적이 있다. 셋 중 하나라도 해당되면 이미 부채 구간에 발을 걸친 것이다. 세 신호를 하나씩 본다. 신호 1 — 어느 스킬이 뜰지 예측이 안 된다 스킬이 늘면 비슷한 트리거를 여럿이 주장한다. “리뷰”라는 말에 코드 리뷰 스킬도 반응하고, 글 리뷰 스킬도 반응한다. 그러면 매 요청마다 “어느 스킬을 부를지” 판별하는 비용이 붙는다. 자동 라우팅 점...
자세한 내용 보기

M4 Max 128GB 로컬 LLM 4종 속도 비교 — 실측 기록과 한계

이미지
M4 Max 128GB에서 로컬 LLM은 얼마나 빠를까? 이 글의 과거 표에서는 gemma4:latest가 88 tok/s로 가장 높고, gemma4:26b는 85 tok/s다. gpt-oss:120b 47 tok/s, qwen3.6:35b-a3b 25 tok/s가 뒤를 잇는다. 처리량 표이지 정답률이나 코딩 품질 순위가 아니다. 작성자: 닥터조지. 2026년 4월 게시 당시 측정 기록 / 편집 보완: 2026-09-23. 기존 수치는 그대로 보존했고 이번에 모델을 다시 실행하지 않았다. 초판 제목의 llama3.3 표기와 “26B가 가장 빠르다”는 도입은 표와 일치하지 않아 바로잡았다. 원문의 장비·런타임·모델 표기는 당시 기록이다. 표의 qwen3.6:35b-a3b 는 원문에서 사용한 축약 표기이며, Q8과 qwen3.6:35b-a3b-q8_0 표기는 당시 본문 기록에서 가져왔다. 모델 파일이나 digest를 이번에 확인한 것은 아니다. 원 프롬프트 전문, 모델 digest, 반복 횟수와 개별 원시 응답이 이 글에 없어 표의 숫자를 그대로 재현했다고 확인할 수는 없다. 특히 latest 는 고정 버전 식별자가 아니다. 아래는 M4 Max 128GB 한 대에서 기록한 네 모델의 처리량이다. 모델 구조, 양자화, 크기가 동시에 다르므로 어느 한 요인만의 효과를 분리한 실험으로 읽으면 안 된다. 모델 크기만으로 속도를 예측하기 어려운 이유 원문은 gpt-oss:120b 를 총 117B, 활성 약 5.1B의 MoE로 기록했다. 활성 파라미터 수만으로 실제 생성 속도를 계산할 수는 없다. 모델 구조에 따른 메모리 접근 차이는 가능한 설명이지만, 이 표는 메모리 대역폭이나 접근 패턴을 직접 계측한 자료가 아니다. 생성 속도 차이만으로 병목의 원인을 확정하지 않는다. 당시 표의 gemma4:26b 는 gpt-oss:120b 보다 높은 생성 처리량을 보였다. 다만 이 결과를 모든 Dense 모델과 MoE 모델의 우열로 일반화할 수는 없다. 같은 ...
자세한 내용 보기

Opus 5는 더 잘 쓰고, 더 AI답게 쓴다 — 세 모델 첫날 실측

이미지
Claude Opus 5가 나온 다음 날, 세 모델에게 같은 시험지를 줬다. 결과부터 적는다. 글 품질 점수는 신형일수록 올랐다. 그런데 문장 리듬은 신형일수록 고르게, 그러니까 더 AI답게 변했다. 여기서 “AI답게”는 말투가 기계 같다는 뜻이 아니다. 문장 길이와 어미가 균질해진다는 뜻이고, 그 균질함이 통계 탐지기가 AI 글을 잡아낼 때 쓰는 바로 그 지문이다. 발표는 두 가지를 팔았다 새 모델이 나오면 벤치마크 표부터 보게 된다. 그 표는 전부 만든 쪽이 자기 시험지로 채점한 결과다. 내 작업에서 뭐가 달라지는지는 표에 없다. 그래서 표를 덮고 시험지를 직접 만들었다. 7월 24일 발표에서 Anthropic은 크게 두 가지를 내세웠다. 하나, 자기 작업을 검증하며 성공할 때까지 반복하는 능력이 강해졌다. 둘, 응답이 더 명확하고 간결해졌다. 벤치 수치는 여기 옮기지 않는다. 이 글이 확인할 건 저 두 문장이 내 작업물에서 어떻게 나타나느냐다. 같은 시험지 두 장 시험지는 두 장이다. 첫째는 글쓰기다. 주제·허용 사실·문체 규칙을 고정한 한국어 블로그 초안 스펙을 만들어 세 모델에 원샷으로 줬다. 둘째는 코딩 진단이다. 내 수집기에서 한 달 넘게 죽어 있던 실제 버그(reddit 수집 429 연쇄 실패)를 읽기 전용으로 진단하게 했다. 모든 주장에 파일과 행 번호 인용을 의무로 걸었다. 대상은 Opus 4.8, Fable 5, Opus 5. 각 모델의 정체는 시스템 프롬프트 자기보고로 확인했다. 채점은 사람 감이 아니다. 글은 발행 글 29편에서 뽑은 결정론 밴드(파이썬 스크립트)와 10점 감점제 루브릭으로, 진단은 미리 고정해 둔 정답표와 인용 실물 대조로 매겼다. 실측 1 — 더 잘 쓸수록 더 고르다 숫자부터 본다. 지표 Opus 4.8 Fable 5 Opus 5 발행 글 기준 문장 길이 변주(변동계수) 0.316 0.220 0.274 0.417 이상 행 길이 변주 0.266 0.23...
자세한 내용 보기