93:T842,### 4-1. Quick Start 생물정보학 분석 터미널 환경이나 로컬 서버에서 `Claude Code`를 빠르게 설치하고 연동하는 방법은 다음과 같습니다. ```bash # macOS, Linux 또는 WSL 터미널에서 Claude Code 직접 설치 curl -fsSL https://claude.ai/install.sh | bash # 설치 완료 후 에이전트 실행 (최초 실행 시 웹 브라우저를 통해 Anthropic 계정 인증 진행) claude ``` 동시에, Python 개발 환경에서 API 호출을 위해 공식 SDK를 설치하는 퀵스타트 명령입니다. ```bash # Anthropic 공식 Python SDK 설치 pip install anthropic # API 키 설정 (사용자 환경변수에 등록) export ANTHROPIC_API_KEY="your-api-key-here" ``` ### 4-2. 상세 설치 Claude Code의 패키지 매니저(NPM) 기반 설치 방식 및 Python API 활용을 위한 다중 라이브러리 연동 프로세스입니다. ```bash # Node.js 18 버전 이상이 설치된 환경에서 NPM으로 Claude Code 전역 설치 npm install -g @anthropic-ai/claude-code # 분석용 Python 가상환경 내 관련 라이브러리 일괄 설치 pip install anthropic pandas openpyxl biopython matplotlib ``` 이후 아래와 같이 Python 스크립트를 작성하여 대용량 논문 데이터를 파싱하고 원하는 유전자 데이터를 추출하는 업무에 곧바로 응용할 수 있습니다. ```python import anthropic # 클라이언트 초기화 (자동으로 환경변수의 ANTHROPIC_API_KEY 참조) client = anthropic.Anthropic() # 연구 보조를 위한 API 호출 예시 response = client.messages.create( model="claude-3-5-sonnet-latest", max_tokens=1500, temperature=0.2, system="당신은 최고 수준의 시니어 생명공학 연구원입니다. 학술적이고 신뢰도 높은 연구 답변을 제공합니다.", messages=[ { "role": "user", "content": "유방암 바이오마커로 주목받는 BRCA1 변이체의 주요 병원성 아미노산 서열 특징과 관련된 최신 논문 핵심을 간략히 정리해줘." } ] ) print(response.content[0].text) ```94:Ta73,### 4-1. Quick Start 기존에 사용되던 `google-generativeai` 라이브러리는 Deprecated 되었으므로, Google의 최신 규격인 `google-genai` 통합 SDK를 사용하여 설치하고 시작해야 합니다. ```bash # 최신 통합 Google Gen AI Python SDK 설치 pip install google-genai ``` 설치 후 API 키를 발급받아 환경 변수로 설정해 줍니다. ```bash export GEMINI_API_KEY="여러분의_API_키" ``` 기본적인 텍스트 호출을 수행하는 Python 스크립트 예시입니다. ```python from google import genai # 클라이언트 생성 시 자동으로 GEMINI_API_KEY 환경변수를 로드합니다. client = genai.Client() response = client.models.generate_content( model='gemini-2.5-flash', contents='CRISPR-Cas9 시스템과 CRISPR-Cas12a 시스템의 핵심적인 차이점을 설명해줘.' ) print(response.text) ``` ### 4-2. 상세 설치 엔터프라이즈 환경이나 Google Cloud 플랫폼(Vertex AI) 환경에서 크레딧과 파이프라인을 체계적으로 관리해야 한다면 아래와 같이 `gcloud` CLI를 연동하여 가동하는 것을 권장합니다. ```bash # gcloud CLI 로그인 및 어플리케이션 인증 토큰 생성 gcloud auth application-default login ``` 연구용으로 대량의 문헌을 파싱한 뒤 구조화된 데이터(JSON)로 정확히 리턴받고 싶을 때 작성하는 상세 코드입니다. ```python from google import genai from google.genai import types client = genai.Client() prompt = """ 다음 PubMed 논문 초록을 읽고, 대상 환자군(patient_group), 분석된 바이오마커(biomarkers), 그리고 유의미하게 변화한 수치(expression_change)를 JSON 형태로 분류해서 리턴해줘. "Abstract: In this cohort of 120 patients with non-small cell lung cancer, we analyzed the expression of EGFR and KRAS. We observed a 2.5-fold increase in EGFR mRNA levels in responders compared to non-responders..." """ # JSON Schema를 지정하여 구조화된 형태로 응답을 강제화 response = client.models.generate_content( model='gemini-2.5-pro', contents=prompt, config=types.GenerateContentConfig( response_mime_type="application/json", response_schema={ "type": "OBJECT", "properties": { "patient_group": {"type": "STRING"}, "biomarkers": { "type": "ARRAY", "items": {"type": "STRING"} }, "expression_change": {"type": "STRING"} }, "required": ["patient_group", "biomarkers", "expression_change"] } ) ) print(response.text) ```95:T78c,### 4-1. Quick Start CrewAI CLI 도구를 설치하고 새 프로젝트 템플릿을 자동으로 생성하는 빠른 시작 방법입니다. (패키지 관리자 `uv`를 권장합니다.) ```bash # 1. uv를 통한 crewai CLI 전역 설치 uv tool install crewai # 2. 새 바이오 연구 프로젝트 템플릿 생성 crewai create crew bio_research_crew cd bio_research_crew # 3. 필요한 의존성 패키지 설치 crewai install # 4. 크루 실행 (기본 예제 실행) crewai run ``` ### 4-2. 상세 설치 Python 라이브러리 형태로 직접 패키지를 설치하고 커스텀 스크립트를 작성하여 작동시키는 방식입니다. ```bash # pip를 통한 핵심 라이브러리 및 에이전트 도구 패키지 설치 pip install crewai crewai-tools ``` 아래는 특정 유전자 분석 자료 조사를 수행하는 간단한 파이썬 스크립트 작성 및 실행 예시입니다. ```python # main.py from crewai import Agent, Task, Crew, Process from crewai_tools import SerperDevTool # 1. 외부 검색 도구 로드 search_tool = SerperDevTool() # 2. 유전자 분석 전문 조사 에이전트 정의 genetic_analyst = Agent( role='Molecular Geneticist Analyst', goal='Identify and explain functional annotations of specific gene mutations.', backstory='You are a specialist in clinical genetics. You search PubMed and NCBI to summarize mutations.', tools=[search_tool], verbose=True ) # 3. 연구 수행을 위한 구체적 작업 정의 task = Task( description='Search and summarize clinical significance of BRCA1 mutation (rs80357711).', expected_output='A markdown report detailing the gene, mutation variant, clinical significance, and database links.', agent=genetic_analyst ) # 4. 크루를 구성하고 실행 crew = Crew( agents=[genetic_analyst], tasks=[task], process=Process.sequential ) result = crew.kickoff() print(result) ```96:T681,### 4-1. Quick Start 가장 기본적인 Python 환경에서 `SimpleDirectoryReader`와 `VectorStoreIndex`를 사용하여 특정 폴더 안의 로컬 문서를 학습 및 질의하는 기본 예제입니다. ```bash # 기본 파이썬 패키지 설치 pip install llama-index ``` ```python import os from llama_index.core import VectorStoreIndex, SimpleDirectoryReader # OpenAI API Key 설정 (혹은 로컬 LLM을 기본 LLM으로 설정 가능) os.environ["OPENAI_API_KEY"] = "your-openai-api-key" # 'data' 디렉토리에 연구 논문 PDF나 실험 텍스트를 배치한 후 읽어옵니다 documents = SimpleDirectoryReader("data").load_data() # 텍스트 임베딩 후 벡터 인덱스 생성 index = VectorStoreIndex.from_documents(documents) # 쿼리 엔진 생성 및 질문하기 query_engine = index.as_query_engine() response = query_engine.query("CRISPR-Cas9의 표적 이탈(off-target) 효과를 줄이는 최신 실험 기법은 무엇인가요?") print(response) ``` ### 4-2. 상세 설치 사용하는 개발 스택에 따라 코어 라이브러리와 필요한 통합 패키지만 선택적으로 설치하여 경량화할 수 있습니다. #### Python 고급/경량화 빌드 ```bash # 코어 데이터 프레임워크만 설치 pip install llama-index-core # 필요한 모델 및 컴포넌트만 명시적으로 설치 pip install llama-index-llms-openai pip install llama-index-embeddings-openai pip install llama-index-readers-file ``` #### TypeScript / JavaScript 환경 설치 Node.js 백엔드나 에지 가속 환경에서 구동하는 경우 `llamaindex` npm 패키지를 활용합니다. ```bash npm install llamaindex ```97:T96c,최근 인공지능 분야에서 LLM(대규모 언어 모델)의 등장은 연구 패러다임을 근본적으로 바꾸어 놓았습니다. 하지만 단순히 ChatGPT 웹 브라우저 창에 프롬프트를 입력하는 것만으로는 복잡하고 방대한 바이오 데이터를 다루기에 한계가 있습니다. LangChain은 이러한 한계를 극복하고, LLM을 우리의 연구 데이터, 외부 API, 그리고 맞춤형 분석 스크립트와 유기적으로 연결해 주는 강력한 'LLM 애플리케이션 개발 프레임워크'입니다. 현재 인공지능 기반의 에이전트나 RAG(검색 증강 생성) 시스템을 구축할 때 사실상의 업계 표준(De-facto Standard)으로 자리 잡았습니다. 생명공학 및 바이오 연구자 입장에서 LangChain이 왜 혁신적일까요? 우리가 매일 마주하는 연구 워크플로우를 생각해 보면 답이 나옵니다. 우리는 끊임없이 쏟아지는 최신 논문들을 읽고 분석해야 하며, UniProt, ChEMBL, PubMed와 같은 방대한 바이오 데이터베이스에서 필요한 정보를 추출해야 하고, 복잡한 파이썬 전처리 코드나 분석 툴들을 실행해야 합니다. LangChain을 활용하면 이 모든 과정을 하나의 파이프라인으로 연결할 수 있습니다. 예를 들어, LangChain의 '체인(Chains)' 기능은 "PubMed에서 특정 단백질 관련 논문 검색 -> 검색된 초록들에서 활성 저해제 후보군 추출 -> 각 후보군의 화학 구조식(SMILES)을 외부 API로 넘겨 독성 예측"과 같은 복잡한 다단계 작업을 코딩 한 번으로 매끄럽게 연결해 줍니다. 또한 '에이전트(Agents)' 기능을 이용하면, LLM 스스로가 판단하여 "이 유전자의 기능을 알아내기 위해 NCBI Clustal Omega 도구를 실행해야겠다"라거나 "구조 검색을 위해 Foldseek API를 호출해야겠다"처럼 필요한 도구를 적재적소에 선택하고 실행하는 자율 연구 보조 프로세스를 구축할 수 있습니다. 요약하자면, LangChain은 고립되어 있던 LLM에 눈과 귀, 그리고 양손(외부 도구 및 로컬 코드 실행 권한)을 달아주는 도구입니다. 이를 통해 연구자는 단순 반복적인 데이터 탐색과 수작업 파이프라인 구축에서 벗어나, 더 고차원적인 가설 설정과 실험 설계에 집중할 수 있게 됩니다.98:T6fe,### 4-1. Quick Start Docker Compose를 사용하여 Weaviate 인스턴스를 간단히 실행하는 기본적인 방법입니다. ```bash # 1. docker-compose.yml 파일 작성 cat < docker-compose.yml services: weaviate: command: - --host - 0.0.0.0 - --port - '8080' - --scheme - http image: cr.weaviate.io/semitechnologies/weaviate:1.37.9 ports: - 8080:8080 - 50051:50051 volumes: - weaviate_data:/var/lib/weaviate restart: on-failure:0 environment: AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: 'true' PERSISTENCE_DATA_PATH: '/var/lib/weaviate' CLUSTER_HOSTNAME: 'node1' volumes: weaviate_data: EOF # 2. 컨테이너 백그라운드로 실행 docker compose up -d # 3. 동작 여부 검증 (200 OK 응답 확인) curl -i http://localhost:8080/v1/.well-known/ready ``` ### 4-2. 상세 설치 Python 클라이언트(v4 이상) 라이브러리를 통해 연결하고 로컬 Weaviate 인스턴스를 다루는 상세 과정입니다. ```bash # Python 클라이언트 라이브러리 설치 pip install weaviate-client ``` 이후 Python 스크립트에서 다음과 같이 데이터베이스 커넥션을 수립하고 상태를 테스트할 수 있습니다. ```python import weaviate # Weaviate 로컬 인스턴스에 안전하게 연결 (v4 Client 연결 표준) client = weaviate.connect_to_local( host="localhost", port=8080, grpc_port=50051 ) try: # 연결 상태 및 버전 확인 if client.is_ready(): meta = client.get_meta() print(f"Weaviate와 정상적으로 연결되었습니다. 버전: {meta.get('version')}") else: print("Weaviate 인스턴스가 아직 준비되지 않았습니다.") finally: client.close() ```99:T8e4,### 4-1. Quick Start 도커(Docker)를 이용하여 로컬 컴퓨터에서 10초 만에 Qdrant 서버를 구동하는 방법입니다. ```bash # 1. Qdrant 컨테이너 이미지 다운로드 및 백그라운드 구동 (포트 6333: REST API, 6334: gRPC API) docker run -d -p 6333:6333 -p 6334:6334 \ -v $(pwd)/qdrant_storage:/qdrant/storage:z \ qdrant/qdrant:latest # 2. Python 라이브러리 설치 pip install qdrant-client ``` 간단한 Python 클라이언트 예시 코드입니다. ```python from qdrant_client import QdrantClient from qdrant_client.models import Distance, VectorParams, PointStruct # 클라이언트 연결 client = QdrantClient(url="http://localhost:6333") # 컬렉션 생성 (128차원 벡터, 코사인 유사도 기준) client.create_collection( collection_name="bio_proteins", vectors_config=VectorParams(size=128, distance=Distance.COSINE), ) # 임의의 단백질 벡터 삽입 (ID, 벡터값, 메타데이터 페이로드 포함) client.upsert( collection_name="bio_proteins", points=[ PointStruct( id=1, vector=[0.05] * 128, payload={"family": "Kinase", "organism": "Homo sapiens"} ) ] ) # 검색 수행 search_result = client.search( collection_name="bio_proteins", query_vector=[0.05] * 128, limit=1 ) print(search_result) ``` ### 4-2. 상세 설치 지속적인 서비스 및 대형 랩 서버 운용을 위한 `docker-compose.yml` 기반의 안전한 설치 가이드라인입니다. ```yaml # docker-compose.yml 파일 생성 version: '3.8' services: qdrant: image: qdrant/qdrant:v1.18.2 container_name: qdrant_server ports: - "6333:6333" - "6334:6334" volumes: - ./qdrant_data:/qdrant/storage:z - ./qdrant_config.yaml:/qdrant/config/initialize.yaml:z environment: - QDRANT__SERVICE__ENABLE_STATIC_CONTENT=true # 자체 내장 웹 UI 활성화 restart: always ulimits: nofile: soft: 65535 hard: 65535 ``` 이후 다음 명령으로 컨테이너를 가동하여 모니터링 환경을 활성화합니다. ```bash # 설정 파일 생성 및 구동 touch qdrant_config.yaml docker-compose up -d # 실행 로그 확인 docker-compose logs -f qdrant ```9a:T77f,### 4-1. Quick Start Python 환경에서 로컬 라이브러리 형태로 간단히 연동하여 임베딩 데이터베이스를 영속화하고 쿼리하는 예제입니다. ```bash # Python 패키지 설치 pip install chromadb ``` ```python import chromadb # 로컬 디렉토리에 데이터를 영속화하는 클라이언트 생성 client = chromadb.PersistentClient(path="./bioplayground_db") # 컬렉션 생성 (기본 코사인 유사도 메트릭 사용) collection = client.get_or_create_collection(name="gene_functions") # 바이오메디컬 정보 삽입 (ChromaDB가 기본 임베딩 모델로 자동 변환) collection.add( documents=[ "TP53 encodes a tumor suppressor protein containing transcriptional activation, DNA binding, and oligomerization domains.", "BRCA2 is involved in double-strand break repair and/or homologous recombination in DNA." ], metadatas=[ {"gene": "TP53", "pathway": "p53 signaling"}, {"gene": "BRCA2", "pathway": "Homologous recombination"} ], ids=["id_tp53", "id_brca2"] ) # 유사도 검색 쿼리 수행 results = collection.query( query_texts=["Find genes related to DNA double-strand break repair."], n_results=1 ) print(results) ``` ### 4-2. 상세 설치 도구를 멀티 클라이언트에서 접근할 수 있도록 백엔드에 독립 서버로 구동하는 방법입니다. ```bash # 방법 A: Docker 컨테이너 기반 서버 실행 (로컬 볼륨 마운트로 데이터 영속화) docker run -d -p 8000:8000 -v ./chroma-data:/data chromadb/chroma # 방법 B: Python CLI를 활용한 직접 로컬 서버 실행 chroma run --path ./chroma-data --port 8000 ``` ```python # 독립 실행형 서버에 연결할 때 사용하는 Python 클라이언트 코드 import chromadb client = chromadb.HttpClient(host="localhost", port=8000) collection = client.get_collection(name="gene_functions") ```9b:T897,밀부스(Milvus)는 현재 글로벌 AI 인프라 시장에서 가장 강력하고 널리 쓰이는 오픈소스 분산 벡터 데이터베이스(Vector DB)입니다. 기존의 관계형 데이터베이스(MySQL, PostgreSQL 등)가 텍스트나 숫자 데이터를 명확한 키값이나 쿼리로 매칭해 검색했다면, Milvus는 인공지능 모델이 생성한 고차원의 '벡터 임베딩(Vector Embedding)' 데이터를 저장하고 이들 사이의 유사도를 초고속으로 계산해 내는 데 특화되어 있습니다. 특히 생명공학(Bioinformatics) 및 화학정보학(Chemoinformatics) 분야에서 Milvus의 존재감은 독보적입니다. 바이오 분야의 핵심 데이터인 단백질의 3차원 구조(예: AlphaFold 모델링 결과), 수억 개가 넘는 신약 후보 화합물의 분자식(SMILES), 혹은 대규모 유전체(Genomics) 염기서열 정보 등은 일반적인 데이터베이스 구조로는 저장하고 유사성을 비교하는 것이 거의 불가능에 가깝습니다. 하지만 이러한 바이오 데이터를 딥러닝 모델(ESM, Graph Neural Network 등)에 통과시키면 128차원, 512차원 혹은 2048차원에 이르는 수학적 벡터로 변환할 수 있습니다. Milvus는 이 고차원 벡터들을 수십억 개 단위로 안전하게 적재하고, "이 미지의 단백질 구조와 가장 닮은 기저 단백질을 0.01초 내로 찾아줘!"라거나 "이 화합물과 결합 특성이 유사한 다른 물질 후보군을 스크리닝해줘!" 같은 요청을 매우 빠른 속도로 처리해 줍니다. 또한 대량의 데이터를 효과적으로 처리할 수 있는 클라우드 네이티브 아키텍처(Kubernetes 지원)로 설계되어 연산용 컴퓨팅 파워와 스토리지 용량을 독립적으로 확장할 수 있으며, CPU 성능 한계를 넘기 위해 GPU 가속 인덱싱을 완벽히 지원합니다. 대규모 신약 개발 파이프라인이나 바이오 텍스트 RAG(Retrieval-Augmented Generation) 시스템을 온프레미스(사내 서버)나 자체 프라이빗 클라우드 환경에 안전하게 구축하려는 연구팀에게 Milvus는 최선의 선택지 중 하나입니다.9c:T663,### 4-1. Quick Start 로컬 Jupyter Notebook 혹은 Python 단일 실행 환경에서 Milvus Lite를 활용해 즉시 로컬 벡터 DB를 구동하고 개발을 시작하는 방법입니다. ```bash # 1. PyMilvus SDK 및 필요한 도구 설치 (Milvus Lite 내장) pip install pymilvus # 2. Python 코드를 작성하여 즉시 로컬 DB 파일로 연결 및 사용 python -c " from pymilvus import MilvusClient # milvus_demo.db 파일이 로컬에 생성되며 단일 DB 서버처럼 동작합니다. client = MilvusClient('milvus_demo.db') print('Milvus Lite 연결 성공 및 인스턴스 초기화 완료!') " ``` ### 4-2. 상세 설치 도커(Docker) 환경을 사용하여 로컬 환경 또는 서버 장비에 독립 실행형(Standalone) Milvus 인스턴스를 구축하는 정석 방법입니다. 이 방식은 백그라운드에서 etcd(상태 관리), MinIO(오브젝트 스토리지), Milvus 서버가 한 번에 가동됩니다. ```bash # 1. Milvus 공식 단독 실행형(Standalone) Docker Compose 파일 다운로드 (안정화 버전 v2.6.16 기준) wget https://github.com/milvus-io/milvus/releases/download/v2.6.16/milvus-standalone-docker-compose.yml -O docker-compose.yml # 2. Docker Compose를 통한 백그라운드 서비스 기동 sudo docker compose up -d # 3. 컨테이너들이 정상 작동하는지 프로세스 상태 확인 sudo docker compose ps # 4. (확인 완료 후) PyMilvus 클라이언트를 활용하여 동작 테스트 python -c " from pymilvus import MilvusClient client = MilvusClient(uri='http://localhost:19530') print('독립 실행형 Milvus 서버 연결 성공!') " ``` ---9d:T9ca,Operon은 UC Irvine의 Swarup Lab이 개발한 AI 기반 생물정보학 전용 통합 개발 환경(IDE)으로, 생물학자가 일상적으로 수행하는 시퀀싱 데이터 분석, HPC 클러스터 원격 작업, 논문 검색을 하나의 데스크톱 앱에서 해결할 수 있도록 설계되었다. Tauri 2(Rust 백엔드)와 React 18 프론트엔드를 결합한 경량 네이티브 앱으로, VS Code의 Monaco Editor와 xterm.js 터미널을 내장하면서도 Claude AI를 핵심 엔진으로 통합했다. GPT가 어떤 텍스트든 이해하고 생성하듯, Operon은 어떤 생물정보학 워크플로든 AI가 직접 코드를 작성하고 실행하며 결과를 해석해주는 "생물학자를 위한 AI 코파일럿"이다. 기존에 생물학 연구자가 분석 파이프라인을 구축하려면 VS Code나 JupyterLab 같은 범용 IDE를 열고, 별도 터미널로 HPC에 SSH 접속하고, 브라우저에서 PubMed을 검색하고, ChatGPT 창을 따로 띄워 코드를 질문하는 식으로 4개 이상의 도구를 오가야 했다. Operon은 이 모든 것을 단일 창에 통합하면서, 665개의 큐레이션된 생물정보학 프로토콜(single-cell RNA-seq, spatial transcriptomics, CRISPR screen, ChIP-seq, 단백질체학 등 약 30개 카테고리)을 내장해 연구자가 분석 방법론을 처음부터 작성할 필요 없이 프로토콜을 선택하고 AI에게 실행을 맡길 수 있다. 특히 SSH로 연결된 원격 HPC 노드에서 AI 에이전트가 직접 명령을 실행하고, tmux 세션이 앱 재시작 후에도 유지되므로 대규모 시퀀싱 작업의 연속성이 보장된다. 활용 시나리오로는 세 가지가 대표적이다. 첫째, single-cell RNA-seq 분석에서 연구자가 Operon의 Agent 모드로 Scanpy 파이프라인을 HPC 노드에서 자동 실행하고, 결과 UMAP 플롯을 앱 내에서 바로 확인할 수 있다. 둘째, ATAC-seq 데이터에 대해 내장 프로토콜을 선택하면 AI가 peak calling부터 motif enrichment까지 순차적으로 코드를 생성·실행한다. 셋째, Report 모드에서 분석 결과를 구조화된 과학 보고서로 자동 정리하면서 PubMed 검색으로 관련 논문을 인용까지 달아주므로, 분석에서 논문 초안까지의 거리가 대폭 단축된다. AI 백엔드는 Anthropic 직접 연결 외에도 Ollama, vLLM, LM Studio 같은 로컬 모델도 지원하므로 기관 보안 정책에 따라 유연하게 배포할 수 있다.9e:Tb09,Higgsfield AI는 2023년 Alex Mashrabov가 설립하고 2025년 정식 출시한 AI 네이티브 크리에이티브 플랫폼으로, Sora 2, Kling 3.0, Veo 3.1 등 30여 개 이상의 최신 생성 모델을 단일 인터페이스에 통합한다. Accel, Menlo Ventures 등으로부터 13억 달러 이상의 기업가치를 인정받았으며, 2,500만 사용자가 8억 5천만 건 이상의 콘텐츠를 생성한 대규모 플랫폼이다. 텍스트 프롬프트 하나로 영상, 이미지, 음성 콘텐츠를 만들어내며, Netflix가 여러 제작사의 콘텐츠를 하나의 구독으로 묶어 제공하듯 Higgsfield는 분산된 AI 생성 모델들을 하나의 크리에이티브 스튜디오로 통합하여 모델 간 전환 비용을 제거한다. 기존에는 영상 생성(Runway, Pika), 이미지 생성(Midjourney, DALL-E), 음성 합성 각각 별도 플랫폼에서 API를 호출하고 결과를 수동으로 조합해야 했다. Higgsfield는 이 파편화를 세 가지 전용 스튜디오로 해결한다. Cinema Studio는 1,296가지 카메라 렌즈 시뮬레이션과 AI 기반 컬러 그레이딩(LUT 자동 생성)을 제공하고, Canvas는 노드 기반 워크플로우에서 여러 모델의 출력을 실시간 조합하며, Marketing Studio는 최종 콘텐츠를 YouTube·TikTok·Instagram Reels 최적 포맷으로 자동 변환한다. 자체 개발한 Soul 2.0 모델은 패션·에디토리얼 수준의 사실적 이미지를, Soul ID 시스템은 동일 캐릭터의 씬 간 일관성(character consistency)을 보장하여 시리즈형 콘텐츠 제작에 차별화된 강점을 가진다. 생명과학 커뮤니케이션 관점에서 Higgsfield는 연구 결과의 시각화와 대중 전달에 높은 활용 가치를 제공한다. 예를 들어 분자 동역학 시뮬레이션 결과를 Cinema Studio의 시네마틱 카메라 워크와 조명 설정으로 학회 발표용 애니메이션으로 변환하거나, 신약 후보 물질의 작용 기전(mechanism of action, MOA) 설명을 텍스트 프롬프트만으로 교육용 영상 시리즈로 생성할 수 있다. Python SDK(higgsfield-client)를 통해 실험 파이프라인과 연동하면 데이터 업데이트 시 관련 시각 자료를 자동 재생성하는 워크플로우 구축이 가능하며, Claude MCP 통합을 활용하면 AI 에이전트가 연구 노트에서 핵심 발견을 추출하여 소셜 미디어용 요약 영상으로 자동 변환하는 파이프라인도 구성할 수 있다. 엔터프라이즈 플랜은 SOC 2, ISO 42001, GDPR 준수를 보장하며 EU 데이터 레지던시 옵션과 사용자 데이터 비학습(no-training) 정책을 제공하므로, 임상 데이터나 특허 출원 전 연구 결과물을 다루는 바이오텍 기업도 안심하고 활용할 수 있다.9f:T46f,### 4-1. Quick Start ```bash # uv 패키지 매니저 설치 (미설치 시) curl -LsSf https://astral.sh/uv/install.sh | sh # 레포 클론 + 의존성 동기화 git clone https://github.com/nari-labs/dia2.git cd dia2 uv sync ``` ### 4-2. 기본 사용법 ```bash # CLI로 대화 음성 생성 (2B 모델) uv run -m dia2.cli \ --hf nari-labs/Dia2-2B \ --input input.txt \ --cfg 6.0 --temperature 0.8 \ --cuda-graph --verbose \ output.wav ``` ```bash # 음성 복제 — 프리픽스 오디오 조건부 생성 uv run -m dia2.cli \ --hf nari-labs/Dia2-2B \ --input input.txt \ --prefix-speaker-1 example_prefix1.wav \ --prefix-speaker-2 example_prefix2.wav \ --cuda-graph --verbose \ output_conditioned.wav ``` ```python # Python API from dia2 import Dia2, GenerationConfig, SamplingConfig dia = Dia2.from_repo("nari-labs/Dia2-2B", device="cuda", dtype="bfloat16") config = GenerationConfig( cfg_scale=2.0, audio=SamplingConfig(temperature=0.8, top_k=50), use_cuda_graph=True ) result = dia.generate( "[S1] Hello Dia2!", config=config, output_wav="hello.wav", verbose=True ) ```a0:T91a,Vitalify.ai는 터키 이스탄불의 ITU ARI Teknokent에 기반한 Aid Core Solutions가 개발한 AI 기반 웰니스 에이전트로, 사용자의 건강 목표를 지속 가능한 일상 마이크로 습관(micro-habit)으로 전환해주는 개인화 건강 관리 플랫폼이다. ChatGPT가 어떤 텍스트 질문이든 맥락을 이해하고 응답하듯, Vitalify는 사용자의 건강 검진 결과와 생활 패턴을 이해하고 매일 실천 가능한 행동 단위로 분해하여 안내한다. LLM 비종속(LLM-Agnostic) 아키텍처를 채택해 특정 AI 모델에 의존하지 않으며, 사용자의 맥락 기억(Context Memory)을 장기 유지하면서 건강 이력, 선호, 목표를 연속적으로 개인화한다. 기존 건강 관리 앱들은 대부분 전용 앱 설치를 요구하고, 사용자가 목표를 달성하지 못하면 단순히 "실패"로 기록하는 방식이다. Vitalify의 핵심 차별점은 WhatsApp을 주요 인터페이스로 활용한다는 점이다. 별도 앱 설치 없이 이미 사용 중인 메신저에서 일일 체크인과 넛지(nudge)를 받을 수 있어 진입 장벽이 극도로 낮다. 사용자가 피로나 스트레스를 호소하면 목표를 하향 조정하거나 우회 계획을 즉각 생성하여 "실패 없는 습관 형성"을 지향하며, 기존 앱 대비 3배 높은 습관 유지율(habit retention)을 보고하고 있다. 또한 처방전이나 혈액 검사 결과지를 촬영·업로드하면 OCR로 텍스트를 추출하여 AI가 분석하고, 그 결과를 의사와 공유할 수 있는 리포트로 정리해준다. 생명과학 연구자나 임상 전문가 관점에서 Vitalify는 환자 순응도(patient compliance) 향상 도구로 주목할 만하다. 예를 들어 만성질환 관리 연구에서 참여자들에게 WhatsApp 기반 일일 넛지를 제공하면, 전용 앱 대비 리텐션이 높아 종단 연구(longitudinal study)의 탈락률을 줄일 수 있다. 건강 캘린더와 스트릭 추적(streak tracking), 월간 진행 메트릭, 성취 배지 시스템을 통해 행동 변화의 정량적 데이터를 수집할 수 있으며, HIPAA 준수 및 SOC 2 Type II 인증을 받은 암호화 저장으로 민감한 건강 데이터를 다루는 연구 환경에서도 활용 가능성이 있다.a1:T9f1,Tyto는 ai-coustics GmbH가 2026년 6월 공개한 실시간 오디오 품질 진단 모델로, 음성 AI 파이프라인의 입력단에서 오디오 상태를 사전 분석하여 다운스트림 모델(STT, VAD, 턴 테이킹, 음성-음성 변환)의 오작동 가능성을 예측한다. GPT가 텍스트를 받기 전에 맞춤법 검사기를 거치듯, Tyto는 음성 AI가 오디오를 처리하기 전에 그 오디오가 얼마나 위험한지를 0에서 1 사이의 Tyto Risk Score로 정량화하는 "음성 AI의 청진기"라 할 수 있다. CPU 단독으로 30ms 이하 지연(16kHz PCM 기준)에 동작하며 GPU가 필요 없어, 별도 하드웨어 투자 없이 기존 음성 파이프라인에 삽입할 수 있다. 기존 음성 AI 시스템은 입력 오디오 품질에 대한 가시성이 없었다. 소음이 심하거나 패킷 손실이 있는 통화가 들어오면 STT가 오인식하고, VAD가 배경 소음을 발화로 오판하며, 턴 테이킹이 엉뚱한 타이밍에 끼어드는 연쇄 장애가 발생하지만, 문제의 원인이 모델이 아닌 입력 오디오에 있다는 사실을 사후에야 파악할 수 있었다. Tyto는 이 문제를 입력단에서 해결한다. Noise(환경 소음), Speaker Reverb(잔향), Speaker Loudness(화자 음량), Interfering Speech(간섭 화자), Background Media Speech(배경 미디어 음성), Packet Loss(패킷 손실)의 6가지 품질 차원을 각각 0~1 스케일로 실시간 측정하고, 이를 종합한 Risk Score를 산출한다. Risk Score 0.35 미만이면 안전(Green), 0.35~0.60이면 경고(Warn), 0.60 초과면 심각한 다운스트림 장애 가능성(Bad)으로 분류된다. 실제 음성 AI 운영 환경에서 Tyto는 크게 세 가지 방식으로 활용된다. 실시간 모드에서는 5초 윈도우 단위로 점수를 산출하여 소음이 급증할 때 에이전트 턴 감지를 보수적으로 전환하거나, LLM 프롬프트에 "현재 통화 음질이 열악함"이라는 컨텍스트를 주입하여 대응 품질을 높일 수 있다. 사후 분석(Offline) 모드에서는 전체 통화의 100%를 배치 분석하여 p95 Risk Score 기준 최악 통화를 트리아지(triage)하고, 차원별 argmax로 품질 저하의 주 원인을 식별한다. 세 번째로, ai-coustics의 데모에서 보여준 Aware-Tuned-Reactive 3단계 적응형 모드는 Risk Score 수준에 따라 에이전트 동작을 자동 전환하는 패턴으로, 음성 에이전트의 잡음 환경 내성을 체계적으로 높인다.a2:T959,SkillFortify는 Qualixar의 Varun Pratap Bhardwaj가 2026년 3월 공개한 AI 에이전트 스킬 보안 정식 검증(formal verification) 프레임워크다. GPT나 Claude 같은 LLM이 텍스트를 처리하듯, SkillFortify는 에이전트가 사용하는 스킬과 플러그인의 권한 범위를 수학적으로 증명하여 안전성을 판정한다. Dolev-Yao 공격자 모델을 에이전트 스킬 도메인에 최초 적용한 DY-Skill 위협 모델을 핵심으로, 추상 해석(abstract interpretation) 기반 정적 분석과 5개의 수학적 건전성 정리(soundness theorem)를 통해 스킬의 capability 위반 여부를 검증한다. 기존 에이전트 보안 접근법은 대부분 런타임 샌드박싱이나 수동 코드 리뷰에 의존했다. ClawHavoc 캠페인처럼 1,200개 이상의 스킬이 동시에 침해당하는 공급망 공격이 현실화된 상황에서, 사후 탐지 방식은 근본적 한계를 드러낸다. SkillFortify는 설치 전 단계에서 capability 기반 접근 제어(POLA compliance)를 정식 증명하고, SAT 기반 종속성 해석기(dependency resolver)로 1,000노드 그래프를 100밀리초 이내에 처리한다. 540개 벤치마크 스킬(SkillFortifyBench) 대상 정밀도(precision) 100%, 재현율(recall) 94.07%, F1 96.95%를 달성하며 오탐(false positive)이 0%인 점이 핵심 차별점이다. SLSA에서 영감받은 4단계 신뢰도 체계(L0 Unsigned → L3 Formally Verified)로 스킬의 검증 수준을 정량화한다. 생명정보학 연구 환경에서 SkillFortify는 다중 에이전트 파이프라인의 보안 감사에 직접 활용된다. 예를 들어 Claude Code, LangChain, CrewAI 등 22개 프레임워크의 스킬을 단일 명령(`skillfortify scan`)으로 자동 탐지·검증하고, CycloneDX 1.6 규격의 Agent SBOM(소프트웨어 자재 명세서)을 생성하여 EU AI Act(Article 15)나 NIST AI RMF 같은 규제 컴플라이언스 문서화를 자동화할 수 있다. skill-lock.json을 통한 재현 가능한 환경 고정은 연구 재현성(reproducibility) 확보에도 기여하며, registry-scan 명령으로 MCP·PyPI·npm 패키지를 설치 전 사전 검사하여 실험 환경 오염을 예방한다. 스킬 1개당 평균 분석 시간이 약 2.5밀리초로, CI/CD 파이프라인에 삽입해도 빌드 시간에 거의 영향을 주지 않는다.a3:Taa0,Antfly는 Antfly DB 팀이 2026년 3월에 공개한 분산 하이브리드 검색 엔진이다. GPT가 어떤 텍스트든 이해하듯, Antfly는 텍스트·이미지·오디오·영상 등 어떤 형태의 데이터든 하나의 엔진에서 색인하고 검색할 수 있게 해 준다. etcd의 Raft 합의 알고리즘과 CockroachDB의 Pebble 스토리지 엔진 위에 구축되었으며, BM25 전문 검색(full-text search), 밀집 벡터 유사도(dense vector similarity), 그래프 탐색(graph traversal)을 단일 쿼리로 융합하는 하이브리드 검색을 핵심 아이덴티티로 삼는다. 홈페이지 슬로건 "Self-learning Retrieval for Agents"가 시사하듯, AI 에이전트가 방대한 데이터에서 정확한 바늘을 찾아내는 것을 목표로 설계되었다. 기존에 벡터 검색을 도입하려면 임베딩 생성을 위한 외부 API(OpenAI·Cohere 등), 전문 검색을 위한 Elasticsearch, 지식 그래프를 위한 Neo4j 등 여러 시스템을 조합해야 하는 멀티 인프라 복잡성이 있었다. Antfly는 이 세 가지를 싱글 바이너리 안에 통합한다. 내장 추론 엔진을 통해 임베딩 생성, 문서 청킹(chunking), 크로스 인코더 리랭킹(cross-encoder reranking)까지 외부 API 호출 없이 로컬에서 처리할 수 있다. 멀티 Raft 아키텍처로 메타데이터 합의 그룹과 샤드별 스토리지 합의 그룹이 분리되어, 특정 샤드 장애가 전체 클러스터에 전파되지 않는 장애 격리(fault isolation)를 제공한다. SPANN 기반 벡터 인덱싱에 RaBitQ 양자화를 적용하고, HTTP/3(QUIC) 프로토콜을 지원하여 대용량 데이터셋에서도 낮은 지연시간을 유지한다. 생명과학 연구에서 Antfly는 논문·특허·임상 문서·현미경 이미지 등 이질적 데이터 소스를 단일 검색 인프라로 통합하는 데 적합하다. 예를 들어 PubMed 논문 텍스트와 병리 조직 이미지를 동일 컬렉션에 적재한 뒤, "EGFR 변이와 관련된 폐암 조직 패턴"이라는 자연어 쿼리로 텍스트와 이미지를 동시에 하이브리드 검색할 수 있다. 내장 RAG 에이전트 기능을 활용하면 검색 결과를 LLM에 자동 전달하여 요약·추론·후속 질문까지 스트리밍으로 처리할 수 있으며, 그래프 인덱스를 통해 유전자-질환-약물 간 관계를 자동 추출하고 탐색하는 지식 그래프 파이프라인을 별도 인프라 없이 구축할 수 있다. PostgreSQL 확장(pgaf)을 통해 기존 SQL 워크플로우와도 자연스럽게 연동되고, MCP 서버 및 A2A 프로토콜 지원으로 AI 에이전트 생태계와의 통합도 용이하다.a4:Ta69,nanobot은 홍콩대학교 데이터 인텔리전스 랩(HKUDS)에서 2026년 2월 공개한 초경량 개인 AI 에이전트 런타임이다. GPT가 어떤 텍스트든 처리하듯, nanobot은 어떤 LLM이든 하나의 일관된 에이전트 루프 안에서 구동할 수 있게 설계되었다. 핵심 에이전트 파이프라인 — 메시지 수신, LLM 의사결정, 도구 호출, 컨텍스트 관리 — 을 최소한의 Python 코드로 구현하면서도 WebUI, 메신저 연동, MCP(Model Context Protocol) 호스팅, 장기 기억(Long-term memory), 주기적 스케줄링까지 실용적 컴포넌트를 모듈 단위로 붙일 수 있는 구조를 채택했다. 기존 에이전트 프레임워크의 한계는 복잡성이다. LangChain, AutoGen 등 대형 프레임워크는 수만 줄의 추상화 레이어를 쌓아 올려 연구자가 내부 동작을 파악하거나 특정 컴포넌트만 교체하기 어렵다. nanobot은 정반대 철학을 취한다. 에이전트 루프의 핵심 로직을 읽기 쉬운 수천 줄 수준으로 유지하면서, 30개 이상의 LLM 프로바이더(OpenAI, Anthropic Claude, Google Gemini, DeepSeek, Ollama, vLLM, LM Studio, AWS Bedrock, Azure OpenAI 등)를 named preset과 fallback routing으로 전환할 수 있게 했다. MCP 서버를 다중 연결하여 외부 도구를 에이전트에 노출하고, 토큰 기반 2단계 기억 시스템(Dream)으로 장기 세션에서도 컨텍스트를 자동 압축·복원한다. 여기에 자연어 기반 cron 스케줄링, 샌드박스 코드 실행, 서브에이전트 백그라운드 실행까지 지원하므로, 단순 챗봇을 넘어 지속적으로 목표를 추적하는 에이전트를 구축할 수 있다. 생명공학 연구자 관점에서 nanobot의 가치는 "나만의 AI 비서를 인프라 종속 없이 빠르게 구축"하는 데 있다. 예컨대 논문 모니터링 에이전트를 만들어 PubMed API를 MCP 도구로 연결하고, cron으로 매일 새 논문을 수집한 뒤 요약을 Telegram이나 Slack으로 전달하는 파이프라인을 코드 수십 줄로 완성할 수 있다. 실험 데이터 전처리 워크플로에서는 로컬 LLM(Ollama 등)을 에이전트에 연결해 민감 데이터를 외부 API로 보내지 않으면서도 자연어 지시로 CSV 정제, 통계 요약, 시각화 스크립트 생성을 자동화할 수 있다. WebUI가 Python wheel 안에 내장되어 별도 빌드 없이 `nanobot run`으로 브라우저 기반 관리 화면이 열리며, Docker 컨테이너 배포도 지원하므로 랩 서버에 상시 가동하는 연구 지원 에이전트를 운영하기에 적합하다.a5:Taa1,Seedance 2.0은 ByteDance의 SEED Lab이 2026년 2월에 공개한 멀티모달 AI 비디오 생성 모델로, 텍스트·이미지·오디오·비디오 네 가지 입력을 받아 오디오와 비디오를 단일 아키텍처에서 동시에 생성하는 시스템이다. GPT가 어떤 텍스트든 자연스러운 문장으로 이어 쓰듯, Seedance 2.0은 간단한 프롬프트 하나로 화면 속 물체의 질감과 조명, 카메라 움직임은 물론 장면에 맞는 배경음과 효과음까지 한 번의 생성 패스(single pass)로 만들어낸다. 참조 입력으로 비디오 클립 최대 3개, 이미지 9장, 오디오 3개를 동시에 받을 수 있으며, 480p·720p 네이티브 해상도에 1080p 업스케일을 지원하고 4초에서 15초까지의 클립을 24fps로 출력한다. 6가지 화면비(16:9, 9:16, 4:3, 3:4, 21:9, 1:1)를 지원해 가로·세로·시네마 스코프 등 다양한 포맷에 대응한다. 기존 AI 비디오 생성 파이프라인은 영상 생성 모델과 음향 생성 모델을 별도로 운영한 뒤 후처리로 동기화해야 했다. 이 방식은 입술 움직임과 대사 타이밍이 어긋나거나, 유리잔이 깨지는 장면에서 소리가 0.5초 늦게 나오는 식의 싱크 불일치가 빈번했다. Seedance 2.0은 통합 멀티모달 아키텍처(unified multimodal architecture)로 영상과 음향을 하나의 잠재 공간(latent space)에서 동시에 디코딩하기 때문에, 장면 전환·물리 충돌·배경 ambience가 프레임 단위로 정확히 맞아떨어진다. 이 접근은 Artificial Analysis Video Arena 리더보드에서 Elo 1,272점으로 글로벌 2위(2026년 6월 기준, 1위 Happy Horse 1 Alibaba 1,355, 3위 Kling 3.0 1,250)에 올라 품질을 입증했다. 또한 실제 인물 얼굴이 포함된 이미지 입력 차단, C2PA 워터마크 자동 삽입, 비가시 워터마크를 통한 AI 생성물 추적 등 안전 장치도 내장하고 있다. 활용 측면에서 Seedance 2.0은 Dreamina 웹 플랫폼(dreamina.capcut.com)에서 무료 일일 크레딧으로 바로 사용할 수 있고, CapCut 영상 편집기에 통합되어 편집 워크플로우 안에서 AI 클립을 즉시 삽입할 수 있다. API를 통해 프로덕션 파이프라인에 연동하면, 예를 들어 e커머스 제품 영상을 텍스트 프롬프트와 제품 사진 한 장으로 5초 분량 자동 생성하거나, 교육 콘텐츠 제작 시 슬라이드 이미지를 입력해 내레이션 음성과 동기화된 설명 영상을 배치 생산할 수 있다. 2026년 6월에는 비용과 지연을 줄인 Seedance 2.0 Mini 티어가 추가되어 대량 생성 워크로드에도 대응 가능해졌다.a6:T903,Resemble AI가 2026년 6월 10일 공개한 Chatterbox Multilingual V3는 0.5B 파라미터 Llama 기반 오픈소스 텍스트-음성 변환(Text-to-Speech) 모델이다. GPT가 어떤 텍스트든 이해하고 응답하듯, Chatterbox는 어떤 텍스트든 25개 언어의 자연스러운 음성으로 변환한다. 5-20초의 짧은 음성 샘플만으로 화자의 목소리를 복제(Zero-shot voice cloning)하며, Classifier-Free Guidance(CFG)와 감정 강도 조절(Exaggeration) 파라미터를 통해 단조로운 낭독부터 극적인 연기까지 음성 표현력을 정밀 제어할 수 있다. 기존 상용 TTS 서비스는 높은 품질을 제공하지만 클라우드 의존, 사용량 과금, 데이터 프라이버시 제약이라는 근본적 한계를 갖는다. Chatterbox V3는 MIT 라이선스 완전 오픈소스로 이 장벽을 허문다. 블라인드 평가에서 ElevenLabs 대비 63.75% 선호율을 기록하면서도, 로열티·매출 분배·사용량 제한 없이 상업 배포가 가능하다. 더 주목할 점은 PerTh(Perceptual Threshold) 워터마킹이 기본 내장되어 있다는 것이다. 심리음향학(Psychoacoustics) 원리를 활용해 사람 귀에는 들리지 않지만 MP3 압축, 전화 코덱, 오디오 편집 후에도 생존하는 신경 워터마크를 삽입하며, 2026년 8월 시행 예정인 EU AI Act Article 50의 AI 생성 콘텐츠 표시 의무를 선제 충족한다. V3는 21개 기본 언어에 6개 Language Pack(중국어 만다린, 힌디, 브라질 포르투갈어, 유럽 포르투갈어, 라틴아메리카 스페인어, 유럽 스페인어)을 추가해 총 25개 언어를 지원한다. 이탈리아어 CER(Character Error Rate) 0.20%, 독일어 0.20% 미만, 영어 0.65%로 주요 언어에서 프로덕션 수준 정확도를 달성했다. 단일 H100 GPU에서 TTFB(Time-to-First-Byte) 300ms 미만, 실시간 계수(RTF) 약 5배를 기록하며, NVIDIA NIM 배포 시 비최적화 PyTorch 대비 2-39배 처리량 향상이 가능하다. 36,700시간 규모의 학습 데이터로 V2 대비 프롬프트 이탈, 반복, 악센트 드리프트, 화자 유사도 문제를 개선했다. 다만 한국어(CER 70.90%)와 베트남어(75.21%)는 아직 프로덕션 배포에 추가 작업이 필요한 상태이다.a7:Ta75,BioMedAgent는 중국과학원 컴퓨팅기술연구소(ICT, CAS)가 개발하여 2026년 3월 Nature Biomedical Engineering에 게재한 자기진화형 멀티에이전트 생물정보학 분석 프레임워크다. 연구자가 자연어로 분석 목표를 입력하면, LLM 기반의 다수 에이전트가 협업하여 다단계 계획 수립, 도구 선택, 코드 실행, 결과 요약까지 전 과정을 자율 수행한다. ChatGPT에게 "이 RNA-seq 데이터에서 차등 발현 유전자를 찾아줘"라고 말하는 것처럼, BioMedAgent에게 가설과 데이터를 건네면 오믹스 분석부터 머신러닝 모델링, 병리 이미지 분할, 통계 검정, 시각화까지 완결된 분석 보고서가 생성된다. 기존 LLM 기반 분석 도구들은 단일 모델이 하나의 작업을 처리하는 구조여서, 복잡한 바이오인포매틱스 파이프라인(도구 수십 개를 순서에 맞게 연결해야 하는 워크플로우)에서 한계가 명확했다. BioMedAgent는 Interactive Exploration(IE) 알고리즘과 Memory Retrieval(MR) 알고리즘이라는 두 축으로 이 문제를 해결한다. IE는 에이전트가 중간 결과를 분석하며 탐색 경로를 능동적으로 조정하는 대화형 탐색 메커니즘이고, MR은 성공한 도구 조합, 워크플로우, 실행 코드를 메모리 뱅크에 체계적으로 기록하여 새로운 과제에 재활용하는 자기진화 엔진이다. 이 두 알고리즘 덕분에 BioMedAgent는 경험이 쌓일수록 더 정확하고 효율적인 분석 경로를 선택하게 된다. 327개 생물의학 분석 질문으로 구성된 BioMed-AQA 벤치마크에서 77% 성공률을 달성하여 ChatGPT-4o의 47%를 크게 앞섰고, 외부 BixBench 데이터셋에서도 일관된 성능을 보여 범용성을 입증했다. 생명공학 연구자 관점에서 BioMedAgent의 활용 시나리오는 광범위하다. 임상 유전체 연구에서 환자 코호트의 RNA-seq 원시 데이터를 입력하고 "생존율과 관련된 바이오마커를 찾아라"고 지시하면, 전처리(cel2matrix), 차등 발현 분석, 생존 곡선(Kaplan-Meier) 시각화, 통계 검정(t-test, QQ plot)까지 자동 파이프라인을 구성하여 실행한다. 정밀의료 분야에서는 다중 오믹스 데이터를 통합하여 환자 계층화(stratification) 머신러닝 모델을 자율 구축할 수 있고, 병리학에서는 조직 이미지의 세포 분할 및 정량 분석도 처리한다. 프로그래밍 경험이 없는 생물학자나 임상의도 자연어 프롬프트만으로 이러한 다단계 분석을 수행할 수 있다는 점이 핵심 가치다.a8:Taa2,ESMC와 ESMFold2는 Biohub가 2026년 5월 27일 공개한 단백질 생물학 월드 모델(world model)이다. GPT가 인간 언어의 문법과 의미를 대규모 텍스트로부터 학습하듯, ESMC는 지구상 모든 생명체로부터 수집한 약 28억 개 단백질 서열을 사전 학습하여 진화가 수십억 년에 걸쳐 축적한 단백질 설계 문법을 습득한 60억 파라미터 규모의 기초 언어 모델이다. ESMFold2는 이 ESMC의 임베딩 위에 루프 트랜스포머(looped transformer)와 확산 기반(diffusion-based) 구조 예측 아키텍처를 결합하여, 아미노산 서열 하나만으로 원자 수준(all-atom) 3D 구조를 예측하고 나아가 치료용 단백질 바인더를 설계하는 엔진이다. 기존 단백질 구조 예측의 표준이었던 AlphaFold 계열은 다중 서열 정렬(Multiple Sequence Alignment, MSA)에 크게 의존한다. MSA 기반 접근은 진화적으로 보존된 단백질에는 강력하지만, 항체처럼 빠르게 변이하는 서열에서는 정렬 신호가 소실되어 정확도가 급락하는 구조적 한계가 있다. ESMC-ESMFold2는 소위 "쓴 교훈(The Bitter Lesson)" 철학을 채택했다. MSA 없이 순수한 BERT 계열 트랜스포머를 충분히 크고 다양한 데이터로 훈련하면 특수 아키텍처를 능가한다는 스케일링 법칙에 베팅한 것이다. 그 결과 항체-항원 결합 예측에서 AlphaFold 3을 초과하는 정확도를 달성했으며, Chai-1과 Boltz-1 등 경쟁 모델 대비에서도 우위를 보인다. 단일 서열 모드에서는 MSA 기반 대비 약 10배의 추론 속도 향상을 제공하여 대규모 스크리닝에도 적합하다. 생명공학 연구자 관점에서 가장 주목할 점은 실험실에서 검증된 치료용 바인더 설계 역량이다. Biohub 팀은 EGFR, PDGFRβ, PD-L1, CTLA-4, CD45 등 5개 암·면역 표적에 대해 컴팩트 미니바인더 36-88%, 항체 유래 포맷 15-29%의 히트율로 나노몰(nanomolar) 친화도의 바인더를 설계했으며, PD-L1 바인더는 실제 T세포 신호 복원 기능까지 입증했다. 기존에 수개월에서 수년이 걸리던 표적 바인더 설계 주기를 며칠로 단축한 것이다. 또한 ESM Atlas를 통해 68억 개 서열과 11억 개 예측 구조를 탐색할 수 있으며, 희소 오토인코더(Sparse Autoencoder, SAE) 기반 약 16,000개 해석 가능 특징(interpretable feature)으로 미주석 단백질의 기능을 매핑할 수 있다. MIT 라이선스로 모델과 코드가 완전 공개되어 있어 학술·산업 연구자 모두 로컬 GPU에서 직접 실행하거나 Biohub 플랫폼 API를 통해 접근할 수 있다.a9:T546,### 4-1. Quick Start ```bash pip install -U qwen-tts pip install -U flash-attn --no-build-isolation # 선택, GPU 가속 ``` ### 4-2. 소스 설치 ```bash git clone https://github.com/QwenLM/Qwen3-TTS.git cd Qwen3-TTS pip install -e . ``` ### 4-3. 기본 사용 (음성 클로닝) ```python import torch import soundfile as sf from qwen_tts import Qwen3TTSModel model = Qwen3TTSModel.from_pretrained( "Qwen/Qwen3-TTS-12Hz-1.7B-Base", device_map="cuda:0", dtype=torch.bfloat16, attn_implementation="flash_attention_2", ) wavs, sr = model.generate_voice_clone( text="Hello, this is a voice cloning demo.", language="English", ref_audio="reference.wav", ref_text="Reference audio transcript" ) sf.write("output.wav", wavs[0], sr) ``` ### 4-4. 자연어 음성 디자인 ```python model = Qwen3TTSModel.from_pretrained( "Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign", device_map="cuda:0", dtype=torch.bfloat16, attn_implementation="flash_attention_2", ) wavs, sr = model.generate_voice_design( text="음성 디자인 데모입니다.", language="Chinese", instruct="A warm, gentle female voice with a slow speaking pace" ) sf.write("designed_voice.wav", wavs[0], sr) ``` ### 4-5. Web UI 데모 실행 ```bash qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --ip 0.0.0.0 --port 8000 ```aa:T596,### 4-1. Quick Start ```bash # 1. CLI 설치 uv tool install browser-act-cli --python 3.12 # 2. 버전 확인 browser-act --version # 3. 코어 Skill 다운로드 browser-act get-skills core --skill-version 2.0.2 # 4. 기본 추출 테스트 browser-act stealth-extract https://example.com ``` ### 4-2. 상세 설치 ```bash # uv 미설치 시 먼저 설치 curl -LsSf https://astral.sh/uv/install.sh | sh # browser-act CLI 설치 uv tool install browser-act-cli --python 3.12 # uv tool 디렉터리가 PATH에 포함되었는지 확인 browser-act --version # API 키 인증 (stealth/CAPTCHA 기능용, 기본 자동화는 키 없이 가능) browser-act auth login browser-act auth poll # 또는 직접 키 설정 browser-act auth set # 코어 Skill 다운로드 (필수 — 실행 전 반드시 수행) browser-act get-skills core --skill-version 2.0.2 # 기본 추출 테스트 browser-act stealth-extract https://example.com # 세션 기반 브라우저 조작 browser-act --session my-task browser open https://example.com browser-act --session my-task state browser-act --session my-task click 3 ``` ### 4-3. 에이전트 환경 통합 Claude Code, Cursor, VS Code, Codex, Gemini CLI, OpenClaw 등 셸 기반 AI 에이전트에서 직접 호출 가능. 에이전트에게 다음 지시: ``` Install browser-act. Skill source: https://github.com/browser-act/skills/tree/main/browser-act ```ab:T4db,### 4-1. Quick Start ```bash # diffusers 최신 소스 설치 (Z-Image 파이프라인 지원 필수) pip install git+https://github.com/huggingface/diffusers # 모델 다운로드 (고속 xet 전송) HF_XET_HIGH_PERFORMANCE=1 huggingface-cli download Tongyi-MAI/Z-Image ``` ### 4-2. 상세 설치 (PyTorch 네이티브) ```bash git clone https://github.com/Tongyi-MAI/Z-Image.git cd Z-Image pip install -e . python inference.py ``` ### 4-3. Turbo 모델 추론 (8스텝 고속) ```python import torch from diffusers import ZImagePipeline pipe = ZImagePipeline.from_pretrained( "Tongyi-MAI/Z-Image-Turbo", torch_dtype=torch.bfloat16 ).to("cuda") image = pipe( prompt="A photorealistic portrait of a scientist in a lab", height=1024, width=1024, num_inference_steps=9, guidance_scale=0.0 ).images[0] image.save("output.png") ``` ### 4-4. Base 모델 추론 (CFG 지원) ```python import torch from diffusers import ZImagePipeline pipe = ZImagePipeline.from_pretrained( "Tongyi-MAI/Z-Image", torch_dtype=torch.bfloat16 ).to("cuda") image = pipe( prompt="Fluorescence microscopy image of neural cells", height=1024, width=1024, num_inference_steps=30, guidance_scale=4.0 ).images[0] ```ac:T5a0,### 4-1. Quick Start ```bash # HuggingFace 게이트 접근 승인 후 pip install git+https://github.com/ideogram-oss/ideogram-4.git ``` ### 4-2. 상세 설치 ```bash # 1. 리포지토리 클론 git clone https://github.com/ideogram-oss/ideogram-4.git cd ideogram-4 # 2. 의존성 설치 pip install . # 또는 개발 모드 pip install -e . # 3. HuggingFace 인증 (게이트 모델 접근) huggingface-cli login # 4. 추론 실행 (NF4 양자화) python run_inference.py \ --prompt "your prompt here" \ --output out.png \ --quantization "nf4" ``` ### 4-3. Python API (diffusers) ```python from diffusers import DiffusionPipeline import torch pipe = DiffusionPipeline.from_pretrained( "ideogram-ai/ideogram-4-fp8", dtype=torch.bfloat16, device_map="cuda" ) image = pipe("Astronaut in jungle").images[0] image.save("output.png") ``` ### 4-4. 클라우드 API ```bash # API 키 발급: developer.ideogram.ai # 인증: Api-Key 헤더 curl -X POST https://api.ideogram.ai/v1/ideogram-v3/generate \ -H "Api-Key: YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{"prompt": "A serene mountain landscape at sunset"}' ``` API 엔드포인트: Generate(텍스트→이미지), Remix(이미지 변형), Edit(부분 수정), Reframe(해상도 확장), Replace Background(배경 교체), Face Swapping(얼굴 교체). 기본 동시 요청 한도 10건, 대규모 처리 시 partnership@ideogram.ai 문의.ad:T56f,### 4-1. Quick Start (Docker, 권장) ```bash git clone https://github.com/proteinverse/gyde.git cd gyde export SLIVKA_DATA_DIR=/path/to/slivka/data docker compose --profile setup run slivka-bio-installer docker compose up gyde-server # http://localhost:3030 에서 접속 ``` ### 4-2. 로컬 개발 환경 ```bash # 사전 요구: Node.js v14+, MongoDB v4.4+, Git git clone https://github.com/proteinverse/gyde.git # 프론트엔드 cd gyde/gyde-frontend && npm install && npm start # http://localhost:3000 # 백엔드 (별도 터미널) cd gyde/gydesrv && npm install export GYDE_SLIVKA_URL=http://your-slivka-server:4040 export GYDE_MONGO_CONNECTION=mongodb://localhost:27017/ npm start ``` ### 4-3. 프로덕션 배포 ```bash cd gyde-frontend && npm run build cd ../gydesrv export GYDE_HOST=0.0.0.0 export GYDE_PORT=3030 export GYDE_SLIVKA_URL=http://your-slivka-server:4040 export GYDE_MONGO_CONNECTION=mongodb://localhost:27017/ node index.js ``` ### 주요 환경 변수 | 변수 | 용도 | 기본값 | |------|------|--------| | `GYDE_HOST` | 바인딩 주소 | 127.0.0.1 | | `GYDE_PORT` | 포트 | 3030 | | `GYDE_SLIVKA_URL` | Slivka 컴퓨트 API 엔드포인트 | **필수** | | `GYDE_MONGO_CONNECTION` | MongoDB 연결 URI | mongodb://localhost/ | | `GYDE_DB_NAME` | 데이터베이스 이름 | gydedb_prd | | `GYDE_CA_BUNDLE` | 기업 SSL 인증서 경로 | (없음) |ae:T884,Replicate는 2019년 미국에서 Ben Firshman·Andreas Jansson 공동창업한 클라우드 AI 모델 호스팅 플랫폼이에요. 한 줄로 표현하면 "오픈소스 AI 모델의 Stripe API" 입니다. Llama·Stable Diffusion XL·Whisper·MusicGen·SAM 같은 10,000+ 모델을 GPU 없이 REST API 한 줄로 호출하고, 사용한 GPU 초 단위로 과금하는 구조 (예: SDXL 1장 ~/bin/zsh.0023, Llama-3 70B 1k tokens ~/bin/zsh.001). 기존 클라우드 AI는 (1) AWS·GCP·Azure 같은 일반 클라우드에 직접 모델 배포 → 인프라·MLOps 부담, (2) OpenAI·Anthropic API → 모델 선택권 없음, (3) Hugging Face Inference API → 일부 모델만, 대형 LLM은 제한 같은 한계가 있었어요. Replicate는 "Cog"라는 오픈소스 컨테이너 표준으로 모델 패키징 → 사용자가 모델 페이지 방문 → "Run" 또는 API 호출 → 결과 webhook/스트리밍 수신 흐름을 표준화했습니다. 마치 "Vercel이 프론트엔드 deploy 표준화했듯, Replicate는 AI 모델 deploy 표준화"인 셈이죠. 모델 페이지에는 input/output schema·예시 결과·가격·평균 추론 시간이 명시되어 통합 부담이 적어요. 생명공학 연구자 관점에서는 (1) ESMFold·OpenFold 같은 단백질 구조 예측 모델을 GPU 없이 호출, (2) Stable Diffusion XL로 논문 figure·연구 일러스트 자동 생성, (3) Whisper로 학회·인터뷰 녹음 일괄 STT, (4) MusicGen·AudioCraft로 강의 BGM 생성, (5) Custom 모델 deploy (Cog로 패키징하면 자체 모델도 Replicate에 호스팅 가능)까지 가능해요. 월 사용량이 적으면 Hugging Face Spaces·Inference API보다 비용 효율이 좋고, 사용량이 많으면 dedicated deployment(예약 GPU)로 비용 고정 가능합니다. Ollama·Hugging Face와 병렬로 쓰면 시너지가 강해요. "평소엔 로컬 Ollama로 빠른 프로토타입 → 대형 모델·트래픽 폭주 시 Replicate에 burst → 안정 운영 단계에서 dedicated deployment" 같은 단계적 확장. 또는 "HF에서 모델 발굴 → Cog로 Replicate에 deploy → 본인 앱에서 API 호출" 흐름도 표준 패턴입니다.af:T485,# Python SDK pip install replicate # 1. 환경변수 설정 (API 토큰) export REPLICATE_API_TOKEN=r8_xxx # replicate.com 가입 후 발급 # 2. 모델 호출 (예: Llama-3 70B) import replicate output = replicate.run( "meta/meta-llama-3-70b-instruct", input={"prompt": "단백질 구조 예측에서 AlphaFold와 ESMFold 차이는?", "max_tokens": 500} ) print("".join(output)) # 3. 이미지 생성 (Stable Diffusion XL) output = replicate.run( "stability-ai/sdxl:39ed52f2a78e934b3ba6e2a89f5b1c712de7dfea535525255b1aa35c5565e08b", input={"prompt": "protein structure visualization, scientific illustration"} ) # output[0] = 생성된 이미지 URL # 4. STT (Whisper) output = replicate.run( "openai/whisper:91ee9c0c3df30478510ff8c8a3a545add1ad0259ad3a9f78fba57fbc05ee64f7", input={"audio": open("interview.mp3", "rb")} ) # 5. Cog로 자체 모델 deploy pip install cog # cog.yaml + predict.py 작성 후 cog push r8.im/myusername/my-bio-model # 6. REST API 직접 호출 (Python 없이) curl -X POST https://api.replicate.com/v1/predictions -H "Authorization: Bearer " -d '{"version":"...","input":{"prompt":"..."}}' b0:T842,Hugging Face는 2016년 Clement Delangue·Julien Chaumond·Thomas Wolf가 공동창업한 오픈소스 AI 커뮤니티이자 플랫폼입니다. 한 줄로 표현하면 "AI 모델·데이터셋·데모 앱의 GitHub"이라고 할 수 있어요. 200만+ 사전학습 모델, 35만+ 데이터셋, 65만+ Spaces 데모가 한 사이트에 모여 있고, Transformers·Diffusers·Datasets·Accelerate 같은 표준 라이브러리도 이 회사가 만들고 유지합니다. 기존 AI 모델 공유는 (1) 논문 저자 GitHub repo가 학습 코드만 제공 → 가중치는 별도 요청, (2) Google Drive·Dropbox 같은 비전문 저장소에 가중치 산재, (3) license·메타데이터 표준 없음, (4) 추론은 사용자가 직접 환경 구축 같은 비효율의 연속이었어요. Hugging Face Hub는 git-lfs 기반 가중치 버전 관리 + Model Card 표준화(README.md + 메타 YAML) + Inference API(:huggingface.co/api/...)로 "모델 페이지 방문 → Run 버튼 클릭 → 즉시 추론" 흐름을 만들었습니다. 마치 "npm·PyPI·Docker Hub가 SW 패키지 표준화했듯, HF는 AI 모델 표준화"인 셈이죠. 생명공학 연구자 관점에서는 (1) BioGPT·BioBERT·ESMFold·ProtGPT2·ChemBERTa 같은 도메인 특화 모델을 코드 5줄로 즉시 사용, (2) PubMedQA·MedQA·BC5CDR 같은 의료 NLP 벤치마크 데이터셋 통합, (3) Spaces로 만든 단백질 구조 시각화·약물 상호작용 예측 데모 즉시 fork·수정, (4) Inference API로 GPU 없이도 클라우드 추론 (월 무료 quota + 유료 dedicated endpoint), (5) AutoTrain으로 자체 데이터셋에 fine-tune 자동화까지 가능해요. Transformers 라이브러리만 익히면 SOTA 모델 90%를 통합된 API로 다룰 수 있습니다. Ollama·LM Studio 같은 로컬 실행 도구와 병렬로 쓰면 강력해요. HF에서 GGUF·safetensors 가중치 다운 → Ollama로 로컬 양자화 추론 / HF Inference API로 대형 모델 클라우드 호출 / Spaces에 자체 데모 deploy 같은 조합. PRO 구독(/월)은 빠른 inference + 더 많은 Spaces GPU 시간 제공.1b:["$","$7",null,{"fallback":["$","div",null,{"className":"min-h-screen bg-[var(--background)]"}],"children":["$","$L1d",null,{"initialTools":[{"id":"81d6e142-6b7a-419d-9dc0-df049798aa8e","slug":"rag-doctor","name":"RAG Doctor","one_liner":"` 추론 경로를 확보하여 표적 결합 검증(In vitro binding assay) 설계에 즉각 투입."},{"icon":"🧬","title":"희귀 질환 변이 단백질의 기능 상실 메커니즘 해석","scenario":"임상 엑솜 시퀀싱에서 식별된 병원성 의심 미스센스 변이(VUS) 서열을 야생형과 비교 입력. BioReason-Pro SFT/RL 체크포인트를 활용해 잔기별 주의 집중도 변화와 파괴된 촉매 삼잔기(Catalytic triad) 상호작용 추론을 추출함으로써, 단순 병원성 스코어가 아닌 분자 수준 기능 소실(Loss-of-Function) 기전을 규명하고 환자 맞춤형 치료 기전 가설 수립."},{"icon":"💊","title":"인간 프로테옴 대규모 유전자 온톨로지 재주석 및 타깃 발굴 파이프라인","scenario":"223,000종 이상의 사전 계산된 Hugging Face 데이터셋(`wanglab/protein_catalogue`)과 미주석 단백질 배치를 연계 분석. 기존 UniProt 대비 79% 전문가 선호도를 기록한 고해상도 생물학적 설명문을 Qdrant 벡터 DB에 적재하여, 특정 면역 대사 경로에 관여하는 신규 효소 타깃 후보군을 정량적 문맥 검색(Contextual semantic search)으로 고속 스크리닝."}],"official_doc_url":"https://bioreason.net","github_url":"https://github.com/bowang-lab/BioReason-Pro","category":"bio_ai","difficulty":"intermediate","tags":["bioreason","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 32GB (권장 64GB 이상)","vram":"80GB (단일 NVIDIA A100 80GB 또는 H100 80GB 필수. 추론 파이프라인 구동 시 ESM3 및 대형 모델 가동)","storage":"모델 체크포인트 ~10GB (학습용 구조 전체 데이터셋 다운로드 시 ~150GB 추가 필요)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:32.725673+00:00","created_at":"2026-09-09T21:58:26.401568+00:00"},{"id":"df3e0fed-922d-4faa-a451-07e72fc7881a","slug":"t3-code","name":"T3 Code","one_liner":"=1.10.0\"\n\n### 4-2. 상세 설치\n\n# 1. vLLM 가속화 서버를 통한 모델 서빙 실행\nvllm serve mistralai/Voxtral-4B-TTS-2603 --omni\n\n# 2. Apple Silicon 환경에서의 MLX 기반 실행 환경 구성\ngit clone https://github.com/redseaplume/Voxtral-4B-TTS-2603-MLX.git\ncd Voxtral-4B-TTS-2603-MLX\npip install -e .","bio_use_cases":[{"icon":"🔬","title":"다국어 실시간 의료/생명공학 가이드 봇**","scenario":"저지연 음성 피드백이 특징인 vLLM-Omni 서빙 환경을 구축하여 진료 예약 및 복약 안내 시스템의 실시간 통역 에이전트로 활용합니다."},{"icon":"🧬","title":"연구용 오디오 피드백 및 환자 자극 음성 생성**","scenario":"인지 행동 연구나 청각적 자극 실험을 위한 제로샷 감정 매개변수 기반의 통제된 다국어 음성 자극원을 대량으로 합성합니다."},{"icon":"💊","title":"다국어 매뉴얼 및 오디오북 낭독 자동화**","scenario":"다중 언어 지원을 극대화하여 한국어 처방 설명서나 제약 공정 가이드를 영어, 프랑스어 등 9개 국어로 일관성 있게 번역 합성합니다."}],"official_doc_url":"https://mistral.ai/news/voxtral-tts/","github_url":null,"category":"audio_ai","difficulty":"intermediate","tags":["voxtral","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU 24GB 이상 권장 (단일 FP16 추론 시), 8GB+ (양자화 또는 Apple Silicon)","storage":"모델 가중치 및 임베딩 포함 약 10GB ~ 15GB 여유 공간 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:43:41.148434+00:00","created_at":"2026-08-07T13:21:08.878479+00:00"},{"id":"1f846b1e-f0a1-4527-b71c-6f9e0f480a82","slug":"github-agentic-workflows-gh-aw","name":"GitHub Agentic Workflows (`gh-aw`)","one_liner":"Herramienta agéntica que convierte objetivos en lenguaje natural en automatizaciones ejecutables de GitHub Actions","description":"$48","install_code":"### 4-1. Quick Start\n\ngh extension install github/gh-aw\ngh aw init\n\n### 4-2. 상세 설치\n\n# 1. GitHub CLI가 설치되어 있어야 합니다.\n# 2. GitHub CLI 익스텐션으로 gh-aw 패키지를 설치합니다.\ngh extension install github/gh-aw\n\n# 3. 에이전틱 워크플로우를 활성화할 로컬 저장소에서 초기화 작업을 진행합니다.\ngh aw init\n\n# 4. 마크다운으로 정의된 워크플로우 파일을 액션 락 파일(.lock.yml)로 빌드합니다.\ngh aw compile","bio_use_cases":[],"official_doc_url":"https://githubnext.com/projects/agentic-workflows","github_url":"https://github.com/github/gh-aw","category":"coding","difficulty":"beginner","tags":["github","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용, 외부 LLM API 호출 기반이므로 로컬 GPU 필수 아님)","storage":"CLI 및 로컬 컴파일 종속성 설치용 약 200MB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-08-07T13:05:44.822729+00:00"},{"id":"c99d6f9c-76a5-4167-8c80-055683f7e202","slug":"omnigen","name":"OmniGen","one_liner":"OmniGen es un sistema unificado de generación de imágenes diseñado para simplificar la complejidad y resolver numerosas tareas visuales con una sola arquitectura. Su transformador autorregresivo trata texto e imágenes como tokens de contexto equivalentes y ofrece una interfaz común para generación desde texto y edición imagen a imagen.","description":"$49","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/VectorSpaceLab/OmniGen.git\ncd OmniGen\npip install -e .\n\n### 4-2. 상세 설치\n\n# 의존성 충돌 방지를 위한 Conda 가상환경 설정\nconda create -n omnigen python=3.10.13 -y\nconda activate omnigen\n\n# CUDA 가속을 적용한 PyTorch 설치 (CUDA 11.8 버전을 예시로 삼음)\npip install torch==2.3.1 torchvision --extra-index-url https://download.pytorch.org/whl/cu118\n\n# OmniGen 레포지토리 다운로드 및 패키지 개발 모드 설치\ngit clone https://github.com/VectorSpaceLab/OmniGen.git\ncd OmniGen\npip install -e .\n\n# 로컬 Gradio 웹 UI 데모 테스트 실행을 위한 종속성 패키지 설치\npip install gradio spaces\npython app.py","bio_use_cases":[],"official_doc_url":"https://omnigen2.net","github_url":"https://github.com/VectorSpaceLab/OmniGen","category":"image_ai","difficulty":"intermediate","tags":["omnigen","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 8GB (NF4/FP8 양자화 가중치 구동 시), 권장 16GB 이상 (Standard FP16/FP32 구동 시)","storage":"모델 가중치 다운로드 및 Hugging Face 캐시 포함 약 15GB 이상"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-08-06T13:15:25.837806+00:00"},{"id":"a4ee24e8-9c00-4548-8d4c-ad67e73ed6cf","slug":"cosyvoice-2","name":"CosyVoice 2","one_liner":"Motor open source de TTS en streaming y clonación de voz basado en deep learning","description":"$4a","install_code":"### 4-1. Quick Start\n\ngit clone --recursive https://github.com/FunAudioLLM/CosyVoice.git\ncd CosyVoice\nconda create -n cosyvoice -y python=3.10 && conda activate cosyvoice\npip install -r requirements.txt\n\n### 4-2. 상세 설치\n\n# 1. 시스템 사운드 종속성 설치 (Ubuntu 기준)\nsudo apt-get install sox libsox-dev -y\n\n# 2. 콘다 환경 생성 및 활성화\nconda create -n cosyvoice -y python=3.10\nconda activate cosyvoice\n\n# 3. pynini 및 WeTextProcessing 종속성 conda 설치\nconda install -y -c conda-forge pynini==2.1.5\n\n# 4. 파이썬 요구 라이브러리 설치\npip install -r requirements.txt\n\n# 5. Hugging Face에서 CosyVoice2 0.5B 프리트레인 모델 다운로드\npython3 -c \"\nfrom huggingface_hub import snapshot_download\nsnapshot_download('FunAudioLLM/CosyVoice2-0.5B', local_dir='pretrained_models/CosyVoice2-0.5B')\n\"","bio_use_cases":[],"official_doc_url":"https://github.com/FunAudioLLM/CosyVoice","github_url":"https://github.com/FunAudioLLM/CosyVoice","category":"audio_ai","difficulty":"intermediate","tags":["cosyvoice","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU VRAM 8GB 이상 권장 (RTX 3060/4060급 이상 실시간 스트리밍), CPU 단독 실행 시 지연 대폭 증가","storage":"모델 및 종속 패키지 포함 최소 5GB 여유 공간 (CosyVoice2-0.5B 모델 파일 약 1GB)"},"translations":null,"published_at":null,"updated_at":"2026-09-10T20:18:21.920394+00:00","created_at":"2026-08-05T13:07:04.850083+00:00"},{"id":"481949c7-0875-4bd3-a0fa-c4695a4f2092","slug":"gemini-35-live-translate","name":"Gemini 3.5 Live Translate","one_liner":"Modelo de traducción de voz a voz casi en tiempo real de Google, publicado el 9 de junio de 2026. Detecta automáticamente el idioma y genera voz traducida de forma continua en más de 70 idiomas y 2.000 combinaciones lingüísticas, conservando entonación, ritmo y tono.","description":"$4b","install_code":"### 4-1. Quick Start\n\n공식 설치 명령과 SDK 패키지명이 제공된 Discovery 정보에서 확인되지 않아 작성하지 않음.\n\n### 4-2. 상세 설치\n\n공식 API 문서, 인증 방식, 지원 플랫폼과 사용 권한을 확인한 뒤 추가해야 한다. 검증되지 않은 패키지명이나 임의의 설치 명령은 포함하지 않았다.","bio_use_cases":[{"icon":"🔬","title":"{\"icon\"","scenario":"\"🧬\",\"title\":\"다국적 생명과학 공동연구 회의 통역\",\"scenario\":\"70개 이상 언어의 자동 감지와 2,000개 이상 언어 조합을 활용해 실험 결과 토론을 근실시간 중계한다. 회의 녹취·번역문과 원본 음성을 함께 보존하고 연구자가 고유명사와 수치를 대조해 후속 분석의 전달 오류를 줄인다.\"}"},{"icon":"🧬","title":"{\"icon\"","scenario":"\"🩺\",\"title\":\"다언어 환자 인터뷰 보조\",\"scenario\":\"연속 스트리밍 번역으로 발화 종료 전부터 대화 흐름을 지원하고 화자의 억양·속도·음높이를 번역 음성에 반영한다. 전문 통역과 원문 검증을 병행해 증상 설명을 구조화된 연구 기록으로 전환하되 임상 판단에는 단독 사용하지 않는다.\"}"},{"icon":"💊","title":"{\"icon\"","scenario":"\"🌍\",\"title\":\"소음 환경의 국제 현장조사\",\"scenario\":\"소음 환경 지원 기능을 이용해 역학조사나 생태 현장의 다언어 인터뷰를 보조한다. 원본 녹음, 번역 결과, 조사자 검수본을 연결해 데이터셋을 구성하고 용어·숫자 오류를 검토한 뒤 정성 분석에 활용한다.\"}"}],"official_doc_url":"https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-live-3-5-translate/","github_url":null,"category":"audio_ai","difficulty":"beginner","tags":["gemini","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"확인 필요","storage":"확인 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:17:53.825234+00:00","created_at":"2026-08-04T13:33:42.762049+00:00"},{"id":"16dbaf3f-e0f1-448f-81ca-cd9cba2bd736","slug":"openrag-04","name":"OpenRAG 0.4","one_liner":"Paquete RAG autoalojado que combina Docling, OpenSearch y Langflow para integrar documentos, búsqueda y agentes.","description":"$4c","install_code":"### 4-1. Quick Start\n\n공식 설치 명령을 제공된 Discovery 정보에서 확인할 수 없어 기재하지 않는다. GitHub README의 OpenRAG 0.4 설치 절차를 재확인해야 한다.\n\n### 4-2. 상세 설치\n\n지원되는 설치 방식, 필수 서비스, 환경변수, OpenSearch 및 Langflow 구성 절차는 공식 저장소 문서 확인이 필요하다. 검증되지 않은 명령은 실행 오류나 버전 불일치를 유발할 수 있으므로 임의로 작성하지 않는다.","bio_use_cases":[{"icon":"🔬","title":"문헌 근거 검색**","scenario":"Docling으로 논문 PDF의 본문과 표 구조를 추출하고 OpenSearch에 색인한 뒤 Langflow RAG 흐름으로 전달해, 실험 조건이나 분석법에 대한 답변과 근거 문서를 함께 검토한다. 분할 크기·검색 결과 수·정확도는 공식 설정 문서 확인이 필요하다."},{"icon":"🧬","title":"SOP 및 품질 문서 탐색**","scenario":"실험 SOP, 분석 양식과 보고서를 수집하고 OpenSearch의 벡터·시맨틱 검색으로 관련 절차를 찾은 뒤 Langflow에서 요약 및 사람 검토 단계로 연결한다. 접근 제어와 감사 로그 지원 여부는 도입 전에 별도 검증한다."},{"icon":"💊","title":"연구 보고서 비교 워크플로우**","scenario":"여러 시점의 연구 보고서를 Docling으로 구조화하고 OpenSearch에서 관련 구간을 검색한 다음 Langflow 에이전트가 조건·결과 차이를 정리하도록 구성한다. 지원 모델, 검색 파라미터와 정량 성능은 공식 자료 확인 후 설정한다."}],"official_doc_url":"https://www.openr.ag/","github_url":"https://github.com/langflow-ai/openrag","category":"rag","difficulty":"beginner","tags":["openrag","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"`{\"ram\":\"공식 최소·권장 사양 확인 필요\",\"vram\":\"사용하는 임베딩·생성 모델 및 배포 방식에 따라 달라짐; 공식 사양 확인 필요\",\"storage\":\"원문 문서와 OpenSearch 인덱스 규모에 따라 달라짐; 공식 사양 확인 필요\"}`","storage":"문서량과 OpenSearch 인덱스 규모에 따라 달라짐; 공식 권장 용량 확인 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:32:48.115026+00:00","created_at":"2026-08-02T12:03:13.800696+00:00"},{"id":"bfff96af-45b2-45a3-9949-bb63dae41624","slug":"nvidia-bionemo-agent-toolkit","name":"NVIDIA BioNeMo Agent Toolkit","one_liner":"Toolkit de agentes de NVIDIA que conecta tareas bioinformáticas especializadas como habilidades invocables","description":"$4d","install_code":"### 4-1. Quick Start\n\n공식 설치 명령은 제공된 Discovery 정보에 포함되지 않아 확인 필요.\n\n### 4-2. 상세 설치\n\nGitHub 저장소의 README 및 공식 문서에서 패키지 설치 방식, 인증 설정, 호스팅된 NIM 연결 방법, 로컬 모델 배포 절차를 확인해야 한다. 검증되지 않은 명령을 방지하기 위해 임의의 설치 명령은 기재하지 않는다.","bio_use_cases":[{"icon":"🔬","title":"`{\"icon\"","scenario":"\"🧬\",\"title\":\"구조 예측에서 도킹까지의 단백질 후보 분석\",\"scenario\":\"표적 단백질 서열 1건을 구조 예측 스킬에 입력하고 생성된 구조를 분자 도킹 스킬로 전달한다. 후보 리간드별 결합 결과와 실행 조건을 함께 보존해 후속 실험 후보 선정에 활용하며, 지원 모델명과 세부 파라미터는 공식 문서에서 확인한다.\"}`"},{"icon":"🧬","title":"`{\"icon\"","scenario":"\"🧪\",\"title\":\"생성 화학과 결합 평가를 연결한 후보 탐색\",\"scenario\":\"생성 화학 스킬로 만든 후보 분자 집합을 도킹 워크플로우에 연결하고 각 후보의 계산 결과를 구조화한다. 에이전트가 생성과 평가 단계를 순차 실행하도록 구성해 신약 탐색의 검토 대상을 좁히며, 처리량과 점수 임계값은 모델별 검증 후 설정한다.\"}`"},{"icon":"💊","title":"`{\"icon\"","scenario":"\"🔬\",\"title\":\"유전체 분석 기반 바이오마커 탐색 조율\",\"scenario\":\"유전체 분석 입력 1개와 연구 질문을 에이전트에 제공하고 등록된 분석 스킬의 결과를 바이오마커 탐색 단계로 전달한다. 단계별 입력·출력과 실행 조건을 기록해 후보 근거를 추적하며, 임상 적용 전에는 독립 검증과 데이터 보안 검토를 수행한다.\"}`"}],"official_doc_url":"https://developer.nvidia.com/industries/healthcare","github_url":"https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit","category":"bio_ai","difficulty":"beginner","tags":["nvidia","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"로컬 모델별 요구사항 확인 필요; 호스팅된 NIM 사용 시 로컬 VRAM 요구 여부는 구성에 따라 달라질 수 있음","storage":"공식 요구사항 확인 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:06:37.334725+00:00","created_at":"2026-08-02T12:03:09.533942+00:00"},{"id":"aabfe35b-7eed-4be1-be53-b0adabd0b4ef","slug":"muse-image","name":"Muse Image","one_liner":"Modelo de generación y edición de imágenes de Meta para composición con múltiples referencias e instrucciones naturales.","description":"$4e","install_code":"### 4-1. Quick Start\n\n공식 설치 명령이 제공된 정보에서 확인되지 않았다. 서비스 접근 경로와 공개 API 또는 SDK 제공 여부를 공식 발표 페이지에서 추가 확인해야 한다.\n\n### 4-2. 상세 설치\n\n로컬 모델, 패키지 저장소, Docker 이미지 및 소스 코드 공개 여부가 확인되지 않아 설치 절차를 기재하지 않는다.","bio_use_cases":[{"icon":"🔬","title":"🔬 연구 콘셉트 시각화","scenario":"ImageJ 또는 CellProfiler에서 검증한 분석 결과와 별도의 참조 이미지를 Muse Image에 조합해 실험 단계 설명용 콘셉트 이미지를 제작한다. 생성물은 정량 분석에서 제외하고 원본 데이터와 명확히 구분해 연구 설계 회의나 교육 자료에 활용한다."},{"icon":"🧬","title":"🧬 작용 기전 커뮤니케이션","scenario":"PyMOL에서 만든 단백질 구조 렌더링과 별도의 세포·조직 참고 이미지를 결합하고, 자연어 지시로 배경 요소를 제거해 후보물질 작용 기전의 시각 초안을 구성한다. 구조 좌표와 결합 수치는 원본 분석 결과만 사용한다."},{"icon":"💊","title":"🧫 실험 워크플로 교육 자료","scenario":"배양, 처리, 이미징, 후속 분석 단계를 나타내는 여러 참조 이미지를 하나의 장면으로 구성하고 불필요한 요소를 제거한다. 생성 이미지는 SOP 원본을 대체하지 않고, 검토를 거친 온보딩 자료와 발표용 도식의 초안으로 사용한다."}],"official_doc_url":"https://ai.meta.com/blog/introducing-muse-image-muse-video-msl/","github_url":null,"category":"image_ai","difficulty":"advanced","tags":["muse","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"로컬 실행 지원 여부와 요구량 확인 필요","storage":"모델 가중치 공개 여부 및 저장공간 요구량 확인 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:42:17.495455+00:00","created_at":"2026-08-02T12:03:04.170117+00:00"},{"id":"8a4de376-ea2a-4405-b7bc-5481fae83a6e","slug":"kokoro-kokoro-82m","name":"Kokoro (Kokoro-82M)","one_liner":"Motor TTS local basado en StyleTTS 2 que ofrece síntesis de voz multilingüe de alta calidad con solo 82M de parámetros","description":"Kokoro-82M은 82M 파라미터의 초경량 구조로 고품질 다국어 음성 합성을 지원하는 StyleTTS 2 기반 로컬 텍스트 음성 변환(TTS) 엔진입니다. 이 모델은 StyleTTS 2 아키텍처의 혁신적인 구조적 이점과 ISTFTNet 보코더(Vocoder) 기술을 결합하여, 기존의 대규모 음성 합성 모델들과 비교해도 손색이 없는 고품질의 자연스러운 오디오를 출력합니다. 82M이라는 극소형 크기 덕분에 무거운 클라우드 인프라나 고성능 GPU 없이도 일반 CPU가 탑재된 모바일 기기나 단말 디바이스에서 실시간을 초과하는 빠른 속도로 동작하는 것이 가장 큰 특징입니다.\n\n기존의 상용 TTS 및 오픈소스 음성 합성 솔루션들은 자연스러운 운율과 억양을 생성하기 위해 수억 개에서 수십억 개의 파라미터를 사용했으며, 이는 필연적으로 높은 연산 비용과 지연 시간(Latency)을 초래했습니다. Kokoro는 마치 무거운 데스크톱 컴퓨터를 원격으로 연결하여 사용하던 클라우드 렌더링 방식을 개별 스마트폰에 최적화된 온디바이스 연산으로 전환한 것과 같은 혁신을 제공합니다. 특히 텍스트 전처리 과정에서 고성능 G2P(Grapheme-to-Phoneme) 변환 라이브러리인 Misaki와의 정밀한 통합을 통해 다국어 환경에서도 음소 매핑 오류를 최소화하고 문맥에 맞는 자연스러운 음소를 신속하게 생성해 냅니다.\n\n바이오 의학 정보학이나 생명공학 연구 환경에서 이 모델은 텍스트 기반의 학술 정보와 복잡한 실험 프로토콜을 즉시 청각 정보로 변환하여 연구 효율을 극대화하는 용도로 활용됩니다. 매일 쏟아지는 PubMed의 최신 초록이나 대규모 유전체 분석 보고서를 연구원들이 이동 중에도 쉽게 청취할 수 있는 다국어 학술 오디오북 파이프라인으로 구성할 수 있습니다. 또한, 화학 물질이나 병원체를 다루는 실험실 내부에서 연구원이 장갑을 벗거나 화면을 직접 보지 않고도 센서 수치나 분석 진행 상태를 음성으로 안내받을 수 있어 안전하고 효율적인 무선 보조 연구 환경을 실현합니다.","install_code":"### 4-1. Quick Start\n\npip install kokoro>=0.9.4 soundfile\n\n### 4-2. 상세 설치\n\n# espeak-ng 설치 (영어 외 다국어 및 OOD 처리를 위한 음소 변환용 필수 라이브러리)\n# Ubuntu/Linux 환경:\nsudo apt-get install espeak-ng\n\n# macOS 환경:\nbrew install espeak-ng\n\n# Python 패키지 설치\npip install kokoro>=0.9.4 soundfile\n\n# 기본 실행 예시\nfrom kokoro import KPipeline\nimport soundfile as sf\n\n# 'a' (American English) 파이프라인 생성\npipeline = KPipeline(lang_code='a')\n\n# 텍스트 음성 합성 생성기 인스턴스화\ntext = \"Hello, this is Kokoro-82M running locally.\"\ngenerator = pipeline(text, voice='af_heart')\n\n# 생성된 오디오 세그먼트를 24kHz 웨이브 파일로 저장\nfor i, (gs, ps, audio) in enumerate(generator):\n sf.write(f'{i}.wav', audio, 24000)","bio_use_cases":[],"official_doc_url":"https://huggingface.co/hexgrad/Kokoro-82M","github_url":"https://github.com/hexgrad/kokoro","category":"audio_ai","difficulty":"beginner","tags":["kokoro","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 구동 가능) / NVIDIA GPU 4GB+ 또는 Apple Silicon 통합 메모리 권장 (실시간 고속 추론 및 배치 작업 시)","storage":"모델 가중치 파일 약 340MB, 전체 패키지 설치 시 1GB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-08T01:07:16.870456+00:00","created_at":"2026-07-30T11:40:47.7341+00:00"},{"id":"dff35cfe-baae-4ad9-aae4-af0c82cc807c","slug":"openhands","name":"OpenHands","one_liner":"Agente de IA open source que ejecuta autónomamente todo el ciclo de vida de ingeniería de software","description":"$4f","install_code":"### 4-1. Quick Start\n\n# Docker 샌드박스를 사용한 기본 구동 명령어 (macOS / Linux)\nexport PROJECTS_PATH=\"$HOME/projects\"\nmkdir -p \"$PROJECTS_PATH\" \"$HOME/.openhands\"\ndocker run -it --rm \\\n -p 8000:8000 \\\n -v \"$HOME/.openhands:/home/openhands/.openhands\" \\\n -v \"${PROJECTS_PATH}:/projects\" \\\n ghcr.io/openhands/agent-canvas:1.6.1\n\n### 4-2. 상세 설치\n\n# 1. npm을 사용한 글로벌 CLI/UI 패키지 설치\nnpm install -g @openhands/agent-canvas agent-canvas\n\n# 2. OpenHands 실행 (자동으로 로컬 스택 시작)\nagent-canvas\n\n# 3. 소스코드 빌드 및 개발 모드 구동 (개발자용)\ngit clone https://github.com/OpenHands/agent-canvas.git\ncd agent-canvas\nnpm install\nnpm run dev","bio_use_cases":[{"icon":"🔬","title":"🧬 CRISPR 유전자 가이드 RNA 설계 웹 UI 구축**","scenario":"OpenHands와 Claude 3.5 Sonnet을 연동하여 연구실 내부용 gRNA 효율성 예측 웹 도구(Python Dash)를 Docker 컨테이너 내에서 5분 만에 자동 설계 및 테스트 완료 후 프로덕션 배포 파이프라인 연계."},{"icon":"🧬","title":"📊 NCBI 유전자 발현 데이터 전처리 파이프라인 자율 구축**","scenario":"OpenHands가 Biopython 및 Pandas 패키지를 사용해 NCBI Gene Expression Omnibus (GEO) 데이터를 다운로드하고 이상치를 보정하는 정규화 스크립트를 작성하여 10개 암 조직 시료의 발현 매트릭스를 자동 정제."},{"icon":"💊","title":"🧪 NGS 시퀀싱 로그 파서 및 자동 디버깅**","scenario":"Nextflow 파이프라인의 에러 로그(traceback)를 입력받은 OpenHands가 오류를 발생시킨 Python 스크립트의 구문 및 모듈 버전을 ACI를 통해 도커 환경에서 즉시 감지하여 수정 후 전체 파이프라인 자율 복구."}],"official_doc_url":"https://openhands.dev","github_url":"https://github.com/OpenHands/OpenHands","category":"coding","difficulty":"advanced","tags":["openhands","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (원격 API 모델 사용 시 로컬 VRAM 요구 없음, 로컬 LLM 직접 구동 시 최소 16GB 권장)","storage":"Docker 이미지 및 로컬 가상 환경 구축을 위해 최소 10GB 이상의 여유 공간 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:27:24.825125+00:00","created_at":"2026-07-29T11:50:18.146466+00:00"},{"id":"672482be-a4c3-41e8-8c2b-adaa719c375a","slug":"rig","name":"Rig","one_liner":"Framework de alto rendimiento basado en Rust para desarrollar IA agéntica y canalizaciones RAG, lanzado por 0xPlaygrounds en octubre de 2024.","description":"0xPlaygrounds가 2024년 10월에 출시한 Rig은 Rust 언어 기반의 고성능 에이전틱(Agentic) AI 및 RAG 파이프라인 개발 프레임워크입니다. Python 기반의 LangChain이 AI 개발 프로세스를 지원하는 거대하지만 무거운 엔진이라면, Rig은 속도와 정밀함이 타협할 수 없는 가치인 프로덕션 환경에 최적화된 고성능 레이싱 머신입니다. 이 프레임워크는 Rust의 비동기(Asynchronous runtime) 모델과 강력한 정적 타입 시스템을 핵심 설계 원칙으로 삼아, 복잡한 인공지능 워크플로우를 타입 안전성(Type safety)을 유지하며 구축할 수 있도록 지원합니다.\n\n기존의 Python 기반 AI 에이전트 도구들은 대규모 동시 요청(Concurrency) 처리나 마이크로서비스 배포 단계에서 대량의 메모리를 소모하고, 런타임 환경에서 예측하기 힘든 타입 매칭 오류를 야기하는 한계가 있었습니다. Rig은 컴파일 단계에서 에이전트의 도구 호출(Tool calling) 규격과 데이터 스키마를 타입 수준에서 완전히 검증하여 이러한 불안정성을 원천적으로 제거합니다. 또한 단일 스레드 내에서 수천 개의 비동기 태스크를 가볍게 스케줄링할 수 있어, 지연 시간(Latency) 최소화가 필수적인 서비스에서 자원을 극도로 절약합니다.\n\n생명공학 분야에서 Rig은 대규모 유전체 변이 주석(Genomic variant annotation) 데이터나 단백질 상동성 검색 결과를 신속히 취합하여 보고서를 구성하는 RAG 인프라의 핵심 엔진으로 활용될 수 있습니다. 유전체 데이터베이스나 Foldseek API 등에서 도출한 복잡한 구조 정보를 정형화된 Rust 구조체로 바인딩하여 LLM에 안전하게 공급할 수 있습니다. 단일 바이너리로 컴파일되어 웹 브라우저의 WASM 모듈이나 경량 클라우드 인프라에 간편하게 배포되므로 연구실 단위의 독립적인 분산 연산 환경을 매우 경제적이고 견고하게 구축할 수 있게 돕습니다.","install_code":"### 4-1. Quick Start\n\ncargo add rig-core\n\n### 4-2. 상세 설치\n\nCargo.toml 파일에 의존성을 추가합니다:\n\n[dependencies]\nrig-core = \"0.4.0\"\ntokio = { version = \"1.0\", features = [\"full\"] }\n\n가장 기본적인 API 에이전트 작동 예제 코드입니다:\n\nuse rig::providers::openai;\nuse rig::completion::Prompt;\n\n#[tokio::main]\nasync fn main() -> Result<(), Box> {\n let client = openai::Client::from_env()?;\n let agent = client.agent(\"gpt-4o\")\n .preamble(\"You are a genomic analysis helper.\")\n .build();\n let response = agent.prompt(\"Explain the structural variation of EGFR exon 19 deletion.\").await?;\n println!(\"{}\", response);\n Ok(())\n}","bio_use_cases":[],"official_doc_url":"https://rig.rs","github_url":"https://github.com/0xPlaygrounds/rig","category":"coding","difficulty":"beginner","tags":["rig","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 및 클라우드 API 기본), 로컬 LLM/임베딩 모델 구동 시 8GB+ 권장","storage":"바이너리 크기 ~20MB 내외, 전체 종속성 컴파일 공간 1GB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-05T19:01:10.088433+00:00","created_at":"2026-07-27T11:45:55.533481+00:00"},{"id":"a6ca55a7-ae23-4be9-8448-fa5e21e4b6d6","slug":"smolagents","name":"smolagents","one_liner":"Framework de agentes autónomos code-first de Hugging Face que escribe y ejecuta código Python","description":"$50","install_code":"### 4-1. Quick Start\n\n```bash\npip install smolagents\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 가상환경 생성 및 활성화\npython -m venv venv\nsource venv/bin/activate\n\n# smolagents 기본 패키지 설치\npip install smolagents\n\n# 웹 검색 도구 등 추가 툴킷 포함 설치 시\npip install \"smolagents[toolkit]\"\n```","bio_use_cases":[{"icon":"🔬","title":"🧬 Biopython 연동 유전자 서열 분석 자동화**","scenario":"smolagents CodeAgent와 HfApiModel(Llama-3-70B-Instruct)을 조합하여 Entrez API로 FASTA 서열 20개를 다운로드하고 Biopython pairwise2로 서열 유사도를 3초 내에 자동 정렬 및 점수 도출 후 유의성 리포트 자동 작성."},{"icon":"🧬","title":"📊 RNA-Seq 유전자 발현량 통계 분석 및 시각화**","scenario":"CodeAgent에 DuckDuckGoSearchTool과 pandas 분석 도구를 장착하여 500개 유전자의 RNA-seq 발현 데이터 CSV 파일을 입력받고, FDR < 0.05 필터링 및 fold change 분석용 화산 플롯을 matplotlib으로 2초 내에 생성하여 바이오마커 발굴 단축."},{"icon":"💊","title":"📚 PubMed 문헌 기반 신약 타깃 스크리닝**","scenario":"LiteLLM으로 Anthropic Claude 3.5 Sonnet 모델과 연동된 CodeAgent가 PubMed API를 탐색하여 특정 암종 단백질 리간드 결합 관련 최신 논문 50건을 요약하고, 관련성 점수 8.0 이상 후보 물질 5개를 Qdrant 벡터 DB에 인덱싱하여 신약 탐색 기간 단축."}],"official_doc_url":"https://huggingface.co/blog/smolagents","github_url":"https://github.com/huggingface/smolagents","category":"coding","difficulty":"beginner","tags":["smolagents","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"CPU 단독 실행 가능 (로컬 LLM 구동 시 VRAM 8GB~24GB+ 권장)","storage":"약 500MB 이내 (의존성 패키지 및 라이브러리 용량, 로컬 LLM 제외)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:38.894604+00:00","created_at":"2026-07-26T13:20:53.259309+00:00"},{"id":"a76af643-9321-46ff-82c2-8187cb3fb2a5","slug":"browser-use","name":"browser-use","one_liner":"Framework de agente open source que combina LLM/VLM con Playwright para controlar navegadores de forma autónoma","description":"$51","install_code":"### 4-1. Quick Start\n\n```bash\npip install browser-use\n```\n\n### 4-2. 상세 설치\n\n```bash\n# uv 패키지 매니저 사용 시\nuv add browser-use\n\n# Playwright 브라우저 바이너리 설치\nplaywright install\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 웹 기반 생물학 DB 자율 탐색 및 메타데이터 자동 수집**","scenario":"NCBI PubMed, UniProt, ClinicalTrials.gov 등 API 한계가 있는 생물의학 데이터베이스에 접속하여 타겟 유전자 변이 및 임상 3상 연구 데이터를 자연어 지시로 수집하고 Pandas DataFrame 형식으로 정제."},{"icon":"🧬","title":"🧪 바이오텍 시약 및 용품 가격·재고 실시간 모니터링**","scenario":"폼 로그인 및 복잡한 웹 세션 작성이 필요한 시약 공급사 플랫폼에 자동으로 로그인한 뒤, 수백 종의 항체 및 시약 가격·재고 상태를 일주일 단위로 자동 추적."},{"icon":"💊","title":"📊 학술 논문 보충 자료(Supplementary Data) 자동 추출 파이프라인**","scenario":"주요 학술지 웹사이트의 동적 PDF 링크 및 엑셀 첨부파일을 자율적으로 클릭 및 다운로드하여 내부 RAG(Retrieval-Augmented Generation) 시스템으로 자동 전달."}],"official_doc_url":"https://browser-use.com","github_url":"https://github.com/browser-use/browser-use","category":"workflow","difficulty":"beginner","tags":["browser","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0GB (클라우드 API 사용 시) / 로컬 비전 모델(Ollama Llama-3.2-Vision 등) 구동 시 NVIDIA VRAM 8GB~12GB+","storage":"패키지 및 Playwright Chromium 바이너리 포함 약 1~2GB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:01:51.61384+00:00","created_at":"2026-07-21T13:13:27.512586+00:00"},{"id":"5dd59577-0bfd-44bd-9c23-a14aae46969a","slug":"code-review-graph","name":"code-review-graph","one_liner":"Motor local de grafos de inteligencia de código que extrae relaciones de llamadas y dependencias para revisiones precisas.","description":"$52","install_code":"### 4-1. Quick Start\n\npip install code-review-graph\ncode-review-graph index ./\n\n### 4-2. 상세 설치\n\n# Repository 클론 및 전역 CLI/MCP 서빙 설치\ngit clone https://github.com/tirth8205/code-review-graph.git\ncd code-review-graph\npip install -e .\n\n# Claude Code / Cursor MCP 설정 예시 (mcp.json)\n# {\n# \"mcpServers\": {\n# \"code-review-graph\": {\n# \"command\": \"code-review-graph\",\n# \"args\": [\"mcp\", \"--db\", \"./.code-graph.sqlite\"]\n# }\n# }\n# }\n\n# Git hook 등록 (커밋 시 자동 증분 인덱싱)\ncode-review-graph hooks install","bio_use_cases":[{"icon":"🔬","title":"유전체 분석 파이프라인 모노레포 영향도 분석**","scenario":"수십 개의 오믹스 분석 스크립트와 C++ C-extension 모듈이 포함된 대규모 파이프라인 프로젝트에서, 특정 입출력 파서 수정 시 그래프 관계 조회를 통해 영향받는 상위 분석 모듈만 정밀 추출하여 토큰 소모 없이 영향도 평가 실행."},{"icon":"🧬","title":"AI 기반 Automated Pull Request 검토**","scenario":"GitHub Actions 파이프라인 내에서 `code-review-graph diff` 명령을 실행해 변경된 코드 노드와 직접 연관된 최소한의 호출 그래프 정보만 MCP로 Claude 에이전트에 전달함으로써, 토큰 비효율 극복 및 리뷰 정확도 대폭 향상."},{"icon":"💊","title":"레거시 생물정보학 코드베이스 온보딩**","scenario":"구조화되지 않은 대형 레거시 파이프라인 프로젝트의 함수 간 호출 흐름을 SQLite 지식 그래프로 변환하고, 신규 개발자 및 AI 에이전트가 특정 메인 함수의 동작 경로를 명확하게 가시화하여 탐색."}],"official_doc_url":"https://github.com/tirth8205/code-review-graph","github_url":"https://github.com/tirth8205/code-review-graph","category":"coding","difficulty":"intermediate","tags":["code","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 동작)","storage":"인덱스당 50MB - 500MB (프로젝트 크기에 따라 SQLite 디스크 용량 가변)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:24:18.903503+00:00","created_at":"2026-07-21T11:52:52.385885+00:00"},{"id":"b2f37678-87eb-477d-bb58-17930dfb4374","slug":"strix","name":"Strix","one_liner":"Plataforma automatizada de pentesting que explora y verifica dinámicamente vulnerabilidades de aplicaciones web y API mediante agentes gráficos autónomos basados en LLM","description":"UseStrix 팀이 2026년 7월에 공개한 Strix는 거대 언어 모델(LLM) 기반의 그래프 자율 에이전트를 활용하여 웹 애플리케이션 및 API의 보안 취약점을 동적으로 탐색하고 검증하는 모의 침투 테스트 자동화 플랫폼입니다. 숙련된 보안 분석가가 웹 트래픽을 인터셉트하고 로직을 추론하며 오탐을 줄여나가는 과정을 모사하도록 설계되었습니다. 전문 해커가 수동으로 웹 애플리케이션의 엔드포인트를 탐색하고 페이로드를 테스트하듯, Strix는 내장된 HTTP 프록시와 브라우저 자동화 도구 및 Python 런타임을 자율적으로 제어하며 애플리케이션 전반의 보안 노출면을 분석합니다.\n\n기존의 정적 코드 분석(SAST)이나 단순 규칙 기반 동적 스캐너(DAST)는 수많은 허위 경보(False Positive)를 발생시켜 개발 및 보안 팀에 상당한 검증 피로를 유발하는 한계가 있었습니다. Strix는 자율 에이전트 아키텍처(Autonomous Agent Architecture)를 바탕으로 실제 실행 가능한 검증 증명(Proof-of-Concept) 생성을 최우선 목표로 삼아 차별화를 이룹니다. 단순히 취약할 가능성이 있는 패턴을 나열하는 데 그치지 않고, 격리된 컨테이너 환경에서 실제 페이로드를 전송하여 취약점 재현 여부를 최종 확정함으로써 오탐율을 획기적으로 낮춥니다.\n\n생명공학 연구소나 바이오 데이터 플랫폼 개발 환경에서는 다수의 REST API, OAuth 기반 로그인, FHIR 표준 의료 데이터 처리 엔드포인트가 복잡하게 얽혀 있어 전통적 스캐너로 보안성을 완벽히 평가하기 어렵습니다. Strix를 CI/CD 파이프라인에 연동하면 새롭게 빌드된 데이터 API 서버(REST/GraphQL)를 대상으로 인증 우회, XSS, SQL Injection 등의 위험 요소를 자동으로 검증할 수 있습니다. 100여 개의 API 엔드포인트를 대상으로 한 자동 검증 프로세스에서 실제 익스플로잇 증명 코드를 수 분 내로 생성해 냄으로써 연구 데이터의 외부 유출 위험을 선제적으로 차단하고 개발 생산성을 높입니다.","install_code":"### 4-1. Quick Start\n\npipx install strix-agent\n\n### 4-2. 상세 설치\n\n# GitHub 소스 코드 클론 및 의존성 설치\ngit clone https://github.com/usestrix/strix.git\ncd strix\npip install -e .\n\n# Docker를 이용한 격리 실행\ndocker build -t strix:latest .\ndocker run --rm -it strix:latest --target https://target-app.internal","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"REST/GraphQL API 개발 파이프라인에서 CI/CD 빌드 시 자율 동적 보안 검증을 수행하여 오탐 없는 검증 증명 레포트 자동 수집"},{"icon":"🧬","title":"사례 2","scenario":"OAuth2 및 JWT 기반 사용자 인증/인가 로직에 대한 에이전트 기반 권한 우회 시나리오 탐색 및 선제적 결함 보완"},{"icon":"💊","title":"사례 3","scenario":"사내 웹 파이프라인 및 백오피스 시스템의 외부 노출면을 정기적으로 자율 스캐닝하여 갱신된 취약점 데이터베이스 구축"}],"official_doc_url":"https://github.com/usestrix/strix","github_url":"https://github.com/usestrix/strix","category":"workflow","difficulty":"advanced","tags":["strix","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0GB (Cloud LLM API 사용 시), 로컬 LLM 연동 시 NVIDIA GPU 12GB+ 권장","storage":"약 1GB (Docker 이미지 및 의존성 패키지 포함)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:22:23.863985+00:00","created_at":"2026-07-21T11:47:56.480895+00:00"},{"id":"91bf5d79-0c42-4762-90e0-ac7d4cca2fa7","slug":"step-audio-editx","name":"Step-Audio-EditX","one_liner":"Modelo de edición y generación de audio de 3B parámetros con RL, basado en tokenizer de doble código y decoder de flow matching","description":"$53","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/stepfun-ai/Step-Audio-EditX.git\ncd Step-Audio-EditX\npip install -r requirements.txt\n\n### 4-2. 상세 설치\n\n# 1. Conda 가상환경 생성 및 활성화\nconda create -n stepaudioedit python=3.10 -y\nconda activate stepaudioedit\n\n# 2. 필수 라이브러리 및 Step-Audio-EditX 패키지 설치\ngit clone https://github.com/stepfun-ai/Step-Audio-EditX.git\ncd Step-Audio-EditX\npip install -r requirements.txt\n\n# 3. Hugging Face CLI를 통한 모델 가중치 다운로드\npip install huggingface_hub\nhuggingface-cli download stepfun-ai/Step-Audio-EditX --local-dir ./checkpoints/Step-Audio-EditX\nhuggingface-cli download stepfun-ai/Step-Audio-Tokenizer --local-dir ./checkpoints/Step-Audio-Tokenizer\n\n# 4. 기본 파이썬 추론 스크립트 실행 예시\npython infer.py --model_path ./checkpoints/Step-Audio-EditX --prompt_audio input.wav --text \"수정할 텍스트 프롬프트\"","bio_use_cases":[{"icon":"🔬","title":"디지털 헬스케어 및 음성 바이오마커 연구**","scenario":"피험자의 발성 데이터에서 감정 상태나 준언어적 특성(호흡, 떨림, 목다듬기 등)을 정밀 제어하여 호흡기 및 신경계 질환 진단용 가상 자극 음성 데이터셋을 합성하고 후속 음성 바이오마커 파이프라인에 공급합니다."},{"icon":"🧬","title":"임상 훈련용 다감정 가상 환자 시나리오 구축**","scenario":"의료진 대화 훈련 튜토리얼에서 환자의 다양한 감정 톤(불안, 분노, 슬픔 등)과 생리적 반사 음성을 3초 참조 오디오 기반 Zero-Shot 복제로 실시간 생성하여 인터랙티브 대화 시뮬레이터로 활용합니다."},{"icon":"💊","title":"의학 연구 보이스오버 및 학술 콘텐츠 자동화**","scenario":"복잡한 의학 용어 및 논문 해설 오디오 생성 시, 발음의 명확도와 특정 강조 지점의 감정 어조를 미세 수정하여 연구 및 교육용 오디오 브리핑을 맞춤형으로 제작합니다."}],"official_doc_url":"https://github.com/stepfun-ai/Step-Audio-EditX","github_url":"https://github.com/stepfun-ai/Step-Audio-EditX","category":"audio_ai","difficulty":"intermediate","tags":["step","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 NVIDIA GPU 12GB (FP16/BF16 추론 시), 권장 24GB+ (RTX 3090/4090 이상 또는 엔터프라이즈 GPU)","storage":"모델 가중치 ~6GB (EditX 3B + Tokenizer), 전체 구성요소 및 캐시 포함 15GB 이상"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:30:03.723069+00:00","created_at":"2026-07-21T11:46:20.96761+00:00"},{"id":"2eacb542-995b-4a32-a275-ef6b5cd484cd","slug":"dayhoff","name":"Dayhoff","one_liner":"Framework bioinformático autónomo multiagente para biología computacional y salud pública.","description":"$54","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/Humanitariansai/Dayhoff.git && cd Dayhoff && pip install -r requirements.txt\n\n### 4-2. 상세 설치\n\n# 1. 저장소 클론 및 이동\ngit clone https://github.com/Humanitariansai/Dayhoff.git\ncd Dayhoff\n\n# 2. 파이썬 가상환경 생성 및 활성화\npython3 -m venv venv\nsource venv/bin/activate # Windows: venv\\Scripts\\activate\n\n# 3. 의존성 패키지 설치\npip install --upgrade pip\npip install -r requirements.txt\n\n# 4. 프레임워크 초기화 및 에이전트 구동 테스트\npython3 -m core.orchestrator --check-agents","bio_use_cases":[{"icon":"🔬","title":"표면 증강 라만 분광학(SERS) 기반 하수 역학 감시**","scenario":"도시 하수 처리장 스펙트럼 데이터를 RAMAN Effect 에이전트로 실시간 디코딩하여 병원체 변이 조기 탐지 및 확산 추적"},{"icon":"🧬","title":"AI 기반 신규 단백질 및 변이체 역설계**","scenario":"PredictaBio 모듈을 연동하여 특정 항원에 결합하는 맞춤형 단백질 구조를 Generative AI로 자동 생성 및 접힘 안정성 최적화"},{"icon":"💊","title":"자율형 다중 에이전트 생물정보학 데이터 파이프라인**","scenario":"유전체 빅데이터 스크리닝, 임상 문헌 데이터 합성, 생물통계 검정을 다중 에이전트 오케스트레이션으로 자동 수행"}],"official_doc_url":"https://humanitarians.ai","github_url":"https://github.com/Humanitariansai/Dayhoff","category":"bio_ai","difficulty":"intermediate","tags":["dayhoff","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"8GB+ 권장 (PredictaBio 단백질 구조 생성 및 라만 분광 CNN/Transformer 추론 시. CPU 모드 가능하나 속도 저하)","storage":"최소 10GB (에이전트 프레임워크 2GB, 모듈형 딥러닝 모델 및 세트 포함 8GB+)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:29:14.160548+00:00","created_at":"2026-07-21T11:31:58.514547+00:00"},{"id":"75adc56d-1c2d-4a37-8f2a-970ac66a620b","slug":"kokoro-82m","name":"Kokoro-82M","one_liner":"Modelo TTS open-weight ultraligero de 82 millones de parámetros para audio de alta calidad","description":"$55","install_code":"### 4-1. Quick Start\n\npip install kokoro soundfile torch\n\n### 4-2. 상세 설치\n\n# 음소화 처리를 위한 필수 시스템 의존성 설치 (espeak-ng)\n# Ubuntu/Debian:\nsudo apt-get update && sudo apt-get install -y espeak-ng\n\n# macOS:\nbrew install espeak-ng\n\n# Python 패키지 설치\npip install kokoro soundfile torch\n\n# 기본 사용 예시 (Python)\nfrom kokoro import KPipeline\nimport soundfile as sf\n\n# 미국 영어(a) 파이프라인 초기화\npipeline = KPipeline(lang_code='a')\n\n# 음성 합성 실행\ntext = \"Kokoro is an open-weight 82M text-to-speech model.\"\ngenerator = pipeline(text, voice='af_heart', speed=1.0)\n\nfor i, (gs, ps, audio) in enumerate(generator):\n sf.write(f'output_{i}.wav', audio, 24000)\n print(f\"Generated output_{i}.wav\")","bio_use_cases":[{"icon":"🔬","title":"학술 논문 및 실험 프로토콜 음성 브리핑 시스템**","scenario":"PubMed API나 bioRxiv에서 수집한 논문 요약문 또는 오프라인 프로토콜 문서를 24kHz 고품질 음성 파이프라인으로 즉시 합성하여 이동 중 오디오 브리핑 제공."},{"icon":"🧬","title":"연구실 실시간 모니터링 알림 보조원**","scenario":"바이오 샘플링 장비나 실시간 자동 분석 파이프라인의 진행 상태 및 에러 이벤트를 저지연(Low-latency) 음성 피드백으로 알려주는 엣지 전용 모니터링 에이전트 구축."},{"icon":"💊","title":"다국어 학술 발표 및 교육용 콘텐츠 오디오 자동 생성**","scenario":"작성된 영어/일본어/중국어 학술 발표 원고를 54개 다채로운 음성 톤으로 자동 변환하여 글로벌 발표 및 교육용 멀티모달 스크립트에 탑재."}],"official_doc_url":"https://huggingface.co/hexgrad/Kokoro-82M","github_url":"https://github.com/hexgrad/kokoro","category":"audio_ai","difficulty":"beginner","tags":["kokoro","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 가능) / NVIDIA GPU 사용 시 2GB+ 권장 (VRAM 2GB 미만 디바이스에서도 동작)","storage":"모델 가중치 약 330MB, 전체 파이썬 환경 패키지 1GB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:53:36.188553+00:00","created_at":"2026-07-20T11:40:11.254322+00:00"},{"id":"d2daff18-5db2-4d76-b7bb-d4d41a5ce81f","slug":"pi","name":"Pi","one_liner":"Entorno de ejecución de agente de codificación ultraligero para terminal","description":"$56","install_code":"### 4-1. Quick Start\n\nnpm install -g --ignore-scripts @earendil-works/pi-coding-agent\nexport ANTHROPIC_API_KEY=sk-ant-...\npi\n\n### 4-2. 상세 설치\n\n# 대안 설치 스크립트 이용\ncurl -fsSL https://pi.dev/install.sh | sh\n\n# 대화형 로그인 설정\npi\n/login\n\n---","bio_use_cases":[],"official_doc_url":"https://pi.dev","github_url":"https://github.com/earendil-works/pi","category":"coding","difficulty":"beginner","tags":["pi","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"0 (API 모드) / 로컬 LLM 구동 시 NVIDIA GPU 8GB+ 권장\",","storage":"\"기본 패키지 1GB 이내 (로컬 모델 구동 시 5GB~50GB 별도)\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-19T11:48:15.891539+00:00"},{"id":"ace4f9db-fa62-47f1-ae64-93ad2c93863c","slug":"leann","name":"LEANN","one_liner":"Tecnología ultraligera de indexación vectorial RAG en el dispositivo, desarrollada por StarTrail-org con investigadores de Sky Computing Lab de UC Berkeley","description":"LEANN은 UC Berkeley의 Sky Computing Lab 연구진이 주도하는 StarTrail-org에서 개발한 초경량 온디바이스(On-device) RAG(Retrieval-Augmented Generation) 전용 벡터 인덱싱 기술입니다. 기존의 벡터 데이터베이스가 수많은 문서 청크의 고차원 밀집 벡터(Dense vector)를 디스크에 영구 저장함으로써 원본 데이터보다 더 큰 저장 공간을 요구했던 문제를 해결하기 위해, LEANN은 그래프 구조만 유지하고 임베딩 자체는 검색 시점에만 실시간으로 '선택적 재연산(Selective Recomputation)'하는 아키텍처를 도입했습니다.\n\n핵심 동작 방식은 마치 지도 앱이 전 세계 모든 골목길의 3D 위성 사진을 디스크에 보관하는 대신 주요 도로망의 뼈대(그래프)만 기억하고 있다가, 사용자가 특정 경로를 탐색할 때 필요한 구간만 실시간으로 렌더링하는 것과 유사합니다. LEANN은 근접 그래프에서 탐색 허브 역할을 하는 주요 노드들을 보존하는 '높은 중요도 노드 중심 프루닝(High-degree Preserving Pruning)'을 적용하여 그래프 자체의 엣지를 대폭 정리하고, 이를 CSR(Compressed Sparse Row) 포맷으로 압축해 저장 공간을 최대 97%까지 획기적으로 줄입니다.\n\n이러한 효율성은 개인정보 보호가 최우선이거나 네트워크 연결이 제한된 오프라인 환경의 노트북 등 개인용 하드웨어에서도 수백만 개의 문서를 대상으로 고성능 RAG를 실행할 수 있게 해줍니다. 그래프 순회 중에 필요한 노드들만 동적 배치(Dynamic Batching)를 통해 하드웨어 가속기에서 순간적으로 임베딩을 재계산하므로, 외부 서버에 데이터를 전송하지 않는 100% 프라이빗 시맨틱 검색(Semantic Search)을 최소한의 디스크 소모로 구현할 수 있습니다.","install_code":"### 4-1. Quick Start\n\nuv tool install leann-core --with leann\n\n### 4-2. 상세 설치\n\n# GitHub 저장소 복제 및 이동\ngit clone https://github.com/StarTrail-org/LEANN.git\ncd LEANN\n\n# uv를 사용한 가상환경 생성 및 활성화\nuv venv\nsource .venv/bin/activate\n\n# leann 패키지 및 종속성 설치 (CPU 전용 환경은 leann[cpu] 권장)\nuv pip install leann","bio_use_cases":[],"official_doc_url":"https://github.com/StarTrail-org/LEANN","github_url":"https://github.com/StarTrail-org/LEANN","category":"rag","difficulty":"intermediate","tags":["leann","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 단독으로 작동 가능하나, 임베딩 실시간 재연산 성능 향상을 위해 NVIDIA GPU 4GB+ 또는 Apple Silicon 통합 메모리 권장)","storage":"모델 및 데이터 용량에 따라 다르나, 인덱스 파일 크기는 기존 벡터 DB 대비 97% 감소(수백만 개 청크 기준 수십 MB~수백 MB 수준)"},"translations":null,"published_at":null,"updated_at":"2026-09-08T01:07:22.497321+00:00","created_at":"2026-07-19T11:37:49.727525+00:00"},{"id":"e5031cf7-195b-44fe-b99b-b6e7d6757b1f","slug":"hidream-o1-image","name":"HiDream-O1-Image","one_liner":"Modelo fundacional open source de HiDream.ai para generar y editar imágenes con un transformador unificado a nivel de píxel.","description":"$57","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/HiDream-ai/HiDream-O1-Image.git && cd HiDream-O1-Image\npip install -r requirements.txt\n\n### 4-2. 상세 설치\n\n# Flash Attention 설치 (선택, VRAM 절감 및 속도 향상용)\npip install flash-attn --no-build-isolation\n\n# 파이썬 추론 예시 (inference.py 실행)\npython inference.py \\\n --model_path /path/to/HiDream-O1-Image-Dev \\\n --model_type dev \\\n --prompt \"A molecular structure diagram with label 'DNA Helix'\" \\\n --output_image results/output.png","bio_use_cases":[],"official_doc_url":"https://github.com/HiDream-ai/HiDream-O1-Image","github_url":"https://github.com/HiDream-ai/HiDream-O1-Image","category":"image_ai","difficulty":"intermediate","tags":["hidream","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU 10GB+ (FP8 양자화 모델 사용 시), 권장 18GB~24GB (Full BF16/FP16 모델 구동 시)","storage":"30GB 이상 권장 (8B 모델 가중치 및 종속 패키지 포함)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-19T11:33:15.073704+00:00"},{"id":"c38bb967-30cf-4d66-a1f8-c820643e7e5d","slug":"agentmemory","name":"AgentMemory","one_liner":"Capa local-first de contexto y memoria persistente para agentes de programación, basada en código abierto y lanzada por rohitg00 el 24-02-2026.","description":"개발자 rohitg00가 2026-02-24에 출시한 오픈소스 기반의 AI 코딩 에이전트 전용 영구적 컨텍스트 및 메모리 저장 계층으로, 개발 세션 간의 정보 단절 문제를 해결하는 로컬 퍼스트(Local-first) 솔루션입니다. 이 도구는 가볍고 빠른 SQLite 데이터베이스와 iii 엔진을 백엔드로 활용하며, Model Context Protocol(MCP) 서버 표준을 충족하여 다양한 코딩 환경에 플러그앤플레이 방식으로 통합됩니다.\n\n기존의 정적 설정 파일인 `CLAUDE.md`나 `.cursorrules`는 제한된 200여 줄의 컨텍스트 용량 한계로 인해 쉽게 정보가 누락되거나 최신 상태를 유지하지 못하는 문제를 겪어왔습니다. agentmemory는 마치 인간의 뇌가 일상적인 경험(Episodic)을 체계적인 지식(Semantic)으로 변환하는 것처럼 작동하여, 별도의 수동 입력 없이 12개의 자동 훅(Auto-hook)을 통해 에이전트의 활동을 실시간으로 감지하고 압축합니다. 이를 통해 BM25 기반 키워드 검색, 벡터 임베딩을 통한 의미론적 검색, 그리고 지식 그래프(Knowledge Graph)의 세 가지 스트림을 상호 순위 융합(Reciprocal Rank Fusion, RRF) 알고리즘으로 결합하여 95.2%의 높은 검색 재현율을 확보합니다.\n\n복잡한 알고리즘 설계와 실험 파이프라인 개발이 빈번한 환경에서, 연구자는 세션이 바뀔 때마다 동일한 데이터 스키마나 인프라 구성을 에이전트에게 반복해서 설명해야 하는 불편함을 겪습니다. agentmemory를 백그라운드에 구동하면 이전 세션에서 디버깅한 오류 패턴과 라이브러리 종속성 정보를 영구 메모리에 기록하여, 새로운 개발 세션이 시작되는 즉시 최적의 컨텍스트를 자동으로 복원하고 주입해 줍니다. 이는 API 토큰 소비량을 연간 최대 92%까지 줄여줄 뿐만 아니라, 개발자가 오롯이 핵심 로직과 모델 검증에만 몰입할 수 있도록 돕는 강력한 컨텍스트 비서 역할을 수행합니다.","install_code":"### 4-1. Quick Start\n\n# 글로벌 npm 설치\nnpm install -g @agentmemory/agentmemory\n\n# 백그라운드 메모리 서버 시작 (포트 3111)\nagentmemory\n\n### 4-2. 상세 설치\n\n# 에이전트와 연결 테스트용 데모 데이터 시드 생성\nagentmemory demo\n\n# 에이전트에 MCP 서버 연결 (예: Claude Code)\nagentmemory connect claude-code\n\n# 로컬 스킬셋 추가\nnpx skills add rohitg00/agentmemory -y\n\n# 기존 Claude Code JSONL 로그 가져오기\nagentmemory import-jsonl","bio_use_cases":[{"icon":"🔬","title":"💻 대규모 마이크로서비스 인증 모듈 리팩토링**","scenario":"Claude Code와 agentmemory MCP 서버를 조합하여 SQLite 기반 토큰 세션을 로컬에 기록. JWT 검증 로직 디버깅 중 RRF 기반 하이브리드 검색을 통해 이전 세션의 jose 라이브러리 선정 의사결정 맥락을 95.2% 정확도로 복원하여 92%의 토큰 절감 및 설계 유지."},{"icon":"🧬","title":"⚡ 복합 코드베이스의 N+1 쿼리 최적화 패턴 영구 학습**","scenario":"Cursor와 agentmemory를 연동하고 12개의 자동 훅을 활성화하여 Prisma DB 쿼리 성능 개선 로그를 episodic 메모리에 보관. 3회 이상 반복된 최적화 패턴을 semantic 메모리로 자동 병합 및 인덱싱하여, 신규 개발 세션 시작 시 토큰 낭비 없이 1.2초 내 해결책 자동 주입."},{"icon":"💊","title":"🔄 멀티 에이전트 협업 개발 환경의 컨텍스트 동기화**","scenario":"Cline, Aider, Claude Desktop 등 다중 코딩 에이전트들이 단일 로컬 agentmemory 서버(3111 포트)를 공유. iii SDK의 리스(lease) 및 신호(signal) 체계를 활성화하여 에이전트 간 변경 이력과 아키텍처 규칙을 실시간 동기화하고 충돌을 예방."}],"official_doc_url":"https://agent-memory.dev","github_url":"https://github.com/rohitg00/agentmemory","category":"coding","difficulty":"beginner","tags":["agentmemory","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용으로 기본 작동하며, 로컬 임베딩 모델 실행 시 리소스를 거의 소모하지 않음)","storage":"모델 다운로드 및 SQLite 데이터베이스 보관용 약 500MB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:16.740248+00:00","created_at":"2026-07-18T11:32:46.721381+00:00"},{"id":"5327499d-a015-4d66-958c-aa1728a86cba","slug":"mcp-xray","name":"mcp-xray","one_liner":"Escáner de seguridad open source y herramienta de pruebas de penetración dinámica para infraestructuras MCP","description":"$58","install_code":"### 4-1. Quick Start\n\nGo 1.25.4 이상이 설치된 환경에서 아래 단일 명령어로 컴파일 후 즉시 사용할 수 있습니다.\n\ngit clone https://github.com/traceforce/mcp-xray && cd mcp-xray && make install-dependencies && make all\n\n### 4-2. 상세 설치\n\n# 1. GitHub 레포지토리 복제 및 이동\ngit clone https://github.com/traceforce/mcp-xray\ncd mcp-xray\n\n# 2. 필수 빌드 의존성 설치 (Go 개발 환경 필요)\nmake install-dependencies\n\n# 3. 바이너리 컴파일 및 빌드\nmake all\n\n# 4. 도움말 명령을 실행하여 설치 완료 여부 확인\n./mcpxray --help","bio_use_cases":[],"official_doc_url":"https://www.traceforce.ai/","github_url":"https://github.com/traceforce/mcp-xray","category":"workflow","difficulty":"intermediate","tags":["mcp","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용, LLM 스캐닝 및 모의 침투 분석 시 외부 LLM API 사용 가능하며 로컬 LLM 구동 시 8GB+ 권장)","storage":"약 100MB 미만 (바이너리 단독, 빌드 환경 구성 시 500MB 이내)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-17T11:54:55.960517+00:00"},{"id":"40f4e5e7-d8be-41e0-89b8-3a067b953db0","slug":"lightpanda","name":"Lightpanda","one_liner":"Navegador headless open source escrito en Zig para automatización web y agentes de IA con bajo consumo.","description":"$59","install_code":"### 4-1. Quick Start\n\n# macOS (Homebrew 패키지 매니저 활용 설치)\nbrew install lightpanda-io/browser/lightpanda\n\n# Linux (x86_64 Nightly 바이너리 직접 다운로드 및 권한 설정)\ncurl -L -o lightpanda https://github.com/lightpanda-io/browser/releases/download/nightly/lightpanda-x86_64-linux && chmod a+x ./lightpanda\n\n### 4-2. 상세 설치\n\n# Docker 컨테이너를 통한 CDP 백그라운드 서버 실행 (9222 포트 개방)\ndocker run -d --name lightpanda -p 127.0.0.1:9222:9222 lightpanda/browser:nightly\n\n# 바이너리 정상 설치 여부 및 버전 확인\n./lightpanda version\n\n# 특정 동적 웹페이지를 로봇 배제 표준을 준수하며 마크다운 텍스트로 즉시 덤프\n./lightpanda fetch --obey-robots --dump markdown https://lightpanda.io\n\n# 로컬 CDP 서버를 9222 포트에서 구동하여 외부 Playwright / Puppeteer 클라이언트 연결 대기\n./lightpanda serve --obey-robots --host 127.0.0.1 --port 9222","bio_use_cases":[{"icon":"🔬","title":"PubMed 학술 논문 및 특허 초록 대규모 스크래핑**","scenario":"Lightpanda serve로 CDP 포트 9222를 열고 Playwright 스크립트로 병렬 접속하여 10,000건의 논문을 덤프한다. 기존 Headless Chrome 대비 RAM 소모량을 120MB 수준으로 유지하며 서버 비용을 90% 이상 절감하고 수집된 텍스트는 LocalRAG에 적재한다."},{"icon":"🧬","title":"ChEMBL 약물-표적 활성 데이터 수집을 위한 AI 에이전트 자율 탐색**","scenario":"Lightpanda agent 모드에 Anthropic Claude API를 연동하여 표적 단백질 관련 약물 반응 수치(IC50)가 명시된 테이블 웹페이지를 자율 탐색 및 클릭한다. LLM 토큰 기반의 무거운 제어를 PandaScript로 변환하여 런타임 단계에서 추가적인 모델 비용 없이 결정론적으로 대량 데이터 추출을 반복 실행한다."},{"icon":"💊","title":"임상시험 레지스트리 실시간 모니터링 및 구조화 데이터 파이프라인 구축**","scenario":"ClinicalTrials.gov의 복잡한 동적 JS 렌더링 페이지를 Lightpanda fetch --obey-robots --dump markdown 명령어로 호출하여 HTML 파싱 오버헤드 없이 즉시 마크다운으로 변환한다. GPU 오버헤드 없이 CPU 단독 노드에서 초당 20개 페이지를 처리하며 최신 임상 동향을 구조화된 DB로 동기화한다."}],"official_doc_url":"https://lightpanda.io","github_url":"https://github.com/lightpanda-io/browser","category":"workflow","difficulty":"advanced","tags":["lightpanda","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용, 그래픽 렌더링 오버헤드가 없으므로 GPU 필요 없음)","storage":"100MB 이하 (단일 바이너리 용량 약 30MB 내외)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:34:29.592021+00:00","created_at":"2026-07-16T11:40:50.521302+00:00"},{"id":"65d06616-73db-4279-ba81-ec2f78f3f983","slug":"hermes-agent","name":"Hermes Agent","one_liner":"Framework de daemon autónomo persistente que actúa como asistente personal de investigación","description":"$5a","install_code":"### 4-1. Quick Start\n\n# Linux, macOS, WSL2, Termux 원클릭 설치 스크립트 실행\ncurl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash\n\n### 4-2. 상세 설치\n\n# 설치 완료 후 터미널 환경을 갱신합니다.\nsource ~/.bashrc # (zsh 사용 시: source ~/.zshrc)\n\n# Hermes Agent 대화형 TUI 인터페이스를 가동합니다.\nhermes\n\n# Windows (Native PowerShell) 사용 시 실행 명령\niex (irm https://hermes-agent.nousresearch.com/install.ps1)","bio_use_cases":[{"icon":"🔬","title":"🔬 신약 후보 물질 문헌 자동 스크리닝 및 요약**","scenario":"Hermes Agent에 PubMed API와 OpenRouter Llama-3.3-70B 모델을 연동하여 매일 오전 9시 'EGFR inhibitor' 관련 신규 논문을 스크리닝합니다. 하루 약 50건의 초록을 FTS5 풀텍스트 검색 데이터베이스에 적재하고 핵심 요약 리포트를 연구실 Slack 채널로 자동 송신하여 전임상 연구 디자인 속도를 35% 단축합니다."},{"icon":"🧬","title":"🔬 오믹스 데이터 전처리 및 분석 파이프라인 자율 자동화**","scenario":"Modal 서버리스 환경에서 Hermes Agent가 서브에이전트를 생성하여 대용량 FASTQ RNA-seq 데이터 전처리 스크립트를 자동 작성 및 실행합니다. Trimmomatic 파라미터(LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15)를 자체 조정해 20개 샘플을 병렬 처리하고, 발현량 통계 테이블을 생성하여 후속 네트워크 분석 효율성을 극대화합니다."},{"icon":"💊","title":"🔬 단백질 3D 구조 분석 및 도킹 시뮬레이션 모니터링**","scenario":"로컬 GPU 클러스터 및 API 환경에서 Hermes Agent가 Autodock Vina 시뮬레이션의 출력 로그를 실시간으로 모니터링합니다. 최적의 결합 친화도(Binding Affinity) 파라미터(energy_range=3, exhaustiveness=8)를 유지하며 상위 5개 후보 화합물의 PyMOL 가시화 스크립트를 자동 생성하여 구조 기반 신약 개발을 지원합니다."}],"official_doc_url":"https://hermes-agent.nousresearch.com","github_url":"https://github.com/NousResearch/hermes-agent","category":"multimodal","difficulty":"beginner","tags":["hermes","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (클라우드 API 모델 사용 시 CPU 전용 동작) / 로컬 Ollama 구동 시 최소 8GB, 권장 16GB ~ 24GB 이상","storage":"최소 2GB 이상의 여유 공간"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:48:00.260573+00:00","created_at":"2026-07-16T11:33:14.731339+00:00"},{"id":"38a4d0b1-cf41-4fab-9e56-adc232995857","slug":"moss-tts","name":"MOSS-TTS","one_liner":"Motor open source local de síntesis de voz con tokenizer de audio causal basado en Transformer","description":"$5b","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/OpenMOSS/MOSS-TTS-Nano.git\ncd MOSS-TTS-Nano && pip install -r requirements.txt\n\n### 4-2. 상세 설치\n\n# 1. Conda 가상 환경 생성 및 활성화\nconda create -n moss-tts python=3.12 -y\nconda activate moss-tts\n\n# 2. PyTorch 및 의존성 라이브러리 설치 (CUDA 환경 권장)\npip install --extra-index-url https://download.pytorch.org/whl/cu128 -e .\n\n# 3. 모델 실행 및 단일 추론 예시\npython infer.py \\\n --prompt-audio-path assets/audio/zh_1.wav \\\n --text \"Welcome to the OpenMOSS TTS service.\"","bio_use_cases":[],"official_doc_url":"https://github.com/OpenMOSS/MOSS-TTS","github_url":"https://github.com/OpenMOSS/MOSS-TTS","category":"audio_ai","difficulty":"intermediate","tags":["moss","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (MOSS-TTS-Nano CPU 추론 시) / NVIDIA GPU 8GB+ 권장 (RTX 3060/4060급 이상 실시간 서빙)","storage":"모델 가중치 용량 약 200MB ~ 3GB, 전체 패키지 환경 설치 공간 포함 5GB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-15T11:52:04.782272+00:00"},{"id":"527c8b78-b7c6-46cb-93e8-8f5c4051653b","slug":"jacquard","name":"Jacquard","one_liner":"Lenguaje de programación ligero para entornos donde la IA escribe código y las personas lo revisan.","description":"$5c","install_code":"### 4-1. Quick Start\n\ncurl -fsSL https://raw.githubusercontent.com/jbwinters/jacquard-lang/jacquard-core-0.1-rc3/scripts/install.sh | sh\nexport PATH=\"$HOME/.local/bin:$PATH\"\njac run \"$HOME/.local/share/jacquard/demos/basics/m1-fact.jac\"\n\n### 4-2. 상세 설치\n\n# 소스코드 복제 및 빌드\ngit clone https://github.com/jbwinters/jacquard-lang.git\ncd jacquard-lang\neval \"$(opam env)\"\nopam exec -- dune build @all\nopam exec -- dune runtest","bio_use_cases":[],"official_doc_url":"https://research.friendmachine.co/jacquard/","github_url":"https://github.com/jbwinters/jacquard-lang","category":"etc","difficulty":"intermediate","tags":["jacquard","etc","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 단독 interpreter 및 C AOT 컴파일러 구동)","storage":"바이너리 패키지 및 demos 포함 50MB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-15T11:43:59.667361+00:00"},{"id":"7248ef94-45bb-483a-bc22-e2c2d0430ffc","slug":"flux2-klein","name":"FLUX.2 [Klein]","one_liner":"Familia ultraligera de modelos de Black Forest Labs para generación y edición precisa de imágenes en dispositivos locales.","description":"$5d","install_code":"### 4-1. Quick Start\n\npip install git+https://github.com/huggingface/diffusers.git transformers accelerate torch\n\n### 4-2. 상세 설치\n\nimport torch\nfrom diffusers import Flux2KleinPipeline\n\n# 4B 모델 또는 9B 모델을 로드하여 사용\nmodel_id = \"black-forest-labs/FLUX.2-klein-base-9B\"\npipe = Flux2KleinPipeline.from_pretrained(\n model_id, \n torch_dtype=torch.bfloat16\n)\npipe.to(\"cuda\")\n\n# 텍스트 프롬프트를 통해 과학적 묘사 시각화 수행\nprompt = \"A detailed scientific diagram of a cell membrane with receptors, high quality\"\nimage = pipe(\n prompt=prompt,\n guidance_scale=1.0,\n num_inference_steps=4,\n generator=torch.Generator(device=\"cuda\").manual_seed(42)\n).images[0]\n\nimage.save(\"flux_klein_output.png\")","bio_use_cases":[],"official_doc_url":"https://bfl.ai","github_url":"https://github.com/black-forest-labs/flux2","category":"image_ai","difficulty":"beginner","tags":["flux2","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"NVIDIA GPU 최소 13GB (FP8 및 4B 모델 기준), 24GB+ 권장 (9B 모델 최고 속도 추론 및 배치 작업 시)\",","storage":"\"모델 크기 4B: ~8GB, 9B: ~18GB, 전체 추론 파이프라인 패키지 구성 시 약 30GB 여유 공간 필요\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-15T11:38:56.989923+00:00"},{"id":"fab68414-9edd-4f43-8cf9-015ca6a724ba","slug":"sitefire","name":"Sitefire","one_liner":"Suite de marketing para agentes de IA que automatiza y analiza la optimización para motores generativos (GEO).","description":"$5e","install_code":"### 4-1. Quick Start\n\n# Sitefire는 웹 기반 SaaS 솔루션으로 로컬 설치 명령을 제공하지 않습니다.\n# 공식 가입 페이지를 통해 대시보드에 진입하세요.\nhttps://app.sitefire.ai/signup\n\n### 4-2. 상세 설치\n\n# 1. CMS 연동 (Webflow, Framer 등)\n# Sitefire 대시보드 내 \"CMS Integration\" 탭에서 API Key를 복사하여 플랫폼별로 연동합니다.\n\n# 2. UTM Tracking 헤더 스크립트 추가\n# AI Referral 및 Clickout 트래픽을 트래킹하기 위해, 웹사이트의 글로벌 영역에 제공되는 Sitefire Tracker 스크립트를 삽입합니다.","bio_use_cases":[],"official_doc_url":"https://sitefire.ai","github_url":null,"category":"workflow","difficulty":"beginner","tags":["sitefire","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 / SaaS 플랫폼으로 클라우드 서버에서 전량 처리됨)","storage":"로컬 불필요 (클라우드 스토리지 기반 운영)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-14T11:55:08.455022+00:00"},{"id":"7dbd6ade-d5fe-49f0-aeb4-56604698af31","slug":"planwright","name":"PlanWright","one_liner":"Plano de control para coordinar y auditar el trabajo de agentes de programación de IA","description":"$5f","install_code":"### 4-1. Quick Start\n\nnpm install -g smithery\nsmithery mcp add planwright/planwright\n\n### 4-2. 상세 설치\n\n# 1. Smithery CLI 설치 (MCP 서버 연동 및 배포를 위한 중앙 패키지 매니저)\nnpm install -g smithery\n\n# 2. PlanWright MCP 서버를 AI 에이전트 환경(예: Claude Desktop, Cursor 등)에 연동 및 설치\nsmithery mcp add planwright/planwright\n\n# 3. 설치된 에이전트 연동 플러그인과 MCP 도구 목록의 작동 여부를 검증\nsmithery tool list planwright/planwright","bio_use_cases":[{"icon":"🔬","title":"🔬 임상 바이오인포매틱스 파이프라인 자동 구축 및 승인**","scenario":"Claude Code와 PlanWright MCP를 연동하여 RNA-Seq 분석 파이프라인 스크립트를 작성할 때, 에이전트가 생성한 소스코드 변경 건이 실시간으로 Control Plane에 전송됩니다. 검증을 위한 `planwright_claim_objective` 툴 호출을 거쳐, 규제 준수를 위한 암호화 감사 추적(Audit Trail)이 자동으로 생성되어 식약처 제출용 보안 문서 규정을 충족합니다."},{"icon":"🧬","title":"🔬 대규모 유전체 분석 스크립트 리팩토링의 정밀 감사**","scenario":"분석 워크스테이션 환경에서 Cursor 에이전트가 병렬로 데이터 전처리 필터를 수정하도록 할당하고, ECDSA 암호화 서명을 활용해 에이전트의 모든 의사결정과 디렉토리 쓰기 이력을 기록합니다. 이를 통해 규제 수준이 높은 신약 개발 환경에서도 AI 에이전트가 생성한 코드의 신뢰성과 재현성을 100% 검증 가능하게 만듭니다."},{"icon":"💊","title":"🔬 AI 연구 어시스턴트의 데이터 처리 승인 게이트웨이**","scenario":"AI 에이전트가 로컬 데이터베이스의 스키마 변경이나 외부 데이터 동기화를 시도할 때, 수동 승인 게이트(Human-in-the-loop)를 자동으로 활성화하여 잘못된 유전 데이터 덮어쓰기 사고를 사전에 차단하고 규제 기관 제출용 실시간 진행 데이터를 확보합니다."}],"official_doc_url":"https://planwright.tools","github_url":null,"category":"coding","difficulty":"beginner","tags":["planwright","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 구동 가능, PlanWright 제어 서버 자체는 GPU를 요구하지 않음)","storage":"패키지 설치 시 500MB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:29:20.385518+00:00","created_at":"2026-07-14T11:51:33.240631+00:00"},{"id":"bd3cb347-282c-4e06-b750-585ce4a2c225","slug":"draw-things","name":"Draw Things","one_liner":"Generación de imágenes totalmente local y sin conexión: inferencia de imágenes 100 % privada usando únicamente el Neural Engine y la GPU del dispositivo Apple, sin depender de servidores cloud ni transferir datos.","description":"- 완전 로컬/오프라인 이미지 생성: 클라우드 서버에 대한 의존성이나 데이터 전송 없이, 사용자 기기 내부의 애플 실리콘 뉴럴 엔진(Neural Engine) 및 GPU만을 사용하여 100% 프라이빗 오프라인 이미지 추론을 지원합니다.\n- Metal 및 MPS 하드웨어 최적화: macOS 및 iOS 환경에서 Apple Silicon 칩셋의 하드웨어 잠재력을 극한으로 끌어올리기 위해 Metal API와 MPS(Metal Performance Shaders) 가속 레이어를 엔진 레벨에서 독자적으로 재설계했습니다.\n- 최신 고성능 오픈 모델 기본 지원: Stable Diffusion 1.5/2.1, SDXL, Flux.1(Schnell/Dev), Hunyuan DiT, SD 3.5 등 현존하는 주요 확산 모델 가중치를 앱 내 다운로더 또는 로컬 파일(.safetensors) 수동 임포트로 즉시 구동 가능합니다.\n- 풍부한 고급 생성 제어 인터페이스: ControlNet 적용, 다중 LoRA 가중치 융합 및 매개변수 실시간 조정, Inpainting(인페인팅), Outpainting(아웃페인팅), Real-Time Canvas(실시간 캔버스) 편집 환경을 기본 탑재하고 있습니다.\n- Metal FlashAttention v2 구현: 메모리 전송 병목을 획기적으로 개선한 Metal 기반의 FlashAttention v2 구조를 이식하여, 동일 하드웨어 대비 타 오픈소스 가상환경 실행기보다 약 20%~40% 신속하게 결과물을 생성합니다.\n- 지능적 메모리 스왑 및 양자화 최적화: 통합 메모리(Unified Memory) 8GB/16GB 스펙의 엔트리 라인업에서도 Flux.1 등의 거대 모델이 기동 가능하도록 Q4_K, Q6_K 등 고효율 양자화(Quantized) 모델 자동 번들링 및 매핑 기술을 내장했습니다.","install_code":"### 4-1. Quick Start\n\nDraw Things는 복잡한 터미널 커맨드 입력이나 의존성 라이브러리 설치 과정 없이 Mac App Store를 통해 즉시 원클릭 설치가 가능합니다.\n# Mac App Store를 통해 Draw Things 설치 페이지 기동\nopen \"macappstores://apps.apple.com/app/draw-things-offline-ai-art/id6444050820\"\n\n### 4-2. 상세 설치\n\n# 1. macOS 환경에서 Safari 또는 브라우저를 열고 App Store 다운로드 링크로 이동합니다.\n# https://apps.apple.com/app/draw-things-offline-ai-art/id6444050820\n# 2. '받기(Get)' 버튼을 클릭해 기기 내부로 네이티브 애플리케이션 설치를 진행합니다.\n# 3. 설치 완료 후 앱을 실행하면 기본 Stable Diffusion 1.5 혹은 라이트 가중치가 자동 로드됩니다.\n# 4. 외부에서 확보한 모델(.safetensors) 임포트 프로세스:\n# - 앱 좌측 사이드바 'Model' 드롭다운 메뉴 선택 → 'Manage...' 클릭\n# - 'Import Custom Model...'을 클릭한 뒤 프라이빗 스토리지(NAS 또는 로컬 디스크)에 저장된 Flux.1 혹은 SDXL 파일 경로 설정\n# - 파일 포맷에 부합하는 가중치 타입(Model, LoRA 등)을 지정한 후 즉시 오프라인 생성을 개시합니다.","bio_use_cases":[],"official_doc_url":"https://drawthings.ai/","github_url":"https://github.com/drawthingsai","category":"local_ai","difficulty":"beginner","tags":["draw","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"Apple Silicon Mac의 통합 메모리(Unified Memory) 공유 방식 (VRAM을 별도 요구하지 않으나 8GB 이상 할당 권장)","storage":"앱 자체 용량 약 100MB 내외, 로컬 확산 모델 보관을 위해 최소 20GB~50GB 이상의 스토리지 공간 권장"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-14T11:40:21.222689+00:00"},{"id":"84eb6fcf-04ef-4557-82b8-6b34095cc1ca","slug":"cardboard","name":"Cardboard","one_liner":"Editor de vídeo agéntico en el navegador que crea planes y cortes a partir de instrucciones en lenguaje natural","description":"$60","install_code":"### 4-1. Quick Start\n\n# 별도의 패키지 설치는 필요하지 않으며, 브라우저를 통해 서비스로 즉시 진입합니다.\nopen https://usecardboard.com\n\n### 4-2. 상세 설치\n\n# 로컬 개발 환경용 라이브러리가 아니므로, Chrome 혹은 WebGL2 가속이 활성화된 브라우저에서 공식 사이트에 접속하여 가입 후 사용합니다.\n# Premiere Pro 및 DaVinci Resolve 등 외부 편집기와 연동 시 Export 탭에서 XML 또는 EDL 메타데이터 파일을 다운로드하여 임포트합니다.","bio_use_cases":[{"icon":"🔬","title":"🔬 실시간 현미경 이미징 타임랩스 비디오 자동 요약 및 컷 편집**","scenario":"Cardboard에 1080p 60fps 세포 관찰 타임랩스 비디오(120분)를 입력하고 '세포 자멸사 구간만 10배속 편집' 프롬프트를 지정하여 15초 내외로 자동 요약 컷을 추출, 2시간의 원본 영상을 1분 미만의 핵심 논문 발표용 비디오로 자동 제작하여 학회 발표 준비 시간을 90% 이상 단축합니다."},{"icon":"🧬","title":"🧬 생명공학 학술 웨비나 오디오 정제 및 자동 자막 생성 파이프라인**","scenario":"2시간 분량의 Webinar 녹화본을 업로드한 후, 오디오 분석 엔진의 silence_threshold 파라미터를 -35dB로 설정하여 무음 및 단순 노이즈 구간을 3초 이내에 일괄 제거하고, 한국어/영어 자동 자막(Captioning) 스크립트를 98% 정확도로 생성하여 연구 홍보용 요약 비디오를 신속하게 발행합니다."},{"icon":"💊","title":"🧪 전문 편집 도구와의 하이브리드 워크플로우를 통한 프로토콜 가이드 제작**","scenario":"실험 프로토콜 촬영 원본(4K, 24fps)에서 AI Director로 1차 러프 컷을 빌드한 뒤 XML/EDL 포맷으로 내보내기(Export)를 실행하고, Adobe Premiere Pro 및 DaVinci Resolve로 불러와 미세 색보정을 적용함으로써 대중 공개용 실험 가이드 비디오 제작을 1시간 이내에 완료합니다."}],"official_doc_url":"https://usecardboard.com","github_url":null,"category":"image_ai","difficulty":"beginner","tags":["cardboard","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"브라우저 하드웨어 가속 가능 용량 (WebGL2 및 하드웨어 비디오 디코딩 가속 호환 GPU 필수)","storage":"로컬 캐시 임시 파일 저장 공간 약 500MB~1GB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:03:16.636793+00:00","created_at":"2026-07-14T11:36:52.746263+00:00"},{"id":"fdd20afd-86c3-444c-a78c-397ae5da13b8","slug":"awesome-seedance-2-prompts","name":"awesome-seedance-2-prompts","one_liner":"Biblioteca open source de ingeniería de prompts y activos de datos para maximizar Seedance 2.0 de ByteDance","description":"$61","install_code":"### 4-1. Quick Start\n\n# GitHub 리포지토리 복제 및 프롬프트 라이브러리 로컬 구성\ngit clone https://github.com/YouMind-OpenLab/awesome-seedance-2-prompts.git\ncd awesome-seedance-2-prompts\n\n### 4-2. 상세 설치\n\n# 필요한 경우 프롬프트 파서 및 종속성 라이브러리 설치\npip install -r requirements.txt\n\n# 텍스트 또는 JSON 파일로 구성된 프롬프트를 분류하여 RAG 또는 변환 스크립트 실행\npython src/parse_prompts.py --input data/prompts.json --style anime","bio_use_cases":[],"official_doc_url":"https://youmind.com","github_url":"https://github.com/YouMind-OpenLab/awesome-seedance-2-prompts","category":"workflow","difficulty":"intermediate","tags":["awesome","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU 12GB+ 권장 (Wan 2.2 또는 Seedance API 및 로컬 비디오 생성 워크플로우 구동 시)","storage":"약 1GB 이내 (리포지토리 텍스트 및 기본 가이드), 로컬 비디오 데이터 캐시용 50GB 이상 권장"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:10.13524+00:00","created_at":"2026-07-12T11:55:38.561187+00:00"},{"id":"58e5a25b-0fb2-48da-8f0e-0bcfbba25ae1","slug":"nano-banana-pro-character-sheet-","name":"Nano Banana Pro Character Sheet 워크플로우","one_liner":"Plantilla inteligente basada en prompts para mantener la identidad visual de personajes en imágenes y vídeos generados por IA","description":"$62","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/ZeroLu/awesome-nanobanana-pro.git\ncd awesome-nanobanana-pro\n\n### 4-2. 상세 설치\n\n# 1. 파이썬 가상환경 구성 및 패키지 설치\npython3 -m venv venv\nsource venv/bin/activate\npip install -r requirements.txt\n\n# 2. 로컬 ComfyUI 연계용 Flux-PuLID 및 IP-Adapter 노드 설정\n# 가중치 파일들을 각각의 모델 경로에 저장하고 실행합니다.","bio_use_cases":[],"official_doc_url":"https://nanobanana.pro/character-sheet-prompt","github_url":"https://github.com/ZeroLu/awesome-nanobanana-pro","category":"workflow","difficulty":"intermediate","tags":["nano","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 8GB / 권장 12GB+ (NVIDIA GPU 8GB+ 또는 Apple Silicon 16GB+ 권장)","storage":"모델 가중치 및 임베딩 툴킷 저장용 15GB 내외"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-12T11:49:15.040653+00:00"},{"id":"7e6df68e-275c-4fb6-be57-9f40829975e5","slug":"bioinfomcp","name":"BioinfoMCP","one_liner":"Plataforma open source que convierte herramientas bioinformáticas CLI en servidores MCP controlables por agentes de IA y verifica su integridad.","description":"$63","install_code":"### 4-1. Quick Start\n\n# 저장소 복제 및 conda 가상 환경 생성\ngit clone https://github.com/florensiawidjaja/BioinfoMCP.git\ncd BioinfoMCP\nconda create -n bioinfomcp-env python=3.10 -y\nconda activate bioinfomcp-env\n\n# 필수 패키지 설치\npip install fastmcp openai\n\n### 4-2. 상세 설치\n\n# 1. API 키 설정 (.env 파일 생성)\necho \"OPENAI_API_KEY=your_openai_api_key\" > .env\necho \"OPENAI_MODEL=gpt-4o-mini\" >> .env\n\n# 2. CLI 도구의 manual 또는 --help 텍스트를 기반으로 MCP 서버 자동 변환 실행\npython -m main --name fastqc --manual \"--help\" --run_help_command True --output_location ./output/\n\n# 3. (옵션) Conda 가상 환경에 분석하고자 하는 실제 생물정보학 도구(예: FastQC) 설치\nconda install -c bioconda fastqc -y","bio_use_cases":[],"official_doc_url":"https://github.com/florensiawidjaja/BioinfoMCP","github_url":"https://github.com/florensiawidjaja/BioinfoMCP","category":"bio_ai","difficulty":"intermediate","tags":["bioinfomcp","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"CPU 환경에서 구동 가능 (OpenAI/Anthropic API 사용 시 VRAM 요구사항 없음. 로컬 LLM 구동 시 8GB+ 권장)\",","storage":"\"Conda 가상환경 구동 및 패키지 다운로드용 공간 약 1GB 이내\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-12T11:47:24.609742+00:00"},{"id":"f1b0f9ed-ea00-4a20-a548-9fce4e6be6f5","slug":"axe","name":"Axe","one_liner":"Herramienta CLI ligera, orientada a Unix, para definir y ejecutar agentes de propósito único basados en LLM","description":"$64","install_code":"### 4-1. Quick Start\n\ngo install github.com/jrswab/axe@latest\n\n### 4-2. 상세 설치\n\n# GitHub 저장소 복제 및 수동 빌드\ngit clone https://github.com/jrswab/axe.git\ncd axe\ngo build .\n\n# Docker를 이용한 빌드 및 구동\ndocker build -t axe .","bio_use_cases":[{"icon":"🔬","title":"대규모 시퀀싱 오류 로그 필터링**","scenario":"`cat nextseq_run42_error.log | axe run error-analyzer` 파이프라인을 구축하여 Claude 3.5 Sonnet 모델로 5만 라인의 비정형 생물정보학 데이터 로그를 실시간 분석, 3초 내에 핵심 오류 원인과 조치안을 도출하여 데이터 유실율을 0%로 통제합니다."},{"icon":"🧬","title":"Git Hooks 연동 분자 동역학 스크립트 정적 검사**","scenario":"`.git/hooks/pre-commit`에 `git diff | axe run bio-code-reviewer`를 연동하여 GPT-4o API 기반으로 코드 품질을 0.5초 이내에 자동 검사하고 메모리 누수가 발생 가능한 비효율적 NumPy 루프 코드를 사전 감지합니다."},{"icon":"💊","title":"크론 활용 일일 연구 트렌드 요약 리포트**","scenario":"Cron 작업으로 `0 9 * * * curl -s https://rss.biorxiv.org | axe run bio-arxiv-summarizer`를 등록하여 Llama 3 (8B) 로컬 모델을 통해 신규 논문 50건의 초록을 자동으로 분류 및 분석하고 정밀 요약 보고서를 추출합니다."}],"official_doc_url":"https://github.com/jrswab/axe","github_url":"https://github.com/jrswab/axe","category":"framework","difficulty":"advanced","tags":["axe","framework","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0MB (로컬 LLM 구동 시 8GB 이상 권장)","storage":"약 12MB (바이너리 용량), 에이전트 설정 및 메모리 저장용 공간 추가 확보 권장"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:02.125547+00:00","created_at":"2026-07-12T11:43:21.948718+00:00"},{"id":"de5bbbf4-745e-4104-85d7-dfe65fdce223","slug":"selvedge","name":"Selvedge","one_liner":"Herramienta open source local que rastrea las decisiones y el razonamiento de agentes de programación al modificar código","description":"$65","install_code":"### 4-1. Quick Start\n\npip install selvedge && cd your-project && selvedge setup\n\n### 4-2. 상세 설치\n\n# 1. PyPI를 통한 Python 패키지 설치\npip install selvedge\n\n# 2. 대상 프로젝트 디렉터리로 이동 후 자동 설정 마법사 실행\ncd your-project\nselvedge setup\n\n# 3. 로컬 데이터베이스 초기화 및 git hook 정상 연동 확인\nselvedge init\n\n# 4. 설정 및 연동 상태 진단 검증\nselvedge doctor","bio_use_cases":[],"official_doc_url":"https://selvedge.sh/","github_url":"https://github.com/masondelan/selvedge","category":"coding","difficulty":"beginner","tags":["selvedge","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"필요 없음 (CPU 기반 초경량 SQLite 및 CLI 작동)\",","storage":"\"패키지 설치 공간 50MB 이내, 이력 DB 크기 수십 MB 수준\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-11T11:48:49.488806+00:00"},{"id":"562a1e2b-2469-499f-afed-db569e5c7d21","slug":"krea-2","name":"Krea 2","one_liner":"Framework creativo de síntesis de imágenes open-weight centrado en el tono artístico y el control estético preciso","description":"$66","install_code":"### 4-1. Quick Start\n\npip install git+https://github.com/huggingface/diffusers.git transformers accelerate torch\n\n### 4-2. 상세 설치\n\n# 리포지토리 복제 및 의존성 설치\ngit clone https://github.com/krea-ai/krea-2.git\ncd krea-2\npip install -r requirements.txt\n\n# Krea 2 Python API 기본 사용 예시\nimport torch\nfrom diffusers import Krea2Pipeline\n\n# Krea-2-Turbo 파이프라인 로드\npipe = Krea2Pipeline.from_pretrained(\"krea/Krea-2-Turbo\", torch_dtype=torch.bfloat16).to(\"cuda\")\n\n# 추론 실행\nimage = pipe(\n prompt=\"A scientific illustration of a cell membrane with receptors, 8k, detailed\",\n num_inference_steps=8,\n guidance_scale=0.0\n).images[0]\n\nimage.save(\"cell_membrane.png\")","bio_use_cases":[{"icon":"🔬","title":"🔬 세포 소기관 및 바이러스 미세구조 가시화 스타일 전이**","scenario":"1024x1024 고해상도 투과전자현미경(TEM) 이미지에 형광 단백질 에스테틱 스타일 소스를 믹스율 0.75로 결합하여, 논문 및 발표용 3D 렌더링 스타일 구조 일러스트를 GPU 기준 2초 이내에 자동 생성합니다."},{"icon":"🧬","title":"🔬 실시간 이미지 스크리닝 제어 및 생성 루프 통합**","scenario":"Krea 2 Turbo 모델의 4-step Trajectory Distribution Matching 추론 아키텍처를 ComfyUI API 또는 Diffusers 파이프라인에 이식하여, 다중 채널 현미경 이미지 데이터의 합성 시각화 검증 작업을 지연 시간 없이 실시간으로 수행합니다."},{"icon":"💊","title":"🔬 박테리아 형태학 연구용 커스텀 LoRA 미세조정**","scenario":"Krea 2 Raw 모델을 학습률 1e-4 설정의 LoRA 기법으로 미세조정하여 특정 세포막 형태학 이미지 데이터셋 200장을 학습시킵니다. 이를 통해 일반 텍스트 설명만으로 학술적으로 의미 있는 박테리아 시각 도안을 훈련 및 정밀 재현할 수 있습니다."}],"official_doc_url":"https://krea.ai/","github_url":"https://github.com/krea-ai/krea-2","category":"image_ai","difficulty":"intermediate","tags":["krea","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 8GB, 권장 12GB (RTX 3060 이상) 또는 Apple Silicon (16GB Unified Memory 이상)","storage":"약 5-10GB의 모델 체크포인트 저장 공간 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:42:58.834885+00:00","created_at":"2026-07-11T11:46:25.415739+00:00"},{"id":"802eee72-7b62-48fd-971c-12f0f89f3b14","slug":"biomni","name":"Biomni","one_liner":"Agente de IA especializado en biología que planifica y ejecuta de forma autónoma flujos complejos de ciencias de la vida","description":"$67","install_code":"### 4-1. Quick Start\n\nconda activate biomni_e1\npip install biomni --upgrade\n\n### 4-2. 상세 설치\n\n# 1. 깃허브 저장소 복제 및 환경 설정 경로 이동\ngit clone https://github.com/snap-stanford/Biomni.git\ncd Biomni/biomni_env\n\n# 2. 콘다 환경 설치 방식 선택\n# (기본 설치) 기본 에이전트 테스트 환경 구축\nconda env create -f environment.yml\n\n# (전체 설치) 150+ 분석 툴이 내장된 풀 E1 환경 설치 (10시간 이상 소요, 30GB+ 공간 필요)\nbash setup.sh\n\n# 3. 환경 활성화 및 공식 pip 패키지 설치\nconda activate biomni_e1\npip install biomni --upgrade\n\n# 4. 프로젝트 디렉토리에 API 키 설정 (.env 파일 생성 및 키 입력)\n# cp .env.example .env","bio_use_cases":[{"icon":"🔬","title":"🔬 CRISPR 스크린 디자인 및 표적 유전자 선별","scenario":"Biomni 에이전트가 CRISPR knock-out 스크린 프로토콜을 수립하기 위해 59개 생물학 데이터베이스에서 면역 관문 유전자를 분석하고, MAGeCK 파라미터(alpha_cutoff=0.05)를 설정하여 T세포 고갈을 억제할 수 있는 최적의 가이드 RNA(gRNA) 후보군 32개를 최종 선별 및 추천합니다."},{"icon":"🧬","title":"💊 화합물 흡수·분포·대사·배설·독성(ADMET) 예측 및 가설 검증","scenario":"SMILES 문자열(CC(C)CC1=CC=C(C=C1)C(C)C(=O)O)을 입력받아 RDKit 패키지와 SwissADME API를 연계 작동시키고, 분배계수(LogP=3.5) 및 심장독성 지표(hERG 차단 활성 IC50 > 10uM)를 연산하여 약물 후보 물질의 생체 적합성 가설을 리포트로 자동 도출합니다."},{"icon":"💊","title":"🧬 단일세포 RNA 시퀀싱(scRNA-seq) 데이터 자동 주석 및 면역 미세환경 분석","scenario":"Scanpy 패키지 파라미터(min_genes=200, min_cells=3)를 사용하여 종양 면역 환경 세포의 유전자 발현 행렬을 전처리하고, CellMarker 데이터베이스를 기반으로 각 클러스터의 세포 유형을 1-2초 내에 자동으로 주석 처리(T세포, 대식세포 등)하여 종양 내 이질성 리포트를 생성합니다."}],"official_doc_url":"https://biomni.stanford.edu/","github_url":"https://github.com/snap-stanford/Biomni","category":"agent","difficulty":"intermediate","tags":["biomni","agent","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (API 기반 LLM 사용 시 VRAM 불필요, 로컬 모델 활용 시 NVIDIA GPU 8GB+ 권장)","storage":"최소 30GB 이상의 디스크 공간 (데이터레이크 11GB 및 환경 설치용)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:44:22.67215+00:00","created_at":"2026-07-11T11:33:03.700989+00:00"},{"id":"270f20e4-cced-49f3-8911-2eb6e2003c55","slug":"voiceink","name":"VoiceInk","one_liner":"Solución de dictado y conversión de voz a texto local para macOS","description":"$68","install_code":"### 4-1. Quick Start\n\nbrew install --cask voiceink\n\n### 4-2. 상세 설치\n\n# GitHub 저장소 클론\ngit clone https://github.com/Beingpax/VoiceInk.git\ncd VoiceInk\n\n# Swift 프로젝트 빌드를 위해 Xcode 환경에서 프로젝트 열기\nopen VoiceInk.xcodeproj\n\n# Xcode 상단 메뉴에서 Product > Build (Cmd + B) 실행하여 로컬 컴파일 완료 후 실행","bio_use_cases":[{"icon":"🔬","title":"실험동 및 클린벤치 내 핸즈프리 연구 기록**","scenario":"세포 배양 및 시약 혼합 실험 중 장갑을 착용한 채 음성 단축키를 이용해 관찰 정보(예: cell density 85%, viability 98%)를 실시간 구두로 받아쓰기 처리하여 로컬 텍스트 마크다운 파일로 저장."},{"icon":"🧬","title":"임상 환자 면담 비식별 전사 및 데이터 보호**","scenario":"네트워크 연결이 완전 차단된 독립 병원 검사실에서 환자의 발화 데이터를 Apple Silicon GPU 가속을 활용해 실시간 변환하고, 외부 서버 유출 없이 비식별 임상 노트를 로컬 데이터베이스에 즉시 생성."},{"icon":"💊","title":"다국어 연구 세미나 실시간 번역 요약**","scenario":"해외 지사 연구원들과의 10분 이상 오프라인 세미나 음성 데이터를 Whisper 다국어 모델로 번역한 후 로컬 AI 모델 API와 연동해 주요 기획 의사 결정 항목을 30초 이내에 자동 요약문으로 변환."}],"official_doc_url":"https://tryvoiceink.com/","github_url":"https://github.com/Beingpax/VoiceInk","category":"audio_ai","difficulty":"intermediate","tags":["voiceink","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (Apple Silicon Unified Memory 공유 구조로 동작)","storage":"앱 패키지 및 기본 라이브러리 약 150MB, Whisper 모델 파일 크기별 추가 필요(최소 75MB에서 최대 3.1GB)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:00:36.97446+00:00","created_at":"2026-07-10T11:47:59.327266+00:00"},{"id":"eb370114-a1ea-49c5-8df7-a4fc11720857","slug":"meshpilot","name":"MeshPilot","one_liner":"Entorno colaborativo de desarrollo agéntico para que desarrolladores y agentes autónomos construyan software en un espacio de trabajo común","description":"$69","install_code":"### 4-1. Quick Start\n\n공식 웹사이트에서 데스크톱 버전을 다운로드하고 가입을 통해 바로 사용할 수 있습니다.\n\n# 오픈소스 MeshUtility를 설치하려면 CLI 환경에서 다음과 같이 실행합니다.\nnpm install -g @meshpilot/utility\n\n### 4-2. 상세 설치\n\n# 1. 공식 리포지토리로부터 MeshUtility 패키지를 다운로드합니다.\ngit clone https://github.com/MeshPilot-in/MeshUtility.git\n\n# 2. 프로젝트 폴더로 이동하여 의존성 패키지를 설치합니다.\ncd MeshUtility\nnpm install\n\n# 3. 로컬 데스크톱 애플리케이션을 개발 모드로 실행하거나 빌드합니다.\nnpm run dev","bio_use_cases":[{"icon":"🔬","title":"생물정보학 전처리 파이프라인 자동 구축**","scenario":"MeshPilot 에이전트가 FastQC v0.11.9 및 Trimmomatic v0.39를 연동하는 쉘 스크립트를 작성하고 메쉬콘솔 터미널에서 실행하여 유전체 데이터 정량 결과를 실시간 시각화 및 후속 분석 연계"},{"icon":"🧬","title":"단백질 구조 예측 모델 하이퍼파라미터 디버깅**","scenario":"PyTorch 기반 단백질 접힘(Protein folding) 하이퍼파라미터 탐색 중 발생한 CUDA 에러 로그를 메쉬메모리가 감지하여 GPU 세션을 유지한 채 디버깅 코드를 10초 내에 제시하고 학습 성공률 개선"},{"icon":"💊","title":"오믹스 포털 실시간 크롤링 데몬 개발**","scenario":"생명공학 오픈소스 포털에서 최신 데이터셋을 수집하는 Node.js 크롤러를 설계하고, 실시간 칸반 보드 기반 태스크 관리와 내장 브라우저 프리뷰 기능을 활용해 크롤링 상태를 실시간 검증"}],"official_doc_url":"https://meshpilot.in/","github_url":null,"category":"coding","difficulty":"intermediate","tags":["meshpilot","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (클라우드 추론 기본 제공, 로컬 LLM 탑재 시 VRAM 8GB 이상 권장)","storage":"약 500MB (데스크톱 클라이언트 및 캐시 데이터 저장 공간)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:47:20.450005+00:00","created_at":"2026-07-10T11:40:48.026935+00:00"},{"id":"0c323c4f-2f77-47a5-9b40-ec548c62589e","slug":"qwen-image-20","name":"Qwen-Image-2.0","one_liner":"Modelo fundacional de Alibaba Cloud Qwen para generación y edición de imágenes.","description":"$6a","install_code":"### 4-1. Quick Start\n\npip install -U dashscope\n\n### 4-2. 상세 설치\n\n# API Key 환경변수 설정\nexport DASHSCOPE_API_KEY=\"your-dashscope-api-key\"\n\nimport dashscope\nfrom dashscope import ImageSynthesis\n\n# 동기식 기본 이미지 생성 예시\nresponse = ImageSynthesis.call(\n model='qwen-image-2.0',\n prompt='A high-resolution scientific illustration of DNA double helix structure, photorealistic, 4k',\n size='2048*2048',\n n=1\n)\n\nif response.status_code == 200:\n print(\"Success! Image output:\", response.output)\nelse:\n print(f\"Failed: {response.code} - {response.message}\")","bio_use_cases":[],"official_doc_url":"https://qwen.ai","github_url":"https://github.com/QwenLM/Qwen-Image","category":"image_ai","difficulty":"beginner","tags":["qwen","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (API 전용)","storage":"1GB 이내 (SDK 및 패키지 설치용)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-09T11:45:07.437828+00:00"},{"id":"a3ee735e-af1b-473a-bd39-238c0a5e0b0d","slug":"kilo-code","name":"Kilo Code","one_liner":"Plataforma abierta de ingeniería agéntica de Kilo-Org para desarrollo de software y scripts bioinformáticos.","description":"$6b","install_code":"### 4-1. Quick Start\n\nnpm install -g @kilocode/cli\n\n### 4-2. 상세 설치\n\n# npm을 통한 CLI 글로벌 설치\nnpm install -g @kilocode/cli\n\n# 또는 curl 스크립트를 통한 자동 설치\ncurl -fsSL https://kilo.ai/cli/install | bash\n\n# 설치 후 API 제공업체 연동 및 자격 증명 설정\nkilo /connect","bio_use_cases":[{"icon":"🔬","title":"🔬 대규모 생명정보학 분석 파이프라인 자동 디버깅**","scenario":"복잡한 Snakemake 또는 Nextflow 워크플로우 실행 시 발생하는 환경 변수 오류와 라이브러리 충돌 문제를 Coder 및 Debugger 모드를 활성화한 TUI CLI를 통해 자동으로 감지하고 해결 코드를 빌드하여 즉시 적용합니다."},{"icon":"🧬","title":"🧬 유전체 데이터 연동 MCP 기반 자동 주석 스크립트 작성**","scenario":"NCBI, UniProt 등의 공개 REST API 구조를 브라우저 자동화로 분석하고 모델 컨텍스트 프로토콜(MCP) 서버를 연결하여, 유전체 변이 데이터를 매핑하고 후속 분석 모듈을 생성하는 파이프라인을 완전 자동화합니다."},{"icon":"💊","title":"💻 멀티 모델 스위칭 기반 대량 데이터 전처리 코드 개발**","scenario":"원가 기반의 비용 추적 관리 하에 500개 이상의 모델 중 가성비가 높은 오픈소스 모델로 대규모 NumPy 행렬 슬라이싱 코드를 작성하고, 복잡한 최적화 알고리즘은 최상위 추론 모델로 전환하여 리소스를 최적화합니다."}],"official_doc_url":"https://kilo.ai","github_url":"https://github.com/Kilo-Org/kilocode","category":"coding","difficulty":"beginner","tags":["kilo","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0GB (클라우드 API 기반 작동 시 CPU 전용으로 구동 가능, 로컬 모델 구동 시 최소 8GB 이상 VRAM 권장)","storage":"약 500MB (CLI 패키지 및 에디터 확장 플러그인 포함)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:12.907221+00:00","created_at":"2026-07-09T11:41:39.081238+00:00"},{"id":"1809353c-7479-4d2e-bff4-b8fd87538d60","slug":"evo-2","name":"Evo 2","one_liner":"Modelo fundacional genómico de escala extrema de Arc Institute, Stanford y NVIDIA para analizar y diseñar secuencias de ADN, ARN y proteínas.","description":"$6c","install_code":"### 4-1. Quick Start\n\npip install flash-attn==2.8.0.post2 --no-build-isolation\npip install evo2\n\n### 4-2. 상세 설치\n\n# 1. GPU 및 라이브러리 의존성 설치 (Transformer Engine 포함 전체 설치 권장)\nconda install -c nvidia cuda-nvcc cuda-cudart-dev\nconda install -c conda-forge transformer-engine-torch=2.3.0\n\n# 2. Flash Attention 설치\npip install flash-attn==2.8.0.post2 --no-build-isolation\n\n# 3. Evo 2 라이브러리 설치\npip install evo2\n\n# 4. 소스에서 직접 설치하고자 하는 경우의 대안 명령어\ngit clone https://github.com/arcinstitute/evo2\ncd evo2\npip install -e .","bio_use_cases":[{"icon":"🔬","title":"🔬 게놈 스케일 유전자 기능 및 변이 예측**","scenario":"질병 유발 비부호화 변이를 탐색하기 위해, 인간 유전체 DNA 서열(10kbp 이상)을 Evo 2에 입력하여 단일 염기 변이(Single-nucleotide mutation)의 적합도(fitness) 및 전사량 변화를 수초 내에 계산하고 인실리코(in silico) 기능 변화 분석에 활용."},{"icon":"🧬","title":"🧬 거대 유전자 및 프로모터 구조 Generative Design**","scenario":"고효율 유전자 발현 시스템 설계를 위해, 타겟 전사 조절 기작에 필요한 DNA 시퀀스 및 조건부 임베딩 정보를 제공하여 최적의 단백질 발현 효율을 유도하는 프로모터-인핸서 합성 코드를 디자인."},{"icon":"💊","title":"🧫 가상 미생물 게놈 시퀀스 설계**","scenario":"합성 생물학 공정에 사용될 합성 박테리아 게놈을 제작하기 위해, StripedHyena 2 아키텍처 기반 100만 bp context를 활용하여 기능성 대사 유전자 클러스터 전체가 통합된 인공 DNA 가닥 설계."}],"official_doc_url":"https://arcinstitute.org","github_url":"https://github.com/ArcInstitute/evo2","category":"bio_ai","difficulty":"intermediate","tags":["evo","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"7B 모델의 경우 16GB+ (bfloat16 구동 가능), 20B/40B 모델은 NVIDIA Hopper GPU (H100/H200 등) VRAM 80GB 권장 (FP8 Transformer Engine 필수)","storage":"모델 가중치에 따라 다름 (7B: 약 14GB, 20B/40B: 약 40GB~80GB 이상, 패키지 설치 공간 5GB 이내)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:22:10.77933+00:00","created_at":"2026-07-09T11:37:05.198327+00:00"},{"id":"4dc7884d-226a-41f0-87ca-ec4cae5409ba","slug":"claude-science","name":"Claude Science","one_liner":"Workbench de IA para investigadores que integra herramientas científicas fragmentadas en un único entorno","description":"$6d","install_code":"### 4-1. Quick Start\n\npip install claude-science-cli\nclaude-science init\n\n### 4-2. 상세 설치\n\n# 1. Claude Science CLI 라이브러리 및 의존성 패키지 설치\npip install claude-science-cli\n\n# 2. Anthropic API 키 등록 및 보안 계정 활성화\nclaude-science configure --api-key=\"YOUR_ANTHROPIC_API_KEY\"\n\n# 3. 로컬 주피터(Jupyter) 커널 및 R 실행 환경 연결\nclaude-science register-kernel --jupyter --r-path=\"/usr/bin/R\"\n\n# 4. 백그라운드 코디네이터 서버 구동\nclaude-science server start --port 8888 --background","bio_use_cases":[],"official_doc_url":"https://www.anthropic.com","github_url":null,"category":"rag","difficulty":"beginner","tags":["claude","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 및 API 기반 연동 가능), 로컬 소형 LLM 구동 시 NVIDIA GPU 8GB+ 권장","storage":"로컬 설치 클라이언트 500MB 이하 (단, 대용량 분석 임베딩 데이터는 서버 및 HPC 마운트 경로에 의존)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-09T11:32:48.050595+00:00"},{"id":"30906c85-8bb5-4cca-bd0f-c3e802e7d923","slug":"paper-lantern","name":"Paper Lantern","one_liner":"Servidor MCP que conecta agentes de programación de IA en tiempo real con una base de más de dos millones de artículos informáticos y tecnológicos","description":"Paper Lantern AI가 2026년 3월 12일에 공개한 Paper Lantern은 인공지능 코딩 에이전트에게 200만 편 이상의 컴퓨터 과학 및 기술 논문 데이터베이스를 실시간으로 연결하는 모델 컨텍스트 프로토콜(Model Context Protocol, MCP) 기반의 서버 솔루션입니다. 일반적인 대형 언어 모델이 고정된 학습 데이터셋에만 의존하여 코드를 생성하는 반면, 이 도구는 에이전트가 연구 문헌을 실시간으로 검색하여 검증된 알고리즘 설계와 최적화 기법을 직접 인지하도록 지원하는 지식 확장 아키텍처를 구현하고 있습니다. 마치 의사가 수술실에서 실시간으로 전 세계 최신 의학 논문을 조회하며 수술법을 결정하는 것처럼, 코딩 에이전트가 최신 논문에 기반하여 정교하고 신뢰할 수 있는 개발 작업을 수행할 수 있도록 돕습니다.\n\n기존 코딩 보조 도구들은 단순히 웹의 표준적인 코드 스니펫이나 공개 튜토리얼을 기반으로 답을 제안하기 때문에, 연구 개발 단계에서 요구되는 복잡한 최적화 모델이나 고도의 학술적 아키텍처를 적절히 반영하지 못하는 한계가 있었습니다. Paper Lantern은 이러한 정보의 공백을 극복하기 위해 에이전트에게 전용 도구 세트를 제공하여 학술 자료를 분석하고 비교할 수 있는 능력을 부여합니다. 사용자는 코딩 에이전트가 스스로 최적의 기술적 대안을 탐색하고 장단점을 비교하게 함으로써, 기술 검증 단계를 대폭 단축하고 보다 신뢰도 높은 연구 결과물을 코드로 얻을 수 있습니다.\n\n특히 바이오인포매틱스 분야에서 대규모 유전체 분석 알고리즘을 최적화하거나 최신 인공신경망 아키텍처를 파이프라인에 적용하려는 연구원들에게 이 도구는 강력한 활용성을 보여줍니다. 예컨대 연구원이 단일 세포 데이터 세트의 차원 축소를 위한 최신 딥러닝 기법의 구현을 에이전트에 지시하면, 에이전트는 explore_approaches 도구를 통해 후보 모델들을 선별한 뒤 deep_dive 도구로 하이퍼파라미터 설정과 성능 특성을 비교하여 오류가 적고 효율적인 분석 코드를 자동으로 완성해 냅니다.","install_code":"### 4-1. Quick Start\n\n사용 중인 MCP 지원 에이전트 환경에서 CLI 명령어를 통해 즉시 시작할 수 있습니다.\n\nnpx paperlantern@latest\n\n### 4-2. 상세 설치\n\n1. **API 키 발급**:\n 공식 사이트(https://paperlantern.ai)에 접속하여 회원가입 후 `pl_`로 시작하는 API 키를 발급받습니다.\n\n2. **클라이언트 설정**:\n 사용 중인 에이전트(예: Claude Code, Cursor 등)의 MCP 설정 파일(`mcp.json` 또는 각 앱의 설정 메뉴)에 다음 엔드포인트를 추가합니다.\n\n ```json\n {\n \"mcpServers\": {\n \"paper-lantern\": {\n \"command\": \"npx\",\n \"args\": [\n \"-y\",\n \"paperlantern@latest\"\n ],\n \"env\": {\n \"PAPER_LANTERN_API_KEY\": \"YOUR_API_KEY\"\n }\n }\n }\n }\n ```\n *(또는 API 연동 방식으로 직접 `https://mcp.paperlantern.ai/chat/mcp?key=YOUR_API_KEY` 엔드포인트를 구성할 수도 있습니다.)*","bio_use_cases":[{"icon":"🔬","title":"최신 최적화 알고리즘 구현**","scenario":"대용량 바이오인포매틱스 파이프라인에서 최신 분산 처리 아키텍처나 메모리 효율적 정렬 알고리즘 관련 논문을 즉시 탐색하고 적용"},{"icon":"🧬","title":"하이퍼파라미터 튜닝**","scenario":"인공지능 기반 분석 모델 설계 시, 최신 벤치마크 논문 등에서 검증된 파라미터 구성 값을 에이전트가 찾아와 자동 적용"},{"icon":"💊","title":"도구 및 솔루션 벤치마킹**","scenario":"다수의 데이터 처리 접근법 중 최신의 저지연/고효율 기법을 선별하여 코딩 에이전트에게 구현 검증을 요구"}],"official_doc_url":"https://paperlantern.ai","github_url":"https://github.com/paperlantern-ai/paper-lantern-challenges","category":"rag","difficulty":"beginner","tags":["paper","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (서버리스 API 연동 및 CPU 로컬 실행 가능)","storage":"전체 패키지 설치 시 100MB 이내 (클라이언트 로컬 캐시 기준)"},"translations":null,"published_at":null,"updated_at":"2026-09-05T19:01:12.157881+00:00","created_at":"2026-07-08T14:34:43.792222+00:00"},{"id":"ee498ec3-4cbc-400c-b78a-7e504a273569","slug":"needle","name":"Needle","one_liner":"Modelo de lenguaje ultraligero de 26M especializado en function calling para dispositivos edge","description":"$6e","install_code":"### 4-1. Quick Start\n\ngit clone https://github.com/cactus-compute/needle.git && cd needle && source ./setup\n\n### 4-2. 상세 설치\n\n# 리포지토리 클론 및 이동\ngit clone https://github.com/cactus-compute/needle.git\ncd needle\n\n# 가상 환경 설정 및 모듈 설치 스크립트 실행\nsource ./setup\n\n# 로컬 웹 기반 테스트 플레이그라운드 가동\nneedle playground\n\nfrom needle import SimpleAttentionNetwork, load_checkpoint, generate, get_tokenizer\n\n# 가중치 파일 자동 다운로드 및 모델 초기화\nparams, config = load_checkpoint(\"checkpoints/needle.pkl\")\nmodel = SimpleAttentionNetwork(config)\ntokenizer = get_tokenizer()\n\n# 쿼리 및 도구 정의 입력 후 구조화된 도구 호출 생성\nresult = generate(\n model,\n params,\n tokenizer,\n query=\"Find homologues for sequence MGDVEK...\",\n tools='[{\"name\": \"protein_search\", \"description\": \"Run BLAST search for sequence\", \"parameters\": {\"type\": \"object\", \"properties\": {\"sequence\": {\"type\": \"string\"}}, \"required\": [\"sequence\"]}}]'\n)\nprint(result)","bio_use_cases":[{"icon":"🔬","title":"웨어러블 기기용 자연어 바이오 툴 바인딩**","scenario":"오프라인 랩 환경의 모바일 안경에서 연구원의 자연어 명령을 인지하고 유전자 참조 툴(protein_search 등) 호출 인자를 0.1초 이내에 매핑하여 음성 실행 연동"},{"icon":"🧬","title":"실험실 기기 제어용 온디바이스 에이전트 라우터**","scenario":"클라우드 의존성 없이 로컬 가습기 및 세포 배양기 제어 API 목록을 Needle의 컨텍스트에 할당하여 장비 간 데이터 제어 루프 응답 시간 0.05초 달성"},{"icon":"💊","title":"환자 모니터링 스마트 에이전트 모듈**","scenario":"실시간 생체 신호 데이터 임계치를 모니터링하며 응급 연락망 자동 다이얼이나 기록 데이터베이스 로깅 함수를 단일 온디바이스 칩 내에서 오류 없이 분기 및 트리거"}],"official_doc_url":"https://github.com/cactus-compute/needle","github_url":"https://github.com/cactus-compute/needle","category":"multimodal","difficulty":"intermediate","tags":["needle","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (에지 CPU 가속 엔진 탑재로 그래픽 메모리 없이 실시간 추론 가능) / GPU 가속 시 2GB+","storage":"약 100MB 미만 (4비트 양자화 모델 약 14MB, 기본 체크포인트 약 52MB)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:02:31.761218+00:00","created_at":"2026-07-08T14:29:58.182138+00:00"},{"id":"a593efbf-b199-43ac-b6da-a3214a25c12b","slug":"bioclaw","name":"BioClaw","one_liner":"Agente de IA que integra herramientas bioinformáticas en una interfaz conversacional para automatizar flujos de investigación","description":"$6f","install_code":"### 4-1. Quick Start\n\n```bash\ngit clone https://github.com/Runchuan-BU/BioClaw.git\ncd BioClaw\nbash scripts/setup.sh\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. 저장소 클론 및 이동\ngit clone https://github.com/Runchuan-BU/BioClaw.git\ncd BioClaw\n\n# 2. 의존성 패키지 설치\nnpm install\n\n# 3. 환경 변수 설정 (Anthropic 또는 OpenRouter API 키 입력)\ncp .env.example .env\n\n# 4. 분석용 Docker 컨테이너 이미지 빌드\ndocker build --no-cache -t bioclaw-agent:latest container/\n\n# 5. 애플리케이션 시작\nnpm start\n```\n\n---","bio_use_cases":[],"official_doc_url":"https://ivegotmagicbean.github.io/BioClaw-Page/","github_url":"https://github.com/Runchuan-BU/BioClaw","category":"bio_ai","difficulty":"advanced","tags":["bioclaw","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"0 (CPU 전용 구동 가능) 또는 NVIDIA VRAM 8GB+ (로컬 렌더링 및 가속용)\",","storage":"\"최소 10GB (Docker 이미지 및 로컬 캐시 저장용)\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-08T13:18:32.750452+00:00"},{"id":"84096633-d00e-41e5-a3d6-6df592ccc927","slug":"mango-medical","name":"Mango Medical","one_liner":"Solución médica basada en agentes de IA que automatiza la planificación de cirugía ortopédica a partir de CT y radiografías","description":"$70","install_code":"### 4-1. Quick Start\n\n```bash\n# Mango Medical은 엔터프라이즈 API 형태로 제공되므로 별도의 로컬 패키지 설치 없이 curl 등으로 호출할 수 있습니다.\ncurl -X POST https://api.mangomedical.io/v1/plans \\\n -H \"Authorization: Bearer YOUR_API_KEY\" \\\n -F \"ct_scan=@patient_ct.zip\"\n```\n\n### 4-2. 상세 설치\n\n```bash\n# API 연동을 위한 Python 클라이언트 환경 구성\npip install requests pillow\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 어깨 관절 치환술(Shoulder Arthroplasty) 임플란트 정밀 매핑**","scenario":"Mango Medical API를 사용하여 환자의 어깨 관절 CT 데이터(DICOM 형식)를 업로드하고, AI 에이전트의 경로 생성 최적화를 통해 3차원 삽입 각도를 0.5도 단위로 미세 조율하여 최적의 임플란트 크기를 2분 이내에 판별하고 매핑합니다."},{"icon":"🧬","title":"📐 환자 맞춤형 수술 가이드(Patient-Specific Guide) 3D 프린팅 제작**","scenario":"랜드마크 자동 검출 알고리즘을 통해 대퇴골 정렬 축을 계산하여 수술 가이드 템플릿의 STL 파일을 실시간으로 출력하며, 이를 3D 프린팅 장비와 결합하여 고정밀 절제 가이드를 임상 환경에 즉각 제공합니다."},{"icon":"💊","title":"⚠️ 가상 수술 위험성 시뮬레이션 및 뼈 균열 예측**","scenario":"임플란트 삽입 시 뼈에 가해지는 압력과 응력을 시뮬레이션 모델로 검출하고, 뼈 균열이나 골절 위험 지역을 3D 가시화하여 수술 중 발생할 수 있는 위험 요소와 합병증 가능성을 사전에 최소화합니다."}],"official_doc_url":"https://mangomedical.io","github_url":null,"category":"bio_ai","difficulty":"beginner","tags":["mango","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"8GB+ (로컬 GPU 사용 시 RTX 3060 이상 권장, 클라우드 API 이용 시 로컬 GPU 불필요)","storage":"모델 파일 다운로드 시 약 2GB 내외"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:28:03.859325+00:00","created_at":"2026-07-07T13:08:14.44759+00:00"},{"id":"fab6aa70-cb33-458f-b5fa-5085bf9a1575","slug":"flick-flick-tv","name":"Flick (Flick TV)","one_liner":"Plataforma nativa de IA para producción cinematográfica con lienzo infinito y distribución en Flick TV","description":"$71","install_code":"### 4-1. Quick Start\n\n```bash\n# 웹 브라우저로 서비스에 즉시 접속하여 계정을 생성하고 시작합니다.\nopen https://flick.art\n```\n\n### 4-2. 상세 설치\n\n```python\n# Flick은 로컬 설치가 필요 없는 클라우드 플랫폼입니다.\n# 향후 개발자 API가 공개될 경우 다음과 같은 방식으로 통합이 가능합니다 (가상 API 예시).\n\nimport requests\n\nurl = \"https://api.flick.art/v1/generations\"\nheaders = {\"Authorization\": \"Bearer YOUR_API_KEY\"}\ndata = {\n \"prompt\": \"A researcher analyzing data on a holographic display, cinematic, 4k\",\n \"character_id\": \"char_scientist_alpha\",\n \"camera_movement\": \"pan_left_slow\"\n}\nresponse = requests.post(url, json=data, headers=headers)\nprint(response.json())\n```","bio_use_cases":[],"official_doc_url":"https://flick.art","github_url":null,"category":"coding","difficulty":"beginner","tags":["flick","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0GB (클라우드 GPU 렌더링 방식이므로 로컬 그래픽 메모리 무관)","storage":"웹 브라우저 캐싱용 500MB 내외"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-07T13:04:31.522713+00:00"},{"id":"225b3793-69bb-4196-aa46-97dd34d61e4d","slug":"allowance","name":"Allowance","one_liner":"Allowance, lanzado por Allowance Team el 15 de mayo de 2026, es una solución financiera de seguridad para agentes que emite y controla tarjetas de crédito virtuales de un solo uso, permitiendo que agentes autónomos de IA realicen pagos dentro de un presupuesto.","description":"$72","install_code":"### 4-1. Quick Start\n\n```bash\n# Smithery CLI를 이용한 Claude Desktop MCP 연동 설치\nnpx @smithery/cli install @useallowance/allowance-mcp-public --client claude\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Claude Desktop의 mcp_config.json에 직접 설정 추가\n# 경로: ~/Library/Application Support/Claude/mcp_config.json\n```\n\n```json\n{\n \"mcpServers\": {\n \"allowance\": {\n \"command\": \"npx\",\n \"args\": [\n \"-y\",\n \"@useallowance/allowance-mcp-public\"\n ]\n }\n }\n}\n```","bio_use_cases":[],"official_doc_url":"https://useallowance.com","github_url":null,"category":"workflow","difficulty":"beginner","tags":["allowance","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (클라우드 API 기반 작동으로 GPU 메모리 요구 없음)","storage":"약 100MB 미만 (MCP 클라이언트 패키지 및 설정 용량)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-07T13:02:50.070522+00:00"},{"id":"fe2ee8ee-ba65-42bf-9f53-ecbb2f6cab7f","slug":"replyless","name":"Replyless","one_liner":"Agente de correo electrónico con IA que reduce el ruido de la bandeja y prioriza comunicaciones urgentes","description":"$73","install_code":"### 4-1. Quick Start\n\n```bash\n# Replyless 공식 웹사이트 접속 및 계정 연동\nopen https://www.replyless.ai\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Step 1: Replyless.ai 회원 가입 진행\n# Step 2: Gmail, Outlook 또는 Zoho Mail OAuth 연동 또는 IMAP/SMTP 크리덴셜 입력\n# Step 3: (선택) 텔레그램 봇(@replyless_bot) 활성화 및 API 키/채팅 ID 연동하여 Daily Brief 설정\n```","bio_use_cases":[],"official_doc_url":"https://www.replyless.ai","github_url":null,"category":"workflow","difficulty":"beginner","tags":["replyless","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용, 클라우드 API 기반 서비스)","storage":"무관 (웹 SaaS 및 모바일 텔레그램 연동)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-06T13:18:46.820414+00:00"},{"id":"7e10b1c3-60c5-472a-98cb-02cc00fd99bf","slug":"phrony","name":"Phrony","one_liner":"Runtime y framework de gobernanza open source para desplegar y gestionar agentes de IA como primitivas independientes mediante manifiestos YAML","description":"$74","install_code":"### 4-1. Quick Start\n\n```bash\ngo install github.com/phrony-platform/runtime/cmd/cli@latest\nmv -f \"$(go env GOPATH)/bin/cli\" \"$(go env GOPATH)/bin/phrony\"\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. 작업 디렉토리 생성 및 이동\nmkdir phrony-quickstart && cd phrony-quickstart\n\n# 2. Docker Compose 파일 다운로드\ncurl -fsSLO https://phrony.com/runtime/docker-compose.yml\n\n# 3. PostgreSQL 및 Phrony 런타임 데몬 백그라운드 구동\ndocker compose up -d --wait\n\n# 4. 런타임 연결 상태 확인\nphrony status\n```","bio_use_cases":[{"icon":"🔬","title":"🧬 암 유전체 변이 자동 선별 및 주석화**","scenario":"ClinVar API와 Ensembl VEP 도구를 연동한 Phrony 에이전트를 배포하여 1,000개 변이 데이터를 5분 내 주석화하고, 고위험 변이(CADD > 20) 감지 시 HITL 승인 게이트를 호출해 임상 의사결정을 실시간 지원합니다."},{"icon":"🧬","title":"💊 대규모 가상 스크리닝 및 독성 필터링 자동화**","scenario":"ChEMBL 데이터베이스 API와 AutoDock Vina 도구를 조합한 에이전트를 YAML manifest로 선언하고, 리간드 결합력 -8.0 kcal/mol 이하인 200개 선도물질을 선별하는 비용을 20% 절감하며 연구자 최종 승인을 받습니다."},{"icon":"💊","title":"📊 임상 시험 프로토콜 정합성 검증 및 리포팅**","scenario":"ClinicalTrials API와 로컬 Llama-3-70B 모델을 연결한 에이전트를 통해 50건의 타겟 질환 임상 설계 데이터를 자동 분석하고, max_loop_iterations: 10 제한 조건 하에 중복 기준을 차단해 정밀 리포트를 자동 생성합니다."}],"official_doc_url":"https://phrony.com","github_url":"https://github.com/phrony-platform/runtime","category":"workflow","difficulty":"advanced","tags":["phrony","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용. 단, 로컬 LLM을 통한 세션 실행 시 해당 로컬 LLM 구동 하드웨어 사양에 따름)","storage":"바이너리 및 기본 의존성 패키지 설치를 위한 500MB 이하 (Docker 컴포즈 기본 구성 시 가벼움)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:45:51.016793+00:00","created_at":"2026-07-06T13:09:43.712981+00:00"},{"id":"2ae795cc-972a-4326-815c-47d08c3562bd","slug":"meetily","name":"Meetily","one_liner":"Meetily es un asistente de reuniones de IA open source, on-device y centrado en la privacidad. Captura audio, transcribe en tiempo real, resume y responde preguntas 100% localmente en el PC del usuario, sin enviar datos a servidores externos.","description":"$75","install_code":"### 4-1. Quick Start\n\n**macOS (Homebrew 사용)**:\n```bash\nbrew tap zackriya-solutions/meetily\nbrew install --cask meetily\n```\n\n### 4-2. 상세 설치\n\n**Windows**:\n1. 공식 GitHub Releases 페이지에서 최신 `meetily_x64-setup.exe` 또는 `.msi` 파일을 다운로드합니다.\n2. 다운로드한 파일을 실행하고 화면 지침에 따라 설치합니다.\n\n**개발자용 소스 빌드 (Rust 및 Node.js 필요)**:\n```bash\n# 리포지토리 복제\ngit clone https://github.com/Zackriya-Solutions/meetily.git\ncd meetily\n\n# 프런트엔드 의존성 설치\nnpm install\n\n# Tauri 개발 서버 시작 및 빌드\nnpm run tauri:dev\n```","bio_use_cases":[],"official_doc_url":"https://meetily.ai","github_url":"https://github.com/Zackriya-Solutions/meetily","category":"rag","difficulty":"intermediate","tags":["meetily","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU vram 4GB 이상 권장 (Metal/CUDA 가속 구동 시 속도 향상, CPU 단독 작동 시 전사 속도 감소)","storage":"약 1GB (Whisper/Parakeet ONNX 모델 및 로컬 데이터베이스 크기 포함, 추가로 설치할 LLM 용량은 별도)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-06T13:06:39.03419+00:00"},{"id":"4f13f962-979f-430e-b960-6f98974a2eb5","slug":"lingodev","name":"Lingo.dev","one_liner":"Plataforma open source de ingeniería de localización que integra traducción de software y documentación en la infraestructura de compilación","description":"$76","install_code":"### 4-1. Quick Start\n\n```bash\nnpx lingo.dev@latest init\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. Lingo.dev 계정 로그인 및 API 인증 토큰 구성\nnpx lingo.dev@latest login\n\n# 2. 로컬 프로젝트와 원격 Lingo.dev 번역 엔진 연결 및 i18n.json 설정 파일 생성\nnpx lingo.dev@latest link\n\n# 3. 설정된 파일 디렉터리 내 리소스를 번역하고 i18n.lock 파일 업데이트\nnpx lingo.dev@latest run\n\n# 4. 수동 번역 실행 예시 (영어 문서를 스페인어 및 프랑스어로 특정하여 로컬 번역)\nnpx lingo.dev@latest translate docs/intro.md --to es,fr\n```\n\n---","bio_use_cases":[],"official_doc_url":"https://lingo.dev","github_url":"https://github.com/lingodotdev/lingo.dev","category":"coding","difficulty":"beginner","tags":["lingodev","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 - 모든 AI 번역 엔진 및 벡터 연산은 API 호출 기반으로 동작)","storage":"50MB 이내 (CLI 실행 파일 및 로컬 구성 잠금 파일 저장 공간)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-06T13:03:05.125748+00:00"},{"id":"e8b9f9fc-2c54-47ce-ae7a-48021aef735a","slug":"voicebox","name":"Voicebox","one_liner":"Estudio de audio IA local-first para síntesis de voz de alto rendimiento sin configuración compleja","description":"$77","install_code":"### 4-1. Quick Start\n\n```bash\n# 공식 배포처에서 운영체제에 맞는 패키지 다운로드 및 설치\n# macOS: .dmg 설치 파일 실행 (https://voicebox.sh/download)\n# Windows: .msi 설치 파일 실행 (https://voicebox.sh/download)\n```\n\n### 4-2. 상세 설치\n\n```bash\n# GitHub 리포지토리 클론\ngit clone https://github.com/jamiepine/voicebox.git\ncd voicebox\n\n# just 명령 실행기를 활용하여 환경 생성 및 개발 버전 실행\njust setup\njust dev\n```","bio_use_cases":[{"icon":"🔬","title":"학술 연구용 프레젠테이션 오디오 제작** (🎙️)","scenario":"논문 초록 텍스트(약 3,000자)를 Kokoro-82M 모델('af_bella' 스타일, 속도 1.0)에 입력하여 10초 이내에 로컬 합성하고, 타임라인 인터페이스에서 발표 슬라이드 타이밍과 맞추어 WAV 포맷(44.1kHz)으로 내보내는 다국어 교육 콘텐츠 제작 시나리오"},{"icon":"🧬","title":"환자 개인 정보 보호용 프라이빗 의료 가이드 합성** (🔐)","scenario":"개인 건강 가이드라인을 Qwen3-TTS 모델(온도 0.7, 오디오 샘플링 24kHz)에 입력하여 외부 서버 전송 없이 로컬에서 완전 프라이빗하게 오디오 매뉴얼을 합성하고, 환자 맞춤형 복제 음성으로 즉각 자동 변환"},{"icon":"💊","title":"가상 연구원 패널 토론 팟캐스트 제작** (👥)","scenario":"두 명의 대본을 Voicebox 멀티트랙 Stories 에디터에 임포트하고 Kokoro 및 Qwen3-TTS 가상 프로필을 적용한 후, 리버브 및 컴프레서 효과를 믹싱하여 스테레오 WAV 파일로 결합해 교육 오디오 배포"}],"official_doc_url":"https://voicebox.sh","github_url":"https://github.com/jamiepine/voicebox","category":"audio_ai","difficulty":"intermediate","tags":["voicebox","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 실행 가능) / 4GB+ 권장 (RTX 3060 이상 NVIDIA GPU 탑재 시 실시간 처리 속도 향상)","storage":"모델 저장 및 앱 설치 공간 포함 최소 10GB 권장"},"translations":null,"published_at":null,"updated_at":"2026-09-02T19:00:49.866829+00:00","created_at":"2026-07-05T13:14:37.131465+00:00"},{"id":"0113b4a0-5de0-4251-a73d-c0ae6bf52062","slug":"sakana-ai-marlin","name":"Sakana AI Marlin","one_liner":"Agente autónomo de investigación de Sakana AI para decisiones estratégicas complejas, con hasta 8 horas de razonamiento en segundo plano.","description":"$78","install_code":"### 4-1. Quick Start\n\n```bash\n# Sakana AI Marlin은 웹 브라우저를 통해 동작하는 클라우드 B2B SaaS 플랫폼입니다.\n# 별도의 설치 없이 공식 웹 콘솔(https://marlin.sakana.ai)에 접속하여 회원가입 후 즉시 사용합니다.\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. Sakana AI의 공식 마린 웹사이트(https://sakana.ai/marlin/)에 접속합니다.\n# 2. 우측 상단 혹은 소개 페이지 내의 \"今すぐはじめる(Try Sakana Marlin)\" 버튼을 클릭합니다.\n# 3. 로그인 및 가입 페이지(https://marlin.sakana.ai/signup)에서 계정을 등록합니다.\n# 4. 결제 방식(Pro 또는 Team 플랜 등)을 설정하고 크레딧을 연동합니다 (1회 실행당 100크레딧 소모).\n# 5. 연구 및 분석을 진행할 타겟 주제(자연어 프롬프트)를 입력하고 리서치를 실행합니다.\n```","bio_use_cases":[{"icon":"🔬","title":"신약 도입 타당성 및 글로벌 특허 동향 분석**","scenario":"특정 타겟 단백질 분해제(Targeted Protein Degrader) 분야의 글로벌 특허 분쟁 현황과 차세대 우회 기술 파이프라인 분석을 위해 PubMed 및 ClinicalTrials.gov를 포함한 방대한 소스를 8시간 동안 AB-MCTS 기반으로 분석하도록 설정. 그 결과 100페이지가 넘는 정량 리포트와 의사결정용 슬라이드 덱을 확보하여 검토 기간을 3주에서 1일로 대폭 단축."},{"icon":"🧬","title":"바이오시밀러 공정 기술 및 다국적 규제 우회 분석**","scenario":"주요 바이오시밀러 개발사의 최신 생산 수율 최적화 기술 및 EMA/FDA 승인 절차 우회 전략 도출을 목표로 에이전트 구동. 8시간 동안의 자율적인 가설 검증과 판례 교차 분석을 거쳐 잠재적 법적 리스크가 낮고 수율이 높은 3가지 타겟 기술 로드맵과 120페이지 분량의 심층 전략 리포트를 확보."},{"icon":"💊","title":"단백질 폴딩 예측 모델의 산업 라이선스 분석**","scenario":"AI 기반 단백질 3차원 구조 예측 모델들의 특허 우회 방안 및 규제 승인 허들을 정밀 진단하기 위해 Marlin 가동. 8시간의 비동기 추론 연산을 활용해 복잡한 라이선스 계약 조항과 응용 한계 분석을 종합한 80페이지 전략 리포트를 확보하여 연구 부서의 AI 모델 도입 검토 자료로 활용."}],"official_doc_url":"https://sakana.ai/marlin/","github_url":null,"category":"rag","difficulty":"beginner","tags":["sakana","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (클라우드 인프라 연산 기반, 로컬 GPU 불필요)","storage":"로컬 불필요 (완성된 PDF 및 PPTX 결과 파일 다운로드 공간만 요구)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:29:55.402546+00:00","created_at":"2026-07-05T13:12:15.017026+00:00"},{"id":"57d7bac8-98fb-4f20-906f-2d995da1353a","slug":"neubird-falcon","name":"NeuBird Falcon","one_liner":"Plataforma de agentes autónomos que automatiza operaciones de producción y SRE","description":"$79","install_code":"### 4-1. Quick Start\n\n```bash\npip install neubird-cli\n```\n\n### 4-2. 상세 설치\n\n```bash\n# NeuBird API 키 설정 및 클라우드 계정 로그인\nneubird login --api-key \n\n# FalconClaw SkillsHub로부터 Kubernetes 관련 SRE 스킬 검색\nneubird skills search kubernetes\n\n# 특정 진단/조치 스킬 설치\nneubird skills install k8s-rollback-check\n\n# 현재 활성화된 스킬 리스트 조회\nneubird skills list\n```","bio_use_cases":[],"official_doc_url":"https://neubird.ai","github_url":"https://github.com/neubirdai/falconclaw-skills","category":"workflow","difficulty":"advanced","tags":["neubird","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용, 모든 LLM 및 메인 분석 엔진은 NeuBird 클라우드 인프라에서 수행)","storage":"CLI 및 데스크톱 어플리케이션 설치용 200MB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-05T13:10:15.461459+00:00"},{"id":"036e46b7-1abd-4bc6-8795-d85bed98b217","slug":"dirac","name":"Dirac","one_liner":"Agente de codificación de terminal open source y eficiente basado en análisis AST y edición por hash","description":"$7a","install_code":"### 4-1. Quick Start\n\n```bash\nnpm install -g dirac-cli\ndirac auth\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Node.js 호환 버전 확인 (Node.js v20, v22, v24 권장, v25 미지원)\nnode -v\n\n# 글로벌 패키지 설치\nnpm install -g dirac-cli\n\n# 대체 설치 방법 (macOS / Linux 쉘 스크립트)\ncurl -fsSL https://raw.githubusercontent.com/dirac-run/dirac/master/scripts/install.sh | bash\n\n# API 공급자 연결 및 설정\ndirac auth\n```","bio_use_cases":[{"icon":"🔬","title":"유전체 분석 스크립트 병렬화 리팩토링**","scenario":"Dirac CLI와 Gemini 3.5 Flash 모델 조합으로 5,000라인의 싱글 스레드 Python 전처리 코드를 AST 분석을 통해 `multiprocessing` 라이브러리 기반 병렬 코드로 전환. API 토큰 사용량을 82% 절감하고 리팩토링 후 대용량 FASTQ 파이프라인 속도를 4배 개선."},{"icon":"🧬","title":"Streamlit 대시보드 API 최적화 및 디버깅**","scenario":"Dirac의 AST 기반 구조 분석 기능을 활용해 Streamlit 기반 데이터 시각화 도구를 최적화. 캐싱 파라미터(`@st.cache_data`)를 코드 전반에 정밀 삽입하여 메모리 누수를 해결하고 대시보드 렌더링 대기 시간을 5초에서 0.5초로 단축하여 분석 효율 극대화."},{"icon":"💊","title":"BioPython 및 Pandas API 버전 마이그레이션**","scenario":"버전 업데이트로 손상된 기존 파이프라인의 Pandas 및 BioPython 구버전 API 호출부를 Dirac의 해시 앵커 편집으로 일괄 감지하여 수정. 전체 파일 로드 없이 변경 지점 해시만 매핑해 수정 성공률 100%를 달성하고 마이그레이션 공수를 3일에서 1시간으로 단축."}],"official_doc_url":"https://dirac.run","github_url":"https://github.com/dirac-run/dirac","category":"coding","difficulty":"beginner","tags":["dirac","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 및 클라우드 LLM API 기반 동작으로 GPU 메모리 불필요)","storage":"100MB 미만 (NPM 패키지 및 설정 파일 용량)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:10:07.300503+00:00","created_at":"2026-07-05T13:03:03.809844+00:00"},{"id":"8b2993b5-c8a1-45ff-889c-c7e4cf33b38a","slug":"oxloai","name":"Oxlo.ai","one_liner":"Plataforma API de inferencia serverless que integra modelos LLM y factura por número de solicitudes.","description":"$7b","install_code":"### 4-1. Quick Start\n\n```bash\npip install openai\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 환경 변수에 Oxlo API 키 설정\nexport OXLO_API_KEY=\"your_oxlo_api_key_here\"\n```\n\n**Python SDK 활용 예제**\n```python\nfrom openai import OpenAI\n\n# Oxlo.ai OpenAI 호환 API 클라이언트 초기화\nclient = OpenAI(\n api_key=\"YOUR_OXLO_API_KEY\",\n base_url=\"https://api.oxlo.ai/v1\"\n)\n\n# DeepSeek R1 모델을 사용한 대용량 질의 실행\nresponse = client.chat.completions.create(\n model=\"deepseek-r1\",\n messages=[\n {\"role\": \"user\", \"content\": \"Explain the advantages of request-based pricing for large agent workflows.\"}\n ],\n temperature=0.3,\n max_tokens=4000\n)\n\nprint(response.choices[0].message.content)\n```","bio_use_cases":[],"official_doc_url":"https://oxlo.ai","github_url":null,"category":"cloud_ai","difficulty":"beginner","tags":["oxloai","cloud_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"해당 없음 (클라우드 서버리스 호스팅)\",","storage":"\"해당 없음 (OpenAI SDK 등 설치를 위한 최소 100MB)\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-03T13:14:20.23606+00:00"},{"id":"9c2c739b-071f-4b77-affa-e05c9e9b2f37","slug":"browsesh","name":"Browse.sh","one_liner":"Biblioteca de Browser Skills en Markdown y CLI para maximizar la estabilidad y el rendimiento de agentes de IA web; publicada por Browserbase en junio de 2026.","description":"Browserbase가 2026년 6월에 공개한 Browse.sh는 웹 브라우저 상에서 동작하는 AI 에이전트의 안정성과 성능을 극대화하기 위해 개발된 마크다운 기반의 브라우저 스킬 라이브러리이자 이를 실행할 수 있는 커맨드 라인 인터페이스(CLI) 도구입니다. 이 기술은 AI 에이전트가 특정 웹사이트를 매번 처음부터 탐색하고 분석해야 하는 과정에서 유발되는 '브라우저 기억 상실(Forgetting)' 문제를 해결하기 위해 고안되었습니다. AI 에이전트에게 이미 설계된 전용 내비게이션 지도와 작업 수행 매뉴얼을 사전 학습 스킬 형태로 쥐여주는 혁신적인 아키텍처를 특징으로 합니다.\n\n기존의 일반적인 AI 브라우저 에이전트는 새로운 웹사이트에 도달할 때마다 매번 거대한 도큐먼트 오브젝트 모델(DOM 구조) 트리를 파싱하고 버튼 위치나 입력 폼을 추론해야 했기에 토큰 소모량이 막대할 뿐 아니라 레이아웃 변경 시 쉽게 오동작하는 한계가 존재했습니다. Browse.sh는 이러한 비효율성을 극복하기 위해 검증된 웹 내비게이션 경로와 상호작용 코드를 캐싱된 브라우저 스킬(Browser Skills)로 추상화하여 제공합니다. 마치 매번 주행할 때마다 경로를 직접 헤매는 초보 운전자에게 막힘없이 목적지로 인도하는 정밀 내비게이션 시스템을 제공하는 것과 유사합니다.\n\n생명공학 연구자 및 개발자 관점에서는 복잡한 타겟 웹 포털에서 유기적으로 데이터를 모으거나 웹 툴을 조작해야 할 때 유용하게 쓰일 수 있습니다. CLI 명령 단 한 줄만으로 로컬 환경의 Chromium 기반 브라우저 세션을 실행하여 특정 동작을 시연 및 자동 테스트할 수 있으며, 이 명령 앞에 `cloud` 접두어를 붙이면 Browserbase의 분산 클라우드 인프라와 연계되어 대규모 병렬 수집이 진행됩니다. 이 과정에서 프록시 설정이나 캡차 우회(CAPTCHA solving) 같은 까다로운 제어 작업들이 자동으로 통합 처리되어 안정적인 연구 데이터 파이프라인을 구축할 수 있습니다.","install_code":"### 4-1. Quick Start\n\n```bash\nnpm install -g browse\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Node.js 18 버전 이상이 설치되어 있는지 확인 후,\n# 글로벌 npm 패키지로 CLI 설치 진행\nnpm install -g browse\n\n# 기본 구동 테스트 (구글 검색 스킬 실행 예시)\nbrowse run google-search \"Browserbase automation\"\n```","bio_use_cases":[{"icon":"🔬","title":"임상 시험 정보 정기 수집**","scenario":"ClinicalTrials.gov 포털에 매주 자동 접속하여, 표적 항암제 등 주요 질환 관련 최신 임상 시험 데이터를 수집하고 이를 파싱해 로컬 CSV 파일로 축적합니다."},{"icon":"🧬","title":"다국적 시약 벤더 가격 비교**","scenario":"다수의 공급 업체 웹사이트에 자동 로그인하고 장바구니 데이터를 모니터링하여, 실시간 최저가 정보를 확인한 뒤 연구원들에게 자동 요약 메일을 전송합니다."},{"icon":"💊","title":"학술 연구 동향 자동 스크래핑**","scenario":"NCBI PubMed 및 주요 프리프린트 서버에 키워드 조건으로 자동 검색하고, 추출된 수십 건의 초록 및 메타데이터를 안정적으로 벡터 저장소에 인덱싱합니다."}],"official_doc_url":"https://browse.sh","github_url":"https://github.com/browserbase/skills","category":"multimodal","difficulty":"beginner","tags":["browsesh","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 기반 렌더링 지원, 별도 그래픽 메모리 불필요)","storage":"1GB (CLI 및 크로미움 브라우저 캐시 저장공간 권장)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:17.478308+00:00","created_at":"2026-07-03T13:05:39.637768+00:00"},{"id":"9d727bc2-20b6-48fc-940a-d80d73d440c4","slug":"pathmap","name":"PathMap","one_liner":"Motor bioinformático AI local-first y plataforma personal de descubrimiento de conocimiento basada en literatura.","description":"$7c","install_code":"### 4-1. Quick Start\n\n```bash\n# 별도의 다운로드 및 로컬 패키지 설치는 필요하지 않습니다.\n# 웹 브라우저를 실행하여 공식 서비스 사이트에 즉시 액세스할 수 있습니다.\n# 크롬이나 사파리, 엣지 브라우저에서 https://pathmap.org 또는 https://demo.pathmap.org 접속\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 오프라인에서 로컬 LLM을 통한 프라이버시 RAG 환경을 구성하는 방법:\n# 1. Ollama 공식 사이트(https://ollama.com)에서 자신의 OS에 맞는 클라이언트를 다운로드하여 설치합니다.\n# 2. 로컬 터미널에서 다음 명령어를 실행하여 PathMap과 연동해 추론을 수행할 오픈소스 모델을 로컬로 내려받습니다:\nollama run llama3\n\n# 3. 브라우저에서 https://demo.pathmap.org 에 접속합니다.\n# 4. 설정(Settings) 메뉴에서 API Endpoints 항목을 찾아 로컬 호스트 주소(http://localhost:11434)를 지정하여 통신을 연결합니다.\n# 5. 이제 로컬 하드웨어(CPU/GPU) 자원을 동원하여 외부 통신이 차단된 오프라인 문헌 분석 서비스를 즐길 수 있습니다.\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 TDP-43 단백질 경로 기반 ALS 상위 유전자 탐색**","scenario":"PathMap 웹 브라우저 로컬 환경에서 Ollama(Llama 3 8B)와 연동하여 50여 편의 ALS 문헌을 분석, TDP-43 응집 및 국소화 유도 유전자들 사이의 숨겨진 연관 관계를 30초 내에 매핑하고 상위 조절 인자 후보군을 정량적으로 도출."},{"icon":"🧬","title":"🔬 스완슨 퍼즐 기반 약물 재창출 스크리닝**","scenario":"운동신경 질환과 승인 약물 데이터베이스 초록 500건에 대해 팩트 검증 메커니즘을 설정하고 분석을 수행하여 두 질환군 사이의 매개 가교 유전자(Bridge Gene)를 식별하고 후속 시험용 재창출 약물 후보를 선별."},{"icon":"💊","title":"🔬 오프라인 환자 유전체 변이-질병 매핑**","scenario":"환자의 유전체 분석 데이터를 외부망 유출 없이 프라이버시가 차단된 로컬 샌드박스 환경에서 실행, 오프라인 로컬 LLM을 결합하여 최신 유전자-질병 연관성 코호트 데이터와 비교 및 교차 매핑하여 진단 힌트를 생성."}],"official_doc_url":"https://pathmap.org","github_url":null,"category":"rag","difficulty":"beginner","tags":["pathmap","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (클라우드 API 구동 시) / 8GB 이상 (로컬 Ollama를 통해 Llama 3 8B 등 오픈소스 모델 오프라인 구동 시 외장 GPU 권장)","storage":"로컬 설치 저장용량 불필요 (웹 브라우저에서 직접 가동), Ollama 로컬 가속 구동 시 모델당 5GB~15GB 필요"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:35:54.282916+00:00","created_at":"2026-07-02T13:17:18.466747+00:00"},{"id":"f72e9bf0-b17b-41b4-8c87-9429b0e62845","slug":"agentic-os","name":"Agentic OS","one_liner":"Framework open source de gobernanza de agentes de IA para impedir fallos y controlar el ciclo de despliegue.","description":"$7d","install_code":"### 4-1. Quick Start\n\n```bash\n./agentic-os/installers/deploy_brain.sh /path/to/your-project\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. GitHub 저장소 클론 및 폴더 이동\ngit clone https://github.com/KbWen/agentic-os.git\ncd agentic-os\n\n# 2. 지정된 프로젝트 경로에 배포 테스트 (드라이 런)\n./installers/deploy_brain.sh --dry-run /path/to/your-project\n\n# 3. 프로젝트 루트 디렉토리에 프레임워크 및 AGENTS.md 설정 배포\n./installers/deploy_brain.sh /path/to/your-project\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 에이전트 이탈 방지용 단위 테스트 및 검증 게이트 구축**","scenario":"AI 에이전트(Claude Code)가 코드를 수정한 후 pytest와 연계된 검사 도구를 활용하여, 단 한 건의 결함이라도 발견되면 배포 전 단계에서 작업을 차단하고 100% 성공 리포트를 강제하여 코드 안정성 보장."},{"icon":"🧬","title":"🧬 유전체 분석 스크립트 작성 중 크레덴셜 정보 유출 방지**","scenario":"NCBI 및 ChEMBL API를 포함한 분석 환경에서 자율 코딩을 활성화했을 때, 배포(Ship) 단계 전에 자동으로 보안 검사 스크립트를 동작시켜 API 비밀키의 외부 유출 여부를 정밀 분석하고 보안 규정 준수 보장."},{"icon":"💊","title":"📑 대형 데이터 마이그레이션 중 기능 훼손 방지**","scenario":"레거시 코드를 파이썬 3.10+ 사양으로 포팅할 때, 에이전트에게 5단계 자율 개발 워크플로우를 적용하여 상세 기획안(Plan) 승인 후 수정을 진행하도록 통제하고 원본 코드 임의 덮어쓰기 현상을 원천 방지."}],"official_doc_url":"https://kbwen.com","github_url":"https://github.com/KbWen/agentic-os","category":"etc","difficulty":"intermediate","tags":["agentic","etc","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용으로 동작 가능)","storage":"패키지 설치 시 100MB 미만 (의존성 패키지 포함)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:40:51.272867+00:00","created_at":"2026-07-02T13:09:55.362941+00:00"},{"id":"757d21f2-475b-42d9-8b00-963927eea29f","slug":"grok-imagine-video-15","name":"Grok Imagine Video 1.5","one_liner":"Modelo multimodal de vídeo que genera simultáneamente vídeo cinematográfico y banda sonora alineada desde imágenes o prompts","description":"$7e","install_code":"### 4-1. Quick Start\n\n```bash\npip install xai-sdk\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 환경 변수에 xAI API 키 등록\nexport XAI_API_KEY=\"your-api-key-here\"\n\n# Python SDK를 활용한 비디오 생성 실행 예시\ncat << 'EOF' > generate_video.py\nimport os\nfrom xai_sdk import Client\n\n# 클라이언트 초기화\nclient = Client(api_key=os.getenv(\"XAI_API_KEY\"))\n\n# 텍스트 프롬프트 기반 1-Pass 비디오 및 오디오 생성\nresponse = client.video.generate(\n prompt=\"A serene lake at sunrise with mist rolling over the water, ambient wind sound\",\n model=\"grok-imagine-video-1.5\",\n duration=6\n)\n\nprint(f\"생성 완료된 비디오 URL: {response.url}\")\nEOF\n\npython generate_video.py\n```","bio_use_cases":[],"official_doc_url":"https://x.ai","github_url":null,"category":"image_ai","difficulty":"beginner","tags":["grok","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (클라우드 API 전용, 로컬 GPU 불필요)","storage":"100MB 미만 (API SDK 및 종속성 라이브러리 설치 공간)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-01T13:09:55.10378+00:00"},{"id":"ebeec31d-d499-460a-a3cb-734dd805de98","slug":"genebench-pro","name":"GeneBench-Pro","one_liner":"Conjunto de datos de referencia para evaluar el razonamiento bioinformático multi-etapa de agentes de IA.","description":"$7f","install_code":"### 4-1. Quick Start\n\n```bash\npip install datasets pandas\n```\n\n### 4-2. 상세 설치\n\n```python\nfrom datasets import load_dataset\n\n# Hugging Face 데이터셋 허브에서 GeneBench-Pro 공개 패키지 다운로드\ndataset = load_dataset(\"ajh-oai/genebench-pro-public-package\")\n\n# 문제 정의 및 평가 설정 메타데이터 로드\nproblems_df = dataset['train'].to_pandas()\nprint(problems_df.head())\n```","bio_use_cases":[],"official_doc_url":"https://huggingface.co/datasets/ajh-oai/genebench-pro-public-package","github_url":null,"category":"bio_ai","difficulty":"beginner","tags":["genebench","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"\"최소 8GB, 권장 16GB+ (로컬 AI 에이전트 및 대용량 분석 실행 기준)\",","storage":"\"최소 2GB (공개 패키지 및 벤치마크 테스트셋 로드 기준)\""},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-07-01T13:07:32.165673+00:00"},{"id":"de4457ca-cb36-490e-bad5-19f45b6994e2","slug":"fugu-ultra","name":"Fugu Ultra","one_liner":"Sistema multiagente evolutivo que orquesta inteligentemente modelos pequeños y grandes para resolver problemas complejos","description":"$80","install_code":"### 4-1. Quick Start\n\n```bash\npip install openai\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. OpenAI 파이썬 SDK 라이브러리 설치\npip install openai\n\n# 2. Sakana AI API 키 설정 (환경 변수 또는 코드 내 명시)\nexport SAKANA_API_KEY=\"your_sakana_api_key\"\n```\n\n```python\nimport os\nfrom openai import OpenAI\n\n# API 클라이언트 설정\nclient = OpenAI(\n base_url=\"https://api.sakana.ai/v1\",\n api_key=os.environ.get(\"SAKANA_API_KEY\")\n)\n\n# Fugu Ultra 모델 호출 예시\nresponse = client.chat.completions.create(\n model=\"fugu-ultra\",\n messages=[\n {\"role\": \"system\", \"content\": \"당신은 생물정보학 연구를 지원하는 지능형 에이전트입니다.\"},\n {\"role\": \"user\", \"content\": \"유전체 데이터 분석 파이프라인에서 생기는 다단계 라이브러리 버전 충돌 해결 코드를 작성해 줘.\"}\n ]\n)\n\nprint(response.choices[0].message.content)\n```","bio_use_cases":[{"icon":"🔬","title":"생물정보학 파이프라인 예외 처리 자동화**","scenario":"NGS 분석 중 발생하는 알 수 없는 패키지 및 라이브러리 버전 충돌 로그를 Fugu Ultra에 입력하여, Thinker-Worker-Verifier 파이프라인을 통한 근본 원인 도출 및 자동 핫픽스 패치 코드 생성."},{"icon":"🧬","title":"이종 생물 데이터베이스 통합 쿼리 생성**","scenario":"NCBI, ChEMBL, PDB 등 각각의 독자적인 API 포맷을 갖는 복잡한 바이오 데이터베이스 정보를 통합하여 일괄 다운로드하고 전처리하는 복잡한 데이터 ETL 파이프라인 개발."},{"icon":"💊","title":"오믹스 분석 가설 수립 및 동료 검증(Peer Review) 시뮬레이션**","scenario":"특정 질환 유전체 분석에서 도출된 신규 마커 유전자들의 단백질 상호작용 네트워크 가설에 대해 다중 에이전트들이 논리적 비판 및 교차 검증을 수행하여 논문용 고신뢰도 리포트 초안 도출."}],"official_doc_url":"https://sakana.ai","github_url":null,"category":"multimodal","difficulty":"beginner","tags":["fugu","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (로컬 GPU 불필요, 서버측 클라우드 오케스트레이션)","storage":"100MB 미만 (의존 라이브러리 및 API 호출 소스코드용)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:34:07.502196+00:00","created_at":"2026-07-01T13:03:59.682101+00:00"},{"id":"8faaf67d-f1d1-494e-9050-898103ef819e","slug":"stage","name":"Stage","one_liner":"Herramienta de revisión de código que organiza y valida lógicamente los cambios realizados por agentes de IA","description":"$81","install_code":"### 4-1. Quick Start\n\n```bash\nnpm install -g stagereview\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. AI 코딩 에이전트의 스킬로 추가하여 실행 (Claude Code 등)\nnpx skills add ReviewStage/stage-cli\n\n# 2. 로컬 변경 사항 분석 및 브라우저 리뷰 UI 실행\n/stage-chapters\n\n# 3. 특정 브랜치를 기준으로 로컬 작업 변경 사항 비교\nstagereview --base main --ref work\n\n# 4. 특정 GitHub Pull Request를 직접 가져와서 챕터 단위로 리뷰\nstagereview --pr 42\n```","bio_use_cases":[{"icon":"🔬","title":"AI 생성 대규모 코드 변경의 논리적 리뷰 흐름 재구성","scenario":"AI 에이전트가 생성한 30개 파일, 1,200라인의 리팩토링 diff에 대해 `stagereview --base main` 명령어를 호출. 변경 사항을 4개의 의미적 '챕터'로 군집화하여 로컬 브라우저 UI에서 3분 내에 상호 검증 및 버그 사전 예방."},{"icon":"🧬","title":"AI 코딩 에이전트 연동을 통한 풀 리퀘스트 설명 자동 생성","scenario":"로컬 에이전트 워크플로우에 `ReviewStage/stage-cli` 스킬을 추가하고 `/stage-chapters`를 실행하여 챕터 구조를 자동 획득. 이를 기반으로 변경점의 서사를 담은 PR 본문 요약을 5초 만에 생성하여 코드 리뷰어의 이해도를 극대화."},{"icon":"💊","title":"생물정보학 분석 파이프라인 마이그레이션 이력 검증","scenario":"Python 기반 DNA 시퀀싱 파이프라인의 C++ 포팅 과정에서 발생한 staged/unstaged 변경 사항을 `stagereview --ref work`로 스캔. 복잡하게 꼬인 입출력 스트림 수정본을 모듈별 단위로 논리 분류하여 이관 검증 시간을 50% 단축."}],"official_doc_url":"https://stagereview.app","github_url":"https://github.com/ReviewStage/stage-cli","category":"coding","difficulty":"beginner","tags":["stage","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용)","storage":"50MB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:24:35.8366+00:00","created_at":"2026-06-30T13:20:07.259409+00:00"},{"id":"c6458674-3411-4834-b0e8-41832b6458d3","slug":"bio","name":"Bio","one_liner":"Asistente local de investigación que explora datos biomédicos mediante conversación en lenguaje natural","description":"$82","install_code":"### 4-1. Quick Start\n\n```bash\ngit clone https://github.com/yorkeccak/bio.git && cd bio && pnpm install && cp .env.example .env.local\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. 저장소 복제 및 이동\ngit clone https://github.com/yorkeccak/bio.git\ncd bio\n\n# 2. 패키지 의존성 설치\npnpm install\n\n# 3. 환경 변수 설정 (.env.local 생성 후 API 키 및 모드 입력)\n# NEXT_PUBLIC_APP_MODE=self-hosted\n# VALYU_API_KEY=your-valyu-api-key\n# DAYTONA_API_KEY=your-daytona-api-key\n# DAYTONA_API_URL=https://api.daytona.io\n# OLLAMA_BASE_URL=http://localhost:11434 # 로컬 모델 연동 시\n\n# 4. 개발 서버 구동\npnpm dev\n```","bio_use_cases":[],"official_doc_url":"https://bio.valyu.ai","github_url":"https://github.com/yorkeccak/bio","category":"rag","difficulty":"intermediate","tags":["bio","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"로컬 LLM 구동 시 VRAM 6GB~12GB 이상 권장 (CPU 단독 실행 가능하나 느림)","storage":"약 500MB (로컬 LLM 모델 파일 별도 다운로드 필요, 모델당 4GB~10GB 내외)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-30T13:07:39.850461+00:00"},{"id":"6ce0e6ef-1963-4f99-a478-3d53421f2ac5","slug":"openknowledge","name":"OpenKnowledge","one_liner":"Editor de documentos WYSIWYG nativo de IA y solución local de gestión del conocimiento","description":"$83","install_code":"### 4-1. Quick Start\n\n**macOS 데스크톱 앱 다운로드:**\n[공식 웹사이트](https://openknowledge.ai)에 접속하여 macOS용 `.dmg` 파일을 다운로드한 후, 애플리케이션 폴더로 드래그 앤 드롭합니다.\n\n**CLI 설치 및 프로젝트 초기화 (Linux, Windows, Intel Mac):**\n```bash\nnpm install -g @inkeep/open-knowledge\ncd your-project\nok init\n```\n\n### 4-2. 상세 설치\n\n1. **사전 준비**: 로컬 환경에 Node.js(버전 24 이상)가 설치되어 있는지 확인합니다.\n ```bash\n node -v\n ```\n\n2. **글로벌 패키지 설치**: npm을 이용해 OpenKnowledge CLI를 글로벌 환경에 설치합니다.\n ```bash\n npm install -g @inkeep/open-knowledge\n ```\n\n3. **프로젝트 폴더 지정 및 초기화**: 마크다운 파일이 보관될 작업 디렉토리로 이동하여 프로젝트를 생성하고 AI 에이전트 연동 파일을 스캐폴딩합니다.\n ```bash\n cd /path/to/your/knowledge-base\n ok init\n ```\n\n4. **웹 에디터 구동**: 로컬 서버를 열고 웹 브라우저에서 편집기를 실행합니다.\n ```bash\n ok start --open\n ```","bio_use_cases":[],"official_doc_url":"https://openknowledge.ai","github_url":"https://github.com/inkeep/open-knowledge","category":"rag","difficulty":"beginner","tags":["openknowledge","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 기반 동작, 로컬 임베딩 및 AI 동작 시 외부 API 또는 로컬 에이전트 환경의 VRAM 활용)","storage":"약 500MB (애플리케이션 설치 공간 및 로컬 캐시 포함, 문서 저장 용량은 별도)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:19:31.064059+00:00","created_at":"2026-06-29T13:20:14.629888+00:00"},{"id":"1b756d6f-2442-4385-b92a-02617def9d11","slug":"gnap-git-native-agent-protocol","name":"GNAP (Git-Native Agent Protocol)","one_liner":"Protocolo de colaboración multiagente serverless basado en Git.","description":"$84","install_code":"### 4-1. Quick Start\n\n```bash\n# Git 레포지토리에 GNAP 디렉토리 구성 및 초기화\nmkdir -p .gnap/tasks .gnap/runs .gnap/messages && echo \"4\" > .gnap/version && echo \"[]\" > .gnap/agents.json\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. GNAP 연동을 돕는 Python 라이브러리 설치\npip install workswithagents\n\n# 2. TypeScript/JavaScript 에이전트 구성을 위한 Node 패키지 설치\nnpm install @workswithagents/agent-foundry\n```\n\n---","bio_use_cases":[],"official_doc_url":"https://github.com/farol-team/gnap","github_url":"https://github.com/farol-team/gnap","category":"workflow","difficulty":"beginner","tags":["gnap","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (프로토콜 동작에 필수적이지 않음, 연동되는 AI 에이전트 런타임 요구 사양에 따름)","storage":"약 10MB 이내 (프로토콜 정의 및 초기 스키마 템플릿 영역 기준, 누적될 Git 히스토리 용량 별도)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-29T13:09:30.845319+00:00"},{"id":"25d296dd-576e-4237-aa69-10fd2b2ad1f0","slug":"bionemo-agent-toolkit","name":"BioNeMo Agent Toolkit","one_liner":"Toolkit open source de NVIDIA que convierte LLM en agentes científicos de IA para biología molecular","description":"$85","install_code":"### 4-1. Quick Start\n\n```bash\npip install nvidia-nat\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. NeMo Agent Toolkit 리포지토리 클론 및 이동\ngit clone -b main https://github.com/NVIDIA/NeMo-Agent-Toolkit.git\ncd nemo-agent-toolkit\n\n# 2. 서브모듈 동기화 및 Git LFS 활성화\ngit submodule update --init --recursive\ngit lfs install && git lfs fetch && git lfs pull\n\n# 3. uv 가상 환경 생성 및 의존성 동기화\nuv venv --python 3.12 .venv\nsource .venv/bin/activate\nuv sync --all-groups --all-extras\n```","bio_use_cases":[{"icon":"🔬","title":"단백질 표적 저분자 화합물 가상 스크리닝","scenario":"표적 단백질의 FASTA 서열과 화합물 라이브러리를 입력으로 제공하고 '결합 최적 화합물 탐색' 프롬프트 전달. 에이전트가 `boltz2-nim` 스킬을 호출해 3D 구조를 예측하고, `diffdock-nim` 스킬로 1,000개 후보군의 결합 친화도를 도킹 시뮬레이션하여 상위 5개 후보군을 5분 내 선별 및 추천함."},{"icon":"🧬","title":"De Novo 단백질 바인더 구조 설계","scenario":"특정 표적 유전자의 수용체를 비활성화할 단백질 설계 의뢰. 에이전트가 `complexa-design` 및 `esmfold-nim` 스킬을 연계하여 상호작용 면적이 넓고 결합 에너지가 낮은 단백질 결합 후보 구조 3종을 설계하고, 원자 좌표(PDB) 파일을 출력하여 습식 실험(Wet-lab)의 가이드를 제시함."},{"icon":"💊","title":"게놈 변이 기반 맞춤형 바이오마커 자동 분석","scenario":"환자 유전체의 변이 데이터(VCF)를 입력하고 '임상적 치료 가능성 분석' 지시. 에이전트가 변이 위치를 확인하고 NCBI 및 ClinVar API 연계 스킬을 자율 호출하여 병원성 변이와 관련 표적 유전자를 추출하며, 임상시험 데이터베이스와 매핑해 유력한 맞춤형 약물 후보 2종을 30초 내에 제안함."}],"official_doc_url":"https://developer.nvidia.com/bionemo","github_url":"https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit","category":"bio_ai","difficulty":"intermediate","tags":["bionemo","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU 8GB+ 권장 (로컬 추론 및 API 연동 프레임워크 구동 시), NIM 마이크로서비스를 클라우드로 구동할 경우 VRAM 요구량은 API 호출 수준으로 최소화됨","storage":"전체 패키지 및 에이전트 워크스페이스용 5GB 이상 (추가 모델 로컬 다운로드 시 증가 가능)"},"translations":null,"published_at":null,"updated_at":"2026-09-05T19:01:01.359321+00:00","created_at":"2026-06-29T13:03:40.901484+00:00"},{"id":"857378f5-ec5d-402c-b46f-640b39cbe10c","slug":"wan-27","name":"Wan 2.7","one_liner":"Modelo generativo open source de Alibaba que convierte texto e imágenes en vídeo de alta resolución.","description":"$86","install_code":"### 4-1. Quick Start\n\n```bash\npip install torch diffusers transformers accelerate\npip install modelscope\nmodelscope download Wan-AI/Wan2.1-T2V-14B --local_dir ./Wan-Video-Weights\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. GitHub 저장소 클론 및 이동\ngit clone https://github.com/Wan-Video/Wan2.1.git\ncd Wan2.1\n\n# 2. 필수 종속성 패키지 설치\npip install -r requirements.txt\n\n# 3. CLI를 이용한 텍스트-비디오 생성 테스트 실행\npython generate.py \\\n --model_path \"./Wan-Video-Weights\" \\\n --prompt \"A molecular simulation of DNA double helix replicating inside a cell nucleus, highly detailed, 3d render\" \\\n --output_path \"outputs/dna_replication.mp4\" \\\n --resolution \"1080p\"\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 가상 스크리닝 및 신약 개발을 위한 수용체-리간드 결합 동역학 시각화","scenario":"Wan 2.7의 R2V(Reference-to-Video) 모드를 활용해 PyMOL 기반 단백질 수용체 3D 구조와 리간드 도킹 시뮬레이션을 연계하고, 프레임 속도 30fps 및 1080p 해상도 조건 하에 분자 모션을 렌더링함으로써 신약 후보 물질의 구조적 적합성을 직관적으로 검증하고 2초 내에 학술 발표용 애니메이션을 생성합니다."},{"icon":"🧬","title":"🔬 약물 투여에 따른 암세포 사멸 과정의 3D 타임랩스 비디오 합성","scenario":"형광 현미경으로 촬영된 대장암 세포의 시계열 이미지(1024x1024)를 Wan 2.7의 I2V(Image-to-Video) 입력으로 설정하고 모션 스케일을 0.8로 지정하여 약물 투여 후 72시간 동안의 세포막 수축 및 세포 자멸사(Apoptosis) 전개 동역학 비디오를 단일 24GB GPU에서 10초 길이로 합성해 복잡한 생리 변화를 가시화합니다."},{"icon":"💊","title":"🔬 모바일 디바이스 기반 원격 의료 교육용 가상 수술 시뮬레이션 비디오 편집","scenario":"자연어 지시 편집 기능을 활용해 기존 1080p 수술 데모 비디오에 \"절개 각도를 15도 조정\"이라는 프롬프트를 입력하고, consumer GPU 환경에서 5초 이내에 모션을 수정 및 재생성하여 차세대 원격 진료 가이드와 의료진 교육용 가상 현실 컨텐츠의 제작 비용을 기존 대비 90% 이상 절감합니다."}],"official_doc_url":"https://wan.video","github_url":"https://github.com/Wan-Video","category":"image_ai","difficulty":"intermediate","tags":["wan","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 16GB, 권장 24GB 이상 (14B/27B MoE 실행 시 24GB 이상 VRAM 장치 권장)","storage":"모델 가중치 저장 및 캐싱용 100GB 이상의 여유 공간"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:18:37.711985+00:00","created_at":"2026-06-28T13:22:08.050567+00:00"},{"id":"6f9dd875-10d5-4ada-942b-d68cd75b2f4c","slug":"taste-skill","name":"Taste-Skill","one_liner":"Paquete de ingeniería de prompts y framework open source para agentes de IA.","description":"$87","install_code":"### 4-1. Quick Start\n\n```bash\nnpx skills add https://github.com/Leonxlnx/taste-skill\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 특정 프론트엔드 디자인 스킬만 지정 설치 시\nnpx skills add https://github.com/Leonxlnx/taste-skill --skill \"design-taste-frontend\"\n\n# 프로젝트 폴더 내 로컬 에이전트 스킬 폴더(.claude/skills/ 등)에 SKILL.md 파일 직접 복사 배치도 지원\n```","bio_use_cases":[{"icon":"🔬","title":"유전체 데이터 시각화 대시보드 구축","scenario":"Claude Code 에이전트와 Next.js를 사용하여 유전체 브라우저를 개발할 때, Taste-Skill v2를 로컬 컨텍스트에 주입해 대규모 서열 데이터와 히트맵의 가독성을 위한 그리드 여백 및 글꼴 대비 자동 제어"},{"icon":"🧬","title":"반응형 3D 단백질 구조 시각화 패널 개발","scenario":"Cursor 에이전트와 Three.js 기반의 생체 분자 구조 모델러를 제작할 때, 디자인 다이얼 매개변수를 7레벨로 설정하여 어두운 테마의 대비와 정밀하고 정제된 레이아웃 디자인 시스템 자동 구현"},{"icon":"💊","title":"연구실 분석 워크플로우 모니터링 웹 인터페이스 최적화","scenario":"복잡한 바이오인포매틱스 분석 파이프라인 관리 화면 설계 시, AI 특유의 색상 과용 및 이모지 남발을 제어하고 정보 밀도가 높은 미니멀리스트 아키텍처 규칙을 적용해 데이터 스캔 효율성 극대화"}],"official_doc_url":"https://tasteskill.dev","github_url":"https://github.com/Leonxlnx/taste-skill","category":"coding","difficulty":"beginner","tags":["taste","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용 - 에이전트 작동용으로 GPU 비요구)","storage":"10MB 미만 (텍스트 규칙 파일 중심)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:19:15.465565+00:00","created_at":"2026-06-28T13:15:59.548883+00:00"},{"id":"bf804f93-7b97-4f4d-82d8-70a8b00cba71","slug":"plain","name":"Plain","one_liner":"Framework web moderno que rediseña Django para la colaboración entre agentes de IA y desarrolladores","description":"$88","install_code":"### 4-1. Quick Start\n\n```bash\nuvx plain-start my-app\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. uv 설치 (없을 경우)\ncurl -LsSf https://astral.sh/uv/install.sh | sh\n\n# 2. Plain 앱 스타터 템플릿 프로젝트 생성 및 이동\nuvx plain-start my-app\ncd my-app\n\n# 3. 개발 서버 구동 (Postgres는 로컬 Docker로 자동 구성됨)\nuv run plain dev\n```","bio_use_cases":[{"icon":"🔬","title":"AI 에이전트 기반 바이오 데이터베이스 스키마 설계 및 마이그레이션","scenario":"에이전트에 분석 데이터 모델 설정을 입력하고 CLI 명령을 통해 에이전트가 Postgres 16+ 스키마 설계, 마이그레이션 적용 및 `plain check` 검증까지 논스톱으로 수행하여 DB 구축 시간을 80% 이상 단축합니다."},{"icon":"🧬","title":"htmx 및 Jinja2를 활용한 실시간 시퀀스 정렬 대시보드 개발","scenario":"에이전트가 Tailwind CSS와 htmx를 조합해 화면 새로고침 없는 반응형 웹 UI를 생성하고, Plain 패키지 구조에 따라 코드를 안정적으로 주입하여 연구용 실시간 서열 분석 도구를 웹 포털 형태로 즉시 구축합니다."},{"icon":"💊","title":"uv 패키지 매니저와 Docker 컨테이너 기반 클라우드 분석 환경 배포","scenario":"`uv run plain dev` 명령과 로컬 Docker Postgres 데이터베이스 구성을 활용해 코딩 에이전트가 배포용 환경 설정을 완벽히 검증하고, 클라우드 서버에 신속하게 웹 서비스를 배포 및 최적화합니다."}],"official_doc_url":"https://plainframework.com","github_url":"https://github.com/dropseed/plain","category":"framework","difficulty":"advanced","tags":["plain","framework","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용, AI 에이전트 툴은 별도 LLM API 사용으로 로컬 VRAM 필요 없음)","storage":"모델 및 패키지 100MB 이하, 전체 개발 환경 1GB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:59:59.504103+00:00","created_at":"2026-06-26T13:11:57.005725+00:00"},{"id":"2ebc7ae1-2e3d-414d-abc5-cd81510e0818","slug":"command-center","name":"Command Center","one_liner":"Centro de comandos y panel de control para agentes de IA.","description":"$89","install_code":"### 4-1. Quick Start\n\n공식 사이트(https://cc.dev)에서 운영체제에 맞는 클라이언트 설치 패키지를 다운로드한 뒤 실행합니다.\n\n### 4-2. 상세 설치\n\nLinux 환경의 경우 제공되는 `.deb` 패키지 또는 `AppImage` 파일을 사용하여 다음과 같이 설치할 수 있습니다.\n\n```bash\n# Debian/Ubuntu 계열 설치 예시\nsudo dpkg -i command-center-desktop.deb\nsudo apt-get install -f # 의존성 문제 발생 시 해결\n```\n\nWindows 및 macOS 환경의 경우 공식 배포 파일(.dmg 또는 .exe)을 실행하여 드래그 앤 드롭 또는 설치 마법사의 안내에 따라 설치를 완료합니다. 설치 후 CLI 환경이나 API Key 설정 등은 GUI 대시보드 내에서 자동 구성 가이드를 통해 세팅됩니다.","bio_use_cases":[{"icon":"🔬","title":"🔬 대규모 바이오인포매틱스 데이터 분석 파이프라인 리팩토링","scenario":"Claude 3.5 Sonnet으로 작성한 1024x1024 싱글셀 RNA-seq 전처리 판다스(Pandas) 코드(2,500라인)의 중복 함수를 감지하고 통합 컴포넌트로 리팩토링하여 실행 속도를 35% 단축하고 메모리 사용량을 4.2GB 절감합니다."},{"icon":"🧬","title":"🧬 멀티모달 오믹스 시각화 대시보드 디버깅 및 머지","scenario":"Gemini 1.5 Pro와 Codex가 독립적으로 생성한 두 개의 Dash 웹 인터페이스 병렬 수정본(각 15개 파일)의 충돌 지점을 로컬 jj 스냅샷으로 백업 후 비교 분석하여 결함률 0%로 실시간 병합합니다."},{"icon":"💊","title":"🧪 로컬 LLM 기반 신약 후보 물질 탐색 스크립트의 하드코딩 제거","scenario":"신약 타겟 검증을 위한 자동화 파이프라인에서 API 키 노출 등의 보안 취약점 4건을 탐지하여 시스템 환경변수(`.env`) 기반으로 자동 전환하고 로컬 GPU(VRAM 12GB+) 추론 엔진 설정을 안정화합니다."}],"official_doc_url":"https://cc.dev","github_url":null,"category":"coding","difficulty":"beginner","tags":["command","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (API 연동 시 불필요) / 로컬 LLM 추론 시 NVIDIA GPU 4GB+ 또는 Apple Silicon 권장","storage":"약 500MB (애플리케이션 설치 공간 및 로컬 캐시 기준)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:22:53.254907+00:00","created_at":"2026-06-26T13:03:50.598916+00:00"},{"id":"16b1ed10-c532-4946-804a-f8813d06893b","slug":"director-ai","name":"Director-AI","one_liner":"Herramienta de orquestación que controla automáticamente la coherencia estructural y la calidad de las salidas de LLM","description":"$8a","install_code":"### 4-1. Quick Start\n\n```bash\npip install \"director-ai[nli]\"\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 기본 라이브러리 설치\npip install director-ai\n\n# 데모 실행 및 증빙 패키지 생성\ndirector-ai evidence --emit evidence/\n\n# 생성된 감사 증빙 해시 및 정합성 검증\ndirector-ai verify-evidence evidence/\n```","bio_use_cases":[{"icon":"🔬","title":"임상 시험 데이터 요약 RAG 시스템 환각 검증","scenario":"임상 약리 정보 및 치료 수치 요약 시 발생하는 환각 현상 감지 및 오정보 사용자 송출 차단"},{"icon":"🧬","title":"생명공학 학술 논문 자동 정보 추출 가드레일","scenario":"논문 내 실험 수치 및 결론 요약 파이프라인에서 토큰 단위 모순을 탐지해 데이터 무결성 보장"},{"icon":"💊","title":"실험실 SOP 질의응답 오답 방지","scenario":"대형 언어 모델의 안전성 가이드라인 위반 및 부적절한 프로토콜 생성 시 즉각 경고 및 강제 중단 처리"}],"official_doc_url":"https://anulum.github.io/director-ai","github_url":"https://github.com/anulum/director-ai","category":"rag","difficulty":"beginner","tags":["director","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"CPU 단독 처리 가능 / 권장 NVIDIA VRAM 4GB 이상 (실시간 NLI 연산 시)","storage":"모델 다운로드 및 전체 라이브러리 설치용 약 2GB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:41:07.331278+00:00","created_at":"2026-06-25T13:15:07.404478+00:00"},{"id":"1fd037d1-f7d2-42a7-b40f-eb8713eac1e1","slug":"bloclaw","name":"BloClaw","one_liner":"Espacio de trabajo multiagente multimodal para controlar canalizaciones bioinformáticas y quimioinformáticas","description":"과학 연구 전용 다중 모달 에이전트 워크스페이스인 BloClaw는 거대 언어 모델이 바이오인포매틱스 및 화학 정보학 연산 파이프라인을 다룰 때 발생하는 다양한 통제 문제를 해결하기 위해 고안되었습니다. 마치 숙련된 화학 실험 조수가 연구자의 지시에 따라 복잡한 시약을 정밀하게 혼합하고 도구를 배열하듯, 이 시스템은 XML-Regex 이중 트랙 라우팅 프로토콜(XML-Regex Dual-Track Routing Protocol)을 통해 LLM의 도구 호출을 안정적으로 중개하고 정교한 구조화된 응답을 보장합니다.\n\n기존의 에이전트 프레임워크들은 오류가 잦은 JSON 기반 도구 호출을 사용하여 과학 연산 파이프라인처럼 정밀한 제어가 필요한 환경에서 쉽게 실패하는 치명적인 한계를 지니고 있었습니다. 또한, 분석 과정에서 생성된 데이터 시각화 자료를 에이전트 환경 밖으로 안정적으로 추출하지 못해 연구자의 인지적 부담을 가중시켰습니다. BloClaw는 Python 런타임 상태 가로채기(Runtime State Interception) 기술을 통해 Plotly나 Matplotlib 등의 시각화 결과를 실시간으로 캡처하고 화면에 매핑하여 이 문제를 해결합니다. 이는 연구자가 브라우저나 외부 탐색기를 열지 않고도 실험 데이터를 직관적으로 관찰할 수 있도록 지원합니다.\n\n생명공학 연구자는 BloClaw를 활용하여 RDKit 기반의 2D 분자 이미지 생성부터 ESMFold를 연계한 3D 단백질 구조 예측까지 로컬 환경 내에서 안전하게 수행할 수 있습니다. 예를 들어, 특정 타깃 단백질의 아미노산 서열을 입력하고 ESMFold 예측 파이프라인을 구동하여 3D 구조 PDB 파일을 로컬에서 획득하고, RDKit으로 후보 화합물의 물리화학적 특성을 산출하여 이를 시각적 데이터로 즉각 확인할 수 있습니다. 외부 클라우드로 민감한 물질 데이터가 유출되지 않는 제로 트러스트(Zero-Trust) 프라이버시 환경을 제공하므로, 신약 개발 연구소나 제약 산업 분야에서 보안성이 확보된 인공지능 연구 비서로 즉각 도입 가능합니다.","install_code":"### 4-1. Quick Start\n\n```bash\ngit clone https://github.com/qinheming/BIoClaw.git\ncd BIoClaw && poetry install\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Poetry 가상환경 진입 및 메인 모듈 실행\npoetry run python main.py\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 대규모 후보 물질의 2D 구조 렌더링 및 특성 계산","scenario":"BloClaw를 통해 RDKit 패키지를 호출하여 SMILES 포맷 분자 1,000개를 파싱하고(파라미터: 2D 구조 이미지 생성 옵션), 각 화합물의 분자량(MW), 분배계수(LogP) 등 물리화학적 특성 데이터를 로컬 런타임에서 10초 이내에 정량화하여 후속 가상 스크리닝(Virtual Screening)에 활용함으로서 전임상 설계 속도를 개선합니다."},{"icon":"🧬","title":"🧬 ESMFold 연동 단백질 3D 구조 1차 예측 및 가시화","scenario":"단백질 서열 분석 도구와 ESMFold를 연계 실행하여 신약 타깃 단백질의 3D 접힘 구조를 예측(서열 길이 400aa 기준, 단독 GPU에서 15초 내외 소요)하고, 생성된 PDB 좌표를 Matplotlib 3D 플롯 및 로컬 뷰포트 내에 동적 렌더링하여 타깃-리간드 결합 위치(Active Site) 식별 효율을 극대화합니다."},{"icon":"💊","title":"📊 생물학적 활성 데이터 분석 및 동적 그래프 매핑","scenario":"PubChem 데이터베이스에서 화합물 활성 지표(IC50) 정보를 검색하고 RAG 모델을 통해 최신 문헌의 데이터셋을 정리한 뒤, Python 런타임 가로채기 기능으로 Plotly 동적 박스플롯 그래프(Box Plot)를 실시간 생성하여 결합 활성도가 우수한 상위 5% 후보 물질 분포군을 시각적으로 분류합니다."}],"official_doc_url":"https://github.com/qinheming/BIoClaw","github_url":"https://github.com/qinheming/BIoClaw","category":"bio_ai","difficulty":"intermediate","tags":["bloclaw","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 NVIDIA GPU VRAM 8GB (ESMFold 로컬 folding 시 12GB+ 권장)","storage":"최소 10GB 이상 (RDKit 및 ESMFold 등 분자 정보학 가중치 포함)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:13.674368+00:00","created_at":"2026-06-25T13:03:41.134455+00:00"},{"id":"d7fce17d-3a09-427a-a9f1-7ef5bbacf74c","slug":"skybridge","name":"Skybridge","one_liner":"Puente de interfaz para renderizar UI enriquecidas directamente en entornos de agentes de IA.","description":"$8b","install_code":"### 4-1. Quick Start\n\n```bash\nnpx skills add alpic-ai/skybridge -s skybridge\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 새로운 Skybridge 기반 React 앱 생성\nnpm create skybridge@latest my-app\n\n# 생성된 프로젝트 폴더로 이동하여 의존성 패키지 설치\ncd my-app\nnpm install\n\n# 개발 서버 구동 (핫 모듈 대체 및 터널 기능 포함)\nnpm run dev\n```\n\n---","bio_use_cases":[{"icon":"🔬","title":"🔬 대화형 다차원 데이터 시각화 대시보드","scenario":"AI 에이전트와 대화하며 실시간으로 필터링 조건과 피벗 테이블 속성을 변경하고, 즉각적으로 렌더링되는 컴포넌트를 통해 복잡한 오믹스(Omics) 분석 통계 데이터를 탐색하여 임상 의사결정을 가속화합니다."},{"icon":"🧬","title":"🔬 복잡한 외부 파이프라인 파라미터 조정 뷰","scenario":"고성능 연산 모델의 하이퍼파라미터(Hyperparameter) 조합을 AI 채팅 내부의 슬라이더 및 체크박스를 통해 변경하고 실시간 손실 함수 추이를 모니터링하여 최적의 분석 결과를 도출합니다."},{"icon":"💊","title":"🔬 Human-in-the-loop 기반의 다중 의사결정 시뮬레이터","scenario":"여행 예약, 이커머스 카트 관리, 연구 승인 등 여러 단계의 검증이 필요한 비즈니스 로직에서 AI가 작성한 중간 단계 제안을 동적 UI로 사용자에게 확인받아 안전하고 검증된 행위를 보장합니다."}],"official_doc_url":"https://skybridge.tech","github_url":"https://github.com/alpic-ai/skybridge","category":"multimodal","difficulty":"beginner","tags":["skybridge","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용)","storage":"약 500MB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:41:34.877611+00:00","created_at":"2026-06-24T13:23:37.552914+00:00"},{"id":"a0b32505-994f-4b0b-8386-7c5eea90a751","slug":"agentx","name":"AgentX","one_liner":"Plataforma de CI/CD y framework integrado de evaluación y observabilidad para agentes de IA","description":"$8c","install_code":"### 4-1. Quick Start\n\n```bash\npip install --upgrade agentx-python\n```\n\n### 4-2. 상세 설치\n\n```python\nimport os\nfrom agentx import AgentX\n\n# API 키 설정 및 클라이언트 초기화\nos.environ[\"AGENTX_API_KEY\"] = \"your_agentx_api_key_here\"\nclient = AgentX.from_env()\n\n# 대화 세션 시작\nagents = client.list_agents()\nif agents:\n agent = agents[0]\n conversation = agent.new_conversation()\n response = conversation.chat(\"실험 데이터 자동 수집을 시작해줘.\")\n print(response)\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 바이오 문서 분석 에이전트 최적화","scenario":"`agentx-python` SDK와 GPT-4o(온도 0.2)를 결합하여 매일 PubMed 논문 100건을 요약하는 파이프라인에서, AgentX의 CI/CD 평가를 통해 환각 비율을 기존 15%에서 2% 미만으로 감소시키고 분석 정확도를 98%로 향상하여 임상 연구 속도 가속화."},{"icon":"🧬","title":"🧬 단백질-화합물 상호작용 에이전트 검증","scenario":"ChEMBL API 및 AlphaFold API 연동 에이전트의 멀티스텝 추적을 수행하여 API 호출 실패율과 토큰 사용량을 분석. AgentX의 메시지 추적(Traces)으로 병목 지점을 해결하여 평균 응답 지연 시간을 15초에서 3초 내외로 단축시키고 신약 개발 초기 스크리닝 효율성 증대."},{"icon":"💊","title":"📊 대규모 오믹스 데이터 RAG 검증","scenario":"유전체 분석 RAG 에이전트에 AgentX Evaluation 모듈을 적용하고 LLM-as-a-judge 평가 지표를 활용하여, 1,000건의 질의응답 중 잘못 변환된 유전자 식별자 오류를 감지하고 시스템 프롬프트를 자동 수정(PromptForge AI)하여 데이터 신뢰도를 99.5%까지 제고."}],"official_doc_url":"https://www.agentx.so","github_url":"https://github.com/AgentX-ai/AgentX-Python","category":"workflow","difficulty":"beginner","tags":["agentx","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용으로 동작 가능하나, 로컬 평가 모델 구동 시 NVIDIA GPU 8GB 이상 권장)","storage":"SDK 기준 50MB 미만 (로컬 패키지 설치 시 전체 약 200MB 소요)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:50:50.479331+00:00","created_at":"2026-06-24T13:03:14.393013+00:00"},{"id":"04074d6d-dce2-4f49-b6dd-1a4b0d025dc4","slug":"biomestat","name":"biomeStat","one_liner":"Herramienta móvil/web para análisis bioestadístico interactivo sin programación","description":"$8d","install_code":"### 4-1. Quick Start\n\nbiomeStat은 클라우드 백엔드 기반의 모바일 및 웹 애플리케이션으로, 로컬 개발 환경에서의 개별 명령어 설치는 필요하지 않습니다. 모바일 기기의 공식 앱 스토어(App Store / Google Play)에서 앱을 다운로드하여 실행할 수 있습니다.\n\n### 4-2. 상세 설치\n\n1. **모바일 앱 다운로드**:\n - iOS: Apple App Store에서 \"biomeStat\" 검색 및 설치\n - Android: Google Play Store에서 \"biomeStat\" 검색 및 설치\n2. **계정 생성 및 로그인**:\n - 앱 실행 후 이메일 또는 소셜 연동을 통해 계정을 생성합니다.\n3. **데이터 로드 및 분석**:\n - 분석하고자 하는 유전체 데이터(FASTA, FASTQ, FCS 등)를 클라우드에 업로드하고 자연어 질의를 입력하여 분석을 시작합니다.","bio_use_cases":[{"icon":"🔬","title":"🔬 뎅기열 바이러스 게놈 역학 분석","scenario":"1,000개의 DENV 유전체 데이터를 업로드하고 IQ-TREE, TreeTime, BEAST2(NVIDIA H200 GPU) 조합의 계통학 분석 워크플로우를 구축하여 24시간 내에 복제율(Re ≈ 1.0)과 1,869개 면역 회피 후보 부위를 발굴하여 백신 개발을 촉진합니다."},{"icon":"🧬","title":"🧬 대규모 단일세포 전사체 분석 자동화","scenario":"10x Genomics scRNA-seq 원시 데이터셋을 모바일 환경에서 업로드한 뒤, Seurat 및 Trajectory 분석 도구 조합을 호출하여 세포 클러스터링 및 가상 시간 분화 궤적을 3시간 내에 매핑함으로써 면역 세포의 분화 단계를 정밀하게 식별합니다."},{"icon":"💊","title":"🧫 다중 면역 세포 표현형 및 구조 매핑","scenario":"FCS 포맷의 유세포 분석 데이터를 업로드하여 t-SNE 차원 축소 및 자동 게이팅(Gating) 알고리즘을 수행하고, PyMOL을 사용해 바이러스 단백질과 항체 복합체 표면의 결합 에피토프 구조를 매핑하여 항체 치료제의 유효성을 신속히 예측합니다."}],"official_doc_url":"https://biomestat.com","github_url":null,"category":"bio_ai","difficulty":"beginner","tags":["biomestat","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"제한 없음 (클라우드에서 GPU 동적 할당)","storage":"제한 없음 (클라우드 스토리지 활용)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:38:47.335204+00:00","created_at":"2026-06-23T13:15:08.503466+00:00"},{"id":"7c8161aa-3dee-4cb6-a411-4144d7d110e1","slug":"voxcpm2","name":"VoxCPM2","one_liner":"Modelo de síntesis de voz de nueva generación, open source, que genera habla natural en un espacio acústico continuo","description":"$8e","install_code":"### 4-1. Quick Start\n\n```bash\npip install voxcpm\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 저장소 복제 및 의존성 설치\ngit clone https://github.com/OpenBMB/VoxCPM.git\ncd VoxCPM\npip install -r requirements.txt\n\n# (선택 사항) LoRA 미세조정을 위한 웹 인터페이스 실행\npython lora_ft_webui.py\n```","bio_use_cases":[{"icon":"🔬","title":"{\"icon\"","scenario":"\"🎙️\", \"title\": \"다국어 보이스 봇 구축 및 실시간 스트리밍 합성\", \"scenario\": \"VoxCPM2 API와 inference_timesteps=10 파라미터를 사용해 한국어, 영어 등 30개국어 대본을 실시간 오디오 스트림(48kHz)으로 생성하고, GPU(VRAM 8GB) 상에서 1초 내외의 지연 시간으로 합성 완료 → 글로벌 가상 비서 음성 인터페이스 구현\"}"},{"icon":"🧬","title":"{\"icon\"","scenario":"\"📖\", \"title\": \"오디오북 제작용 제로샷 음성 클로닝 및 보이스 디자인\", \"scenario\": \"15초 분량의 화자 오디오 파일을 prompt_wav_path로 설정하고 VoxCPM2 모델을 구동하여 1시간 분량의 원고를 대상 화자의 감정 톤과 음색이 보존된 오디오 파일로 무제한 렌더링 → 도서 및 오디오 콘텐츠 제작 생산성 5배 향상\"}"},{"icon":"💊","title":"{\"icon\"","scenario":"\"🎯\", \"title\": \"도메인 특화 LoRA 미세조정을 통한 브랜드 맞춤형 성우 음성 학습\", \"scenario\": \"특정 전문 성우의 녹음 데이터 1시간과 텍스트 스크립트를 사용하여 lora_ft_webui.py를 통해 Epoch 20회 미세조정(LoRA) 수행 → 고유의 브랜드 정체성을 담은 48kHz 스튜디오 고품질 합성 음색 획득 및 상업 서비스 적용\"}"}],"official_doc_url":"https://github.com/OpenBMB/VoxCPM","github_url":"https://github.com/OpenBMB/VoxCPM","category":"audio_ai","difficulty":"intermediate","tags":["voxcpm2","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 8GB (NVIDIA RTX 3060 등 소비자용 GPU 권장), CPU 전용/MPS 지원","storage":"약 10GB 이상 (모델 가중치 및 디펜던시 패키지 포함)"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:00.644302+00:00","created_at":"2026-06-22T14:25:29.107067+00:00"},{"id":"ae342f63-16ac-4d53-9d11-6c37e36e11e0","slug":"bumblebee","name":"Bumblebee","one_liner":"Escáner de seguridad basado en IA para detectar vulnerabilidades en la cadena de suministro de software","description":"$8f","install_code":"### 4-1. Quick Start\n\n```bash\ngo install github.com/perplexityai/bumblebee/cmd/bumblebee@latest\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Go 환경이 설치되어 있는지 확인 후 바이너리 빌드 및 설치\ngo install github.com/perplexityai/bumblebee/cmd/bumblebee@latest\n\n# 설치 완료 후 셀프 테스트를 통해 정상 작동 여부 검증\nbumblebee selftest\n\n# 로컬 개발 환경 또는 특정 프로젝트 디렉터리 스캔 실행\nbumblebee scan --profile project --dir .\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 바이오 파이프라인 의존성 스캔","scenario":"`bumblebee scan --profile project --dir /home/user/rna-seq` 실행을 통해 프로젝트 폴더 내 150여 개 Python(PyPI) 종속 패키지 lockfile의 무결성을 0.5초 이내에 정적 검사하고 악성 preinstall 스크립트 포함 여부를 검출하여 원천적인 공급망 위협 방지."},{"icon":"🧬","title":"⚙️ MCP 서버 권한 오설정 탐지","scenario":"AI 코딩 비서와 연동된 MCP(Model Context Protocol) 서버 설정 파일(`claude_desktop_config.json` 등)을 분석하여, 외부 공격자가 로컬 분석 서버의 파일 시스템 접근 권한을 획득할 수 있는 위험 설정 요소를 실시간으로 감사하고 경고 출력."},{"icon":"💊","title":"🔒 로컬 위협 인텔리전스 카탈로그 매칭","scenario":"자체 구축한 `threat_intel/` 디렉터리의 위협 정보 데이터셋을 Bumblebee에 로드하여, 단백질 구조 예측 프로젝트 등에서 빈번히 활용되는 모델 로더와 의존 패키지들을 1초 미만의 속도로 대조 검사하고 악성 패키지가 발견될 경우 즉각적인 격리 정보 제공."}],"official_doc_url":"https://github.com/perplexityai/bumblebee","github_url":"https://github.com/perplexityai/bumblebee","category":"etc","difficulty":"beginner","tags":["bumblebee","etc","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 (CPU 전용)","storage":"100MB 이하 (단일 Go 바이너리 크기 약 20MB)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:58:04.407084+00:00","created_at":"2026-06-22T14:05:33.825938+00:00"},{"id":"70a49939-b209-4912-b189-fac3fbff2b27","slug":"mistral-ai","name":"Mistral AI","one_liner":"Plataforma europea de LLM de alto rendimiento especializada en código abierto","description":"Mistral AI는 프랑스 파리에 본사를 둔 유럽의 선두주자 AI 기업으로, 미국 빅테크 중심의 LLM 시장에서 독보적인 위치를 차지하고 있습니다. 이들의 가장 매력적인 점은 바로 ‘오픈 웨이트(Open Weights) 모델 공개’와 ‘고성능 상용 API 서비스’를 병행하는 이중(Hybrid) 전략을 취하고 있다는 것입니다. \n\n학계와 산업계 연구자들 사이에서 큰 호평을 받는 이유는 로컬 서버에 직접 가중치(Weights)를 내려받아 구동할 수 있는 고성능 모델을 제공하면서도, 동시에 OpenAI나 Anthropic과 비견될 만한 성능의 Frontier급 모델을 API 형태로도 사용할 수 있게 지원하기 때문입니다. 특히 이들은 MoE(Mixture-of-Experts, 혼합 전문가) 아키텍처를 적극적으로 도입하여, 모델의 성능은 극대화하면서 추론 속도와 비용 효율성은 대폭 낮췄습니다.\n\n생명공학 및 바이오 연구자 관점에서 Mistral AI는 매우 강력하고 안전한 도구입니다. 제약/바이오 연구에서는 임상 데이터, 유전체 정보, 환자 개인정보 등 외부로 유출되어서는 안 되는 극도로 민감한 원시 데이터(Raw Data)를 다루는 경우가 허다합니다. 이럴 때 미국 빅테크의 폐쇄형 클라우드 API를 쓰기엔 보안 심의 통과가 불가능에 가깝습니다. Mistral AI는 대다수 최첨단 모델(예: Mistral Large 3, Mistral-Nemo 등)의 가중치를 Apache 2.0 라이선스로 완전 공개하기 때문에, 연구소나 사내 온프레미스(On-Premise) GPU 클러스터에 로컬로 배포하여 완벽히 독립된 폐쇄형 AI 인프라를 구축할 수 있습니다. \n\n동시에 유럽 연합(EU)의 엄격한 데이터 주권 및 개인정보보호 규정(GDPR)과 EU AI Act 규제 표준을 충족하여 설계되었으므로, 다국적 공동 임상 연구나 유럽계 바이오 기관과의 협업 프로젝트에서도 법적 규제 허들을 쉽게 넘을 수 있는 큰 강점을 가집니다.","install_code":"$90","bio_use_cases":[{"icon":"🔬","title":"폐쇄형 바이오 메디컬 RAG 시스템 구축","scenario":"국가 지정 난치성 질환 연구소에서 외부 인터넷이 원천 차단된 오프라인 연구실에 `Mistral Large 3`를 로컬 GPU 서버로 구축했습니다. 연구소 소유의 수만 건의 환자 임상 기록 문서와 전장 유전체 분석(WGS) 보고서 데이터를 로컬 벡터 데이터베이스에 저장한 후, 외부 데이터 유출의 걱정 없이 AI 연구 보조 도구를 활용해 환자 맞춤형 치료 표적 유전자를 선별하는 RAG 시스템을 안전하게 운용하고 있습니다."},{"icon":"🧬","title":"대규모 NGS 데이터 가공을 위한 Bioinformatics 파이프라인 스크립팅 자동화","scenario":"파이프라인 설계 경험이 부족한 주니어 생물정보학 연구원이 `Codestral 25.01` 모델을 사용하여 FastQC 결과 필터링부터 BWA 정렬, GATK 변이 분석(Variant Calling)에 이르는 복잡한 Bash 및 Nextflow/Snakemake 워크플로우 템플릿을 자동으로 작성하고 오류가 발생한 파이썬 스크립트를 즉시 수정하여 분석 효율성을 극대화했습니다."},{"icon":"💊","title":"글로벌 바이오 저널 수백 편의 병렬적 요약 및 신약 타깃 스크리닝","scenario":"특정 암종의 신규 수용체 저해제(Inhibitor) 개발 단계에서, 연구팀은 관련 수용체에 대해 출판된 100여 편의 영문 저널 PDF 전문을 `Mistral Large`의 256k 컨텍스트 윈도우에 적재했습니다. 각 논문 내에서 공통으로 지목하고 있는 핵심 바인딩 포켓의 아미노산 서열 위치 정보를 한 번에 추출하고 도표화하여 초기 타깃 검증 기간을 수개월 단축했습니다."}],"official_doc_url":"https://mistral.ai](https://mistral.ai)","github_url":"https://github.com/mistralai](https://github.com/mistralai)","category":"cloud_ai","difficulty":"intermediate","tags":["mistral","cloud_ai","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:34.977492+00:00","created_at":"2026-06-20T16:46:09.645748+00:00"},{"id":"1e480f97-9cea-4fc6-a5ef-d468c0302621","slug":"xai-grok","name":"xAI Grok","one_liner":"Familia de modelos de lenguaje grandes de xAI especializada en razonamiento avanzado.","description":"xAI Grok은 인공지능 연구소 xAI가 개발한 최첨단 대형 언어 모델(LLM) 제품군입니다. 특히 2025년 초에 론칭된 Grok 3와 Grok 3 mini는 최신 AI 인프라 기술과 독자적인 추론 기술이 집약된 모델로 평가받고 있습니다. 이 모델의 진정한 강점은 단순히 축적된 고정 데이터를 학습한 것을 넘어, X(구 트위터) 플랫폼의 광범위한 실시간 트렌드 정보와 웹 검색 데이터에 긴밀하게 통합되어 작동한다는 점입니다.\n\n생명공학 및 바이오 분야를 연구하는 분들에게 Grok은 지식 탐색의 지평을 넓혀줄 훌륭한 파트너가 될 수 있습니다. 매일같이 쏟아지는 최신 생물의학 논문, 신약 개발 속보, 학계의 미발표 프리프린트(Preprint) 코멘트 등을 실시간으로 분석해 주기 때문입니다. 기존 LLM이 학습 시점 제한으로 인해 최근 공개된 약물 타깃이나 임상 3상 결과를 알지 못하는 한계를 보였다면, Grok은 실시간 데이터 수집 및 연계 엔진을 탑재하여 최신의 연구 흐름을 반영한 인사이트를 제시합니다.\n\n또한, 복잡한 통계 계산이나 생명정보학(Bioinformatics) 알고리즘 코딩처럼 고도의 추론이 요구되는 작업을 돕기 위해 Think Mode(추론 모드)를 지원합니다. 이를 통해 모델은 답변을 즉시 내놓기 전 내부적으로 '생각하는 단계'를 거치며, 스스로 문제 해결 단계를 검증하고 오류를 자체 검토(Backtracking)하여 한층 더 정교하고 논리적인 코딩 코드와 가설 설계안을 제공합니다.","install_code":"$91","bio_use_cases":[{"icon":"🔬","title":"최신 바이오 및 제약 뉴스 트렌드 추적 모니터링","scenario":"특정 약물 표적 단백질(예: GLP-1 수용체 등)과 연관된 최신 글로벌 임상 소식, 보도 자료, FDA 승인 변경 동향 등을 Grok의 실시간 DeepSearch 기능을 이용해 모니터링하고 가독성 높은 일일 요약 보고서를 파이프라인에 전송하도록 자동화할 수 있습니다."},{"icon":"🧬","title":"대용량 임상 실험 보고서 분석","scenario":"PDF 형식의 임상 3상 시험 결과 문서 여러 건을 API에 한 번에 주입한 뒤, 각 임상 시험에 참여한 피험자 그룹의 대조군 설정 방식 및 나타난 부작용 비율(Adverse Events)을 비교 및 대조하여 분석표 형태로 정렬합니다."},{"icon":"💊","title":"NGS 파이프라인 자동 디버깅","scenario":"WGS(전장유전체분석)나 RNA-seq 파이프라인(Nextflow 등) 분석 도중 발생하는 복잡한 리눅스 환경 에러 및 데이터 포맷 매핑 에러 로그를 Grok 3의 'Think Mode'에 전송하여, 모델의 다단계 추론 기능을 통한 발생 원인 진단 및 해결 스크립트를 즉각 확보합니다."}],"official_doc_url":"https://grok.com](https://grok.com)","github_url":"https://github.com/xai-org](https://github.com/xai-org)","category":"cloud_ai","difficulty":"beginner","tags":["xai","cloud_ai","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:35.469135+00:00","created_at":"2026-06-20T16:43:29.155507+00:00"},{"id":"3a33adb6-d43d-4eed-b054-fc6ec3e7d965","slug":"openai-gpt","name":"OpenAI GPT","one_liner":"La plataforma LLM multimodal líder del ecosistema de IA.","description":"OpenAI GPT 시리즈는 현재 AI 생태계를 이끌어가는 가장 강력한 거대 언어 모델(LLM)이자 멀티모달 모델 플랫폼입니다. 단순히 질문에 답하는 인공지능 비서 수준을 넘어서, 복잡한 논리적 추론이 필요한 과학 연구 분야에서 연구자들의 든든한 공동 연구자(Co-pilot)로 자리 잡았습니다. \n\n특히 2025년 들어 획기적으로 발전한 o3 및 o4-mini와 같은 추론(Reasoning) 모델군은 복잡한 바이오인포매틱스 파이프라인 설계, 통계적 유의성 분석, 유전체 변이 필터링 등 다단계의 논리적 사고가 요구되는 도메인에서 독보적인 성능을 보여줍니다. 기존 모델들이 복잡한 코딩이나 복합 추론 단계에서 종종 실수를 저질렀다면, 최신 o시리즈 모델들은 내부적인 사고 체인(Chain-of-Thought) 과정을 거쳐 스스로 코드를 검증하고 논리적 허점을 메운 뒤 최종 답안을 도출해 냅니다.\n\n생명공학 연구실이나 바이오 벤처 기업에서는 수만 건의 논문 분석, 신약 후보 물질 스크리닝을 위한 API 자동화, 젤 이미지나 세포 현미경 사진과 같은 시각 자료 판독(GPT-4o 멀티모달) 등 다방면에서 활용하고 있습니다. 또한 Structured Outputs(구조화된 출력) 기능을 통해 모델이 반환하는 데이터를 완벽한 JSON 포맷으로 통제할 수 있어, 연구실 내의 기존 분석 파이프라인이나 시뮬레이션 툴에 모델을 오차 없이 통합할 수 있습니다.","install_code":"$92","bio_use_cases":[{"icon":"🔬","title":"신약 후보 물질 스크리닝 파이프라인 자동화","scenario":"SMILES 구조식을 입력받았을 때, 모델이 `Function Calling`을 사용해 ChEMBL 데이터베이스 API를 직접 쿼리하여 유사 화합물의 활성 데이터(IC50)를 수집하게 합니다. 이후 수집된 데이터를 바탕으로 결합 친화도를 대략 예측하고 도킹 시뮬레이션(Autodock Vina 등) 스크립트를 자동 생성 및 실행하는 지능형 스크리닝 에이전트를 구축합니다."},{"icon":"🧬","title":"유전체 변이(Variant)의 임상적 유해성 요약","scenario":"NGS 데이터 분석 후 생성된 VCF(Variant Call Format) 파일 내 특정 희귀 변이에 대해, ClinVar 및 dbSNP에 등재된 최신 연구 자료들을 수집하여 임상적 유해성을 종합 판단합니다. o3/o4-mini의 다단계 논리 추론 성능을 통해 학계 의견이 갈리는 변이(VUS)의 병원성 여부에 대한 증거 가중치를 조목조목 분석한 해석 보고서를 자동으로 초안 작성합니다."},{"icon":"💊","title":"자동화된 프로토콜 기반 실험 로봇(Liquid Handler) 제어","scenario":"사람이 자연어로 작성한 생물학 실험 프로토콜(예: \"샘플 A를 1:10으로 희석한 후 효소 B를 2uL 첨가하고 37도에서 30분간 인큐베이션\")을 입력받으면, 이를 액체 핸들링 로봇이 이해할 수 있는 Python API 명령어로 정확하게 번역하여 자동화 장비를 즉각 가동시키는 트랜스레이터 역할을 수행합니다."}],"official_doc_url":"https://platform.openai.com](https://platform.openai.com)","github_url":"https://github.com/openai/openai-python](https://github.com/openai/openai-python)","category":"cloud_ai","difficulty":"intermediate","tags":["openai","cloud_ai","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:30.606195+00:00","created_at":"2026-06-20T16:41:30.643318+00:00"},{"id":"0964d586-62f7-4cd2-80b3-c9c3f03eed12","slug":"anthropic-claude","name":"Anthropic Claude","one_liner":"Modelo de IA centrado en seguridad especializado en investigación académica y programación","description":"Anthropic Claude는 학술 연구와 프로그래밍 개발 영역에서 전 세계 수많은 생명공학 연구원 및 바이오인포매티션(Bioinformatician)들의 강력한 파트너로 자리 잡은 차세대 대형 언어 모델(LLM) 제품군입니다. 오픈AI(OpenAI) 출신 연구원들이 설립한 앤스로픽(Anthropic)에서 개발하였으며, 초기 모델 출시 이후 끊임없이 진화하여 현재는 최고 사양의 추론 및 에이전틱 코딩 성능을 자랑하는 Claude Fable 5와 대용량 데이터를 처리하는 Claude Opus 4.8 등을 아우르고 있습니다.\n\n바이오 연구 분야에서 Claude가 특히 주목받는 이유는 학술 논문의 맥락을 짚어내는 뛰어난 독해력과 복잡한 유전체 데이터 처리용 파이프라인 코드를 짜주는 완성도 높은 프로그래밍 능력에 있습니다. 200,000 토큰(한글 기준 단행본 수 권 분량)에 달하는 방대한 컨텍스트 창을 갖추고 있어, 여러 편의 논문 전문이나 대용량 실험 로그를 단번에 집어넣고 교차 비교하거나 특정 바이오마커 후보군을 추출하는 식의 연구가 가능합니다.\n\n또한, 앤스로픽의 독자적인 안전성 철학인 '헌법적 AI(Constitutional AI)' 시스템이 적용되어 편향되거나 위험한 결과 도출을 스스로 억제합니다. 이는 생명윤리 검토, 약물 부작용 예측, 임상시험 승인 문서 검토 등 규제 준수와 신뢰성이 생명인 신약 개발 및 임상 단계에서 매우 중대한 신뢰 스택을 형성합니다. 최근에는 터미널에 내장되는 에이전틱 코딩 툴인 'Claude Code'의 출시로 연구용 스크립트 작성과 디버깅의 장벽을 대폭 낮추며, 연구자들이 코드 인프라 구축보다 실제 바이오 데이터 분석 자체에만 몰입할 수 있도록 돕고 있습니다.","install_code":"$93","bio_use_cases":[{"icon":"🔬","title":"신약 후보물질의 특허 및 문헌 분석 요약","scenario":"새로운 Target Protein에 결합하는 소분자 화합물 연구를 위해, 수십 편의 유관 특허 PDF 문서와 생화학 논문들을 Claude에 입력하여 타겟 단백질의 활성 부위(Active Site) 정보 및 기존 특허 경쟁 물질의 작용 메커니즘을 일목요연하게 도표로 추출하고 교차 분석합니다."},{"icon":"🧬","title":"단일 세포 RNA 시퀀싱(scRNA-seq) R 스크립트 디버깅","scenario":"R의 Seurat 패키지를 이용해 백만 개 단일 세포 클러스터링 코드를 구현하던 중 발생한 차원 축소(UMAP) 및 메모리 누수 오류 로그를 `Claude Code` 터미널 상에서 바로 읽혀 에러의 구체적 원인(패키지 버전 충돌 및 매개변수 미스매치)을 파악하고 최적화된 스크립트로 자동 수정합니다."},{"icon":"💊","title":"임상시험 프로토콜의 규제 준수 검토","scenario":"새로운 세포치료제의 임상 1상 설계 문서를 주입하여, FDA 규정 및 헬싱키 선언 등 글로벌 의학 연구윤리 표준에 미흡한 설계 요소(피험자 제외 기준 오류, 투약 주기 설계의 모호성 등)가 있는지 사전에 탐지하고 수정 방향성을 확보합니다."}],"official_doc_url":"https://www.anthropic.com/claude","github_url":"https://github.com/anthropics","category":"cloud_ai","difficulty":"beginner","tags":["anthropic","cloud_ai","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-02T08:05:19.160092+00:00","created_at":"2026-06-20T16:39:30.81842+00:00"},{"id":"2a848673-d9b0-451b-b4be-050b7b272577","slug":"google-gemini","name":"Google Gemini","one_liner":"Modelo multimodal central de Google que procesa texto, imágenes, vídeo y código simultáneamente.","description":"Google Gemini는 텍스트를 넘어 이미지, 오디오, 비디오, 코드 등 다양한 형태의 입력을 동시에 받아들이고 추론할 수 있는 Google의 핵심 멀티모달(Multimodal) AI입니다. 동료 연구자분들이 연구실에서 데이터를 다룰 때 느끼는 가장 큰 가려운 부분을 긁어줄 수 있는 무기를 지녔는데, 바로 압도적인 컨텍스트 윈도우 크기(100만~200만 토큰 이상)입니다. \n\n바이오 및 생명공학 연구를 하다 보면 수백 페이지 분량의 논문 뭉치, 방대한 염기서열(FASTA) 데이터, 전사체 분석 결과 파일, 또는 실험 과정을 촬영한 긴 비디오 등을 자주 마주하게 됩니다. 기존의 AI 도구들은 토큰 제한 때문에 이를 잘게 쪼개어 입력해야만 해서 맥락이 끊기는 문제가 있었지만, Gemini는 책 한 권 분량이나 대용량 시퀀스를 통째로 컨텍스트 윈도우에 올려두고 한 번에 통합 분석을 요청할 수 있어 연구 효율을 극대화합니다. \n\n여기에 더해 DeepMind의 강력한 단백질 구조 예측 도구인 AlphaFold 데이터베이스(AlphaFold DB), 유전체 분석에 특화된 AlphaGenome API, 그리고 병리·방사선 의료 영상 분석 성능을 비약적으로 높인 Med-Gemini 등 Google Cloud Vertex AI 생태계의 다양한 과학 연구용 기술진과 유기적으로 결합되어 있어, 생명과학 연구자들이 AI 에이전트를 구축하고 파이프라인을 자동화하는 데 매우 최적화되어 있습니다.","install_code":"$94","bio_use_cases":[{"icon":"🔬","title":"특정 약물-타겟 단백질 상호작용 관련 방대한 학술지 분석","scenario":"특정 GPCR 수용체와 관련된 최신 100여 편의 논문 PDF를 Gemini Pro 모델에 통째로 입력하여, 기존에 보고된 활성 억제제(inhibitors) 리스트, 리간드 결합 포켓의 주요 아미노산 잔기 위치, 그리고 IC50 활성 실험 수치들을 정교하게 긁어 모아 대조 테이블로 즉시 빌드해 냅니다."},{"icon":"🧬","title":"암 환자의 조직 병리 검사 및 시퀀싱 복합 멀티모달 진단 분석","scenario":"환자의 조직 슬라이드 이미지 데이터(Image)와 유전체 염기서열 데이터(Text/Code)를 Med-Gemini를 통해 동시 인풋으로 공급받아, 이미지상 종양浸潤(Tumor infiltration) 정도와 특정 EGFR 돌연변이 변종 간의 연관성에 관한 메타 추론을 수행하여 임상의의 의사결정을 보조합니다."},{"icon":"💊","title":"생물정보학 스크립트 작성 및 과학 AI 에이전트 구축","scenario":"Biopython을 사용하여 NCBI에서 대량의 진뱅크(GenBank) 포맷을 파싱하고, 단백질 구조 파일(.pdb)에서 알파 탄소 간의 3차원 거리를 계산하는 파이썬 코드를 자동 생성 및 디버깅합니다. 또한 Antigravity SDK 같은 에이전트 시스템의 중심 브레인으로 활용되어 실험 기획부터 실행 분석까지 다단계 자동화를 견인합니다."}],"official_doc_url":"https://ai.google.dev/gemini-api](https://ai.google.dev/gemini-api)","github_url":"https://github.com/google-gemini/cookbook](https://github.com/google-gemini/cookbook)","category":"cloud_ai","difficulty":"intermediate","tags":["google","cloud_ai","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:34.499806+00:00","created_at":"2026-06-20T16:37:23.128121+00:00"},{"id":"ef52c71a-30a9-468f-acdc-14694199bafc","slug":"crewai","name":"CrewAI","one_liner":"Framework que organiza varios agentes de IA como un equipo para automatizar tareas complejas","description":"연구실에서 매일 쏟아지는 최신 생명공학 논문을 모니터링하고 정리하거나, 복잡한 생물정보학(Bioinformatics) 분석 파이프라인을 구축해 실행하는 작업은 많은 시간과 노력이 들어갑니다. CrewAI는 이러한 반복적이면서도 고도의 전문성이 필요한 워크플로우를 효율적으로 자동화하기 위해 설계된 멀티에이전트 오케스트레이션 프레임워크입니다. 단순히 단일 거대 언어 모델(LLM)에 프롬프트를 입력하고 답변을 기다리는 기존 방식에서 벗어나, 각각 전문적인 역할(Role)을 부여받은 여러 AI 에이전트들이 하나의 ‘연구팀(Crew)’처럼 유기적으로 협업하도록 돕습니다.\n\n생명공학 연구자나 바이오인포매티션의 관점에서 CrewAI는 단순한 코딩 보조 도구를 넘어 가상의 연구 조원들을 거느리는 것과 같은 효과를 줍니다. 예를 들어, 단백질 구조 분석 및 기능 예측 작업을 수행할 때 ‘문헌 조사 담당 에이전트’, ‘데이터 전처리 및 데이터베이스(UniProt, PDB 등) 조회 에이전트’, ‘분석 도구(BLAST, Foldseek 등) 실행 에이전트’, ‘결과 검토 및 보고서 작성 에이전트’를 각각 정의하고 이들을 크루로 묶을 수 있습니다. 각 에이전트는 자신에게 부여된 역할(Role), 목표(Goal), 그리고 배경지식(Backstory)을 기반으로 자율적으로 도구(API, 웹 브라우저, 로컬 스크립트 등)를 실행하며, 복잡한 문제를 해결하기 위해 다른 에이전트에게 필요한 작업을 직접 위임하거나 결과 피드백을 주고받습니다.\n\nCrewAI의 가장 큰 장점은 직관성과 실용성입니다. 구조적 규칙 기반의 복잡한 그래프를 그려야 하는 다른 프레임워크에 비해 코드 몇 줄만으로 에이전트 간의 작업 순서(Sequential 또는 Hierarchical)를 정의할 수 있어, AI 코딩에 익숙하지 않은 바이오 분야의 연구원들도 빠르게 가상 연구 파이프라인을 구축하고 실험해 볼 수 있습니다.","install_code":"$95","bio_use_cases":[{"icon":"🔬","title":"신약 후보 물질 탐색을 위한 타깃 분석 및 문헌 요약 자동화","scenario":"의약화학자와 약리학자 역할을 분담한 에이전트 크루를 구성하여, PubMed, ChEMBL 등 공공 데이터베이스 검색 도구를 결합해 특정 수용체(Target)와 관련된 최신 억제제 화합물 연구 결과를 수집하고 비교 보고서를 자동 생성합니다."},{"icon":"🧬","title":"생물정보학 분석 파이프라인(Next-Generation Sequencing) 제어 및 에러 트래킹","scenario":"NGS 로우 데이터 처리 중 발생하는 에러 로그를 모니터링하는 에이전트와, 분석 파이프라인 스크립트를 수정 및 실행하는 에이전트를 유기적으로 배치하여 기계적이고 반복적인 에러 해결 과정을 자동화하고 최종 품질 관리(QC) 결과를 취합합니다."},{"icon":"💊","title":"In-Vitro 실험 프로토콜 설계 및 시약 목록 조율 시뮬레이션","scenario":"실험 계획 담당 에이전트와 안전 규정(LMO 및 독성 화합물 규제) 검토 에이전트를 함께 가동하여, 새로운 세포주 실험 프로토콜에 적합한 가이드라인을 제안하고 실험실 인벤토리 데이터와 비교하여 필요한 시약 목록을 미리 추려내는 시뮬레이션을 수행합니다."}],"official_doc_url":"https://www.crewai.com","github_url":"https://github.com/crewAIInc/crewAI","category":"framework","difficulty":"beginner","tags":["crewai","framework","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:40.918929+00:00","created_at":"2026-06-20T16:33:31.874289+00:00"},{"id":"85a00198-96a5-47a3-a7dc-39400fb6c304","slug":"llamaindex","name":"LlamaIndex","one_liner":"Marco de desarrollo de RAG y agentes para conectar datos propios con LLM.","description":"LLM(대형 언어 모델)이 대중화되면서 가장 먼저 마주친 벽은 \"어떻게 LLM에게 내가 가진 데이터를 정확하게 학습시키거나 가르칠 것인가?\"였습니다. LlamaIndex는 바로 이 문제를 풀기 위해 탄생한 대표적인 데이터 프레임워크입니다. LLM의 기존 가중치(Weights)를 직접 미세조정(Fine-Tuning)하지 않고도, 외부의 비정형 문서나 데이터베이스를 실시간으로 참조하여 질문에 정확히 답할 수 있도록 돕는 RAG(Retrieval-Augmented Generation, 검색 증강 생성) 시스템 구축에 최적화되어 있습니다.\n\n학술 논문, 특허 문서, 유전체 데이터베이스 등 엄청난 양의 전문 텍스트 데이터를 매일 다루는 생명공학 및 바이오 연구 현장에서 LlamaIndex는 훌륭한 '지식 어시스턴트' 프레임워크가 될 수 있습니다. 연구실 내에 흩어져 있는 수많은 PDF 논문과 실험 리포트, 그리고 NCBI나 UniProt 등의 외부 공공 데이터를 유기적으로 구조화(Indexing)하고 연결할 수 있습니다. \n\n단순히 질문을 던지면 관련 문서를 찾아주는 검색 엔진을 넘어, 서로 다른 도메인의 텍스트 지식을 엮어 새로운 인사이트를 제안하는 지식 그래프를 구성하거나, 복잡한 분석 도구를 연달아 실행하는 자율형 연구 에이전트를 설계할 때도 강력한 도구로 활용됩니다.","install_code":"$96","bio_use_cases":[{"icon":"🔬","title":"바이오 학술 논문 및 신약 특허 하이브리드 RAG 분석","scenario":"시나리오: 연구실에서 매주 업데이트되는 PubMed 오픈액세스 논문들과 타겟 질병 특허 데이터를 PDF 형태로 지정 폴더에 다운로드합니다. LlamaIndex의 `SimpleDirectoryReader`와 `LlamaParse`를 연동하여 표(Table) 데이터를 마크다운으로 변환해 읽어들인 뒤 하이브리드 검색 인덱스를 빌드합니다. 이를 통해 연구원이 \"A약물의 임상 2상 결과 중 B단백질 발현 수치 변화가 요약된 테이블 정보와 부작용을 매칭해줘\"라고 입력 시 정확한 출처 논문과 통계 표를 짚어주며 답변을 도출합니다."},{"icon":"🧬","title":"질병-유전자-약물 상호작용 지식 그래프(Knowledge Graph) 구축","scenario":"시나리오: 비정형 메디컬 텍스트나 진료 기록 가이드라인에서 유전자(Gene), 질병(Disease), 약물(Drug) 사이의 상관관계를 자동으로 관계형 데이터로 정형화하는 작업입니다. LlamaIndex의 `KnowledgeGraphIndex`를 활용하여 원문 텍스트 속 문맥을 분석하고 `[EGFR 유전자] - [mutates_in] - [비소세포폐암]`, `[Osimertinib] - [inhibits] - [EGFR 유전자]` 형태의 트리플렛(Triplet)을 추출합니다. 축적된 데이터는 Neo4j 그래프 데이터베이스와 연동되어 복잡한 연쇄 추론(Multi-hop QA)을 가능하게 만듭니다."},{"icon":"💊","title":"분산 에이전트(Workflows) 기반 유전자 편집 실험 프로토콜 설계","scenario":"시나리오: CRISPR/Cas9 유전자 가이드 RNA(gRNA)를 설계하고 오프타겟 위험을 평가하는 워크플로우를 자동화합니다. 서열 분석 에이전트, 유전체 데이터베이스 조회 에이전트, 실험 프로토콜 포맷화 에이전트를 LlamaIndex Workflows(이벤트 기반 비동기 파이프라인)로 연결합니다. 연구자가 타겟 유전자명을 입력하면 에이전트 간 비동기 메시지 통신을 거쳐 공공 DB 조회 결과 및 계산 도구 결과를 결합하여 완성도 높은 CRISPR 실험 기획서 초안을 자동으로 완성해 줍니다."}],"official_doc_url":"https://www.llamaindex.ai](https://www.llamaindex.ai)","github_url":"https://github.com/run-llama/llama_index](https://github.com/run-llama/llama_index)","category":"framework","difficulty":"beginner","tags":["llamaindex","framework","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:29.578406+00:00","created_at":"2026-06-20T16:30:18.843762+00:00"},{"id":"98d2689e-9ca4-42bb-9beb-15326926fb4b","slug":"langchain","name":"LangChain","one_liner":"Framework de orquestación líder para desarrollar aplicaciones basadas en LLM","description":"$97","install_code":"### 4-1. Quick Start\n\n```bash\n# Python 환경에서 가장 기본적인 LangChain 핵심 패키지 설치\npip install langchain langchain-core\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 커뮤니티 통합 컴포넌트와 대표적인 LLM 공급자인 OpenAI 연동 모듈을 함께 설치할 때\npip install langchain langchain-community langchain-openai\n\n# JavaScript/TypeScript 프로젝트 환경에서 패키지 매니저로 설치할 때\nnpm install @langchain/core @langchain/community @langchain/openai\n```","bio_use_cases":[{"icon":"🔬","title":"PubMed/bioRxiv 최신 문헌 기반 의학 정보 RAG 시스템","scenario":"연구소 내부의 타겟 질환 관련 최신 PDF 논문 수백 편을 로드하여 벡터 데이터베이스에 색인화합니다. 이후 연구자가 \"특정 단백질 경로의 억제제 연구 중 최근 마우스 모델에서 효과가 검증된 화합물과 그 농도는 무엇인가?\"라고 자연어로 물어보면, LangChain이 관련 논문의 본문과 표에서 정확한 실험 데이터를 찾아내어 출처 페이지 정보와 함께 요약 및 답변을 생성합니다."},{"icon":"🧬","title":"신약 개발 파이프라인 연동 에이전트","scenario":"ChEMBL API와 PubChem 검색 툴을 LangChain 에이전트의 도구(Tool)로 등록합니다. LLM에 특정 후보물질의 SMILES 구조식을 주면, 에이전트가 스스로 데이터베이스 API를 호출하여 화학적 물성 정보(LogP, 분자량 등)와 활성 수치(IC50)를 조회하고, 잠재적 표적 탈탈락(Off-target) 효과 유무를 체계적으로 보고서 형식으로 작성해 줍니다."},{"icon":"💊","title":"실험 장비 데이터 전처리 및 시각화 자동화 워크플로우","scenario":"플레이트 리더(Plate Reader) 등에서 출력되는 엑셀 파일이나 생물정보학 전처리 툴(예: Biopython)의 스크립트 실행 권한을 가진 파이썬 셸 도구를 구축합니다. 연구원이 \"오늘 수행한 ELISA 실험 결과 데이터 파일에서 대조군 대비 발현 변화가 큰 웰들을 선별해서 바 차트로 그려줘\"라고 요청하면, LangChain 에이전트가 파이썬 코드를 작성 및 실행하여 차트 이미지를 생성하고 데이터를 자동으로 엑셀로 정리해 줍니다."}],"official_doc_url":"https://www.langchain.com/","github_url":"https://github.com/langchain-ai/langchain","category":"framework","difficulty":"beginner","tags":["langchain","framework","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:20.220288+00:00","created_at":"2026-06-20T16:26:24.222521+00:00"},{"id":"33e6aefa-fcbc-49b1-ba32-de50c8a0e777","slug":"weaviate","name":"Weaviate","one_liner":"Base de datos vectorial de código abierto, de alto rendimiento y nativa de IA.","description":"Weaviate는 인공지능(AI) 기반 애플리케이션 및 거대 언어 모델(LLM) 워크플로우에 최적화된 고성능 AI-native 오픈소스 벡터 데이터베이스입니다. 단순한 벡터 수학 계산용 인덱스를 넘어, 원시 데이터 객체와 이에 대응하는 고차원 임베딩 벡터를 함께 저장하고 관리할 수 있어 완전한 데이터베이스의 역할을 수행합니다. \n\n이 데이터베이스는 데이터가 들어올 때 설정된 머신러닝 모듈을 통해 자동으로 벡터 변환(Auto-schema 및 자동 벡터화)을 진행해주기 때문에, 머신러닝 파이프라인의 복잡도를 획기적으로 낮춰 줍니다. 또한 밀집 벡터 검색(Dense Vector Search)뿐만 아니라, 전통적인 키워드 검색 방식인 BM25를 결합한 하이브리드 검색(Hybrid Search)을 완벽히 지원하여 검색 결과의 정확도를 극대화합니다. \n\n생명공학 및 바이오 의학 연구 관점에서 Weaviate는 매우 가치 있는 도구입니다. 단백질 3D 구조, 유전자 발현 프로파일, 생화학 약물 분자식, 그리고 수많은 환자의 임상 의료 기록 등 바이오 분야의 데이터는 고차원적이고 비정형적인 성격을 띱니다. 이러한 데이터들을 트랜스포머 모델 등을 이용해 벡터 임베딩한 뒤 Weaviate에 저장하면, 분자 구조의 유사성이나 임상적 맥락의 유관성을 실시간에 준하는 빠른 속도로 탐색할 수 있습니다. 특히 연구 인프라 내부에서 민감한 환자 정보나 고유한 약물 지적재산(IP)을 외부 클라우드에 노출하지 않고 폐쇄망(On-Premise)에 안전하게 구축하여 구동할 수 있어, 데이터 프라이버시가 극도로 중요한 헬스케어 연구소와 바이오테크 기업에 이상적인 대안을 제공합니다.","install_code":"$98","bio_use_cases":[{"icon":"🔬","title":"단백질 구조 및 서열 유사성 의미론적 검색","scenario":"ESM-2 트랜스포머 기반 단백질 언어 모델(pLM)로 수억 개 단백질 서열을 고차원 벡터로 임베딩하여 Weaviate에 인덱싱. 기존 BLAST 문자열 매칭과 달리, 1차 서열 일치도가 낮아도 기능적으로 유사한 3차원 입체 구조를 가진 단백질을 초고속 벡터 비교로 탐색 가능."},{"icon":"🧬","title":"바이오 문헌 및 임상 RAG 파이프라인","scenario":"PubMed, PMC 대규모 의생명 논문과 가이드라인을 저장하고 하이브리드 검색 인덱스 적용. 종양 억제 유전자와 약물 내성 메커니즘 질문 시 BM25로 바이오마커 기호(TP53, EGFR) 정확 탐색 + 의미론적 벡터 검색으로 최근 학계 보고서 구절을 LLM 맥락으로 제공."},{"icon":"💊","title":"병리학 멀티모달 데이터(의료 이미지 + EHR) 통합 검색","scenario":"암 조직 H&E 병리 염색 이미지 임베딩과 환자 임상 전자의무기록(EHR) 텍스트 임베딩을 멀티모달 모델로 Weaviate 동일 클래스 내 다중 벡터 필드에 색인. 특정 침윤성 등급의 암 환자와 유사한 병리 이미지 및 약물 반응 기록을 질의하여 정밀 의료 후보군 설정에 활용."}],"official_doc_url":"https://weaviate.io","github_url":"https://github.com/weaviate/weaviate","category":"vector_db","difficulty":"advanced","tags":["weaviate","vector_db","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:02.904137+00:00","created_at":"2026-06-20T16:23:26.091002+00:00"},{"id":"d5afdf58-432b-49f0-a583-e9cf23517f1e","slug":"qdrant","name":"Qdrant","one_liner":"Base de datos vectorial de código abierto para buscar vectores de embeddings de alta dimensión a gran velocidad.","description":"Qdrant는 고차원의 의미론적 AI 임베딩 벡터 데이터를 초고속으로 저장, 관리, 검색할 수 있도록 설계된 차세대 오픈소스 벡터 데이터베이스(Vector Database)입니다. C/C++에 필적하는 시스템 제어력과 속도를 자랑하는 Rust 언어로 밑바닥부터 견고하게 작성되었기 때문에, 가비지 컬렉션(GC)으로 인한 순간적인 지연 시간(Latency) 스파이크 없이 대규모 벡터 연산을 안정적이고 효율적으로 처리합니다. \n\n현대 생명공학 및 바이오 인포매틱스 분야에서는 유전자 서열(Genomics), 단백질 3차원 구조(Proteomics), 화학 분자 구조(Cheminformatics), 단일 세포 전사체 데이터(Single-cell RNA-seq) 등을 딥러닝 임베딩 모델(예: ESM-2, ChemBERTa 등)을 사용하여 수백~수천 차원의 벡터 공간에 투영하여 해석하는 시도가 폭발적으로 늘고 있습니다. Qdrant는 이러한 방대한 바이오 고차원 벡터 데이터셋에 대해 빠르고 정확한 근사 최근접 이웃(ANN) 검색을 수행하는 최적의 엔진입니다. \n\n특히 연구실이나 기업 내의 폐쇄망 서버(온프레미스) 환경에 간편하게 직접 구축할 수 있어, 외부 반출이 엄격히 금지된 환자의 의료 데이터나 독점적인 물질 특허 구조 등을 완벽히 보호하며 분석 작업을 안전하게 수행할 수 있습니다.","install_code":"$99","bio_use_cases":[{"icon":"🔬","title":"대규모 단백질 3D 구조 및 아미노산 서열 유사도 가상 스크리닝(Virtual Screening)","scenario":"ESM-2 등 단백질 언어 모델이나 AlphaFold로 추정한 단백질의 3차 구조를 고차원 임베딩 공간으로 투영한 후, Qdrant 데이터베이스에 삽입합니다. 타겟 질환에 대응하는 단백질 도메인 구조를 쿼리로 삼아 기존에 수집된 수천만 건의 자연계 유래 단백질 서열 중 구조적·기능적으로 가장 부합하는 활성 후보 단백질 군을 밀리초(ms) 단위로 빠르게 선별해내는 가상 후보군 탐색 파이프라인에 사용됩니다."},{"icon":"🧬","title":"단일 세포 RNA-seq 데이터 분석 기반 세포 아틀라스(Cell Atlas) 매핑","scenario":"수십만 개의 세포주로부터 추출한 유전자 발현량 데이터를 인코더 신경망을 통해 세포 임베딩 벡터로 정제한 뒤, 환자 메타정보(예: 조직 종류, 환자 병기, 세포 생물형 등)와 함께 페이로드로 매핑하여 Qdrant에 저장합니다. 새로운 환자 검체로부터 얻어낸 신규 세포 전사체 데이터가 들어오면, Qdrant의 실시간 필터링 검색을 통해 \"해당 종양 미세환경 내 세포와 유전적 활성이 가장 유사한 기존 동종 암 환자의 암세포군\"을 즉시 분류·식별해 줍니다."},{"icon":"💊","title":"신약 타겟 정보 탐색 및 바이오 특허 검색을 위한 RAG(검색 증강 생성) 플랫폼 구축","scenario":"PubMed 논문 초록, 신약 개발 특허, 임상 정보 등의 대규모 비정형 생명의학 텍스트 데이터를 단락 단위로 쪼개어 의학 특화 임베딩 모델로 벡터화한 뒤 Qdrant에 적재합니다. 연구원이 신약 물질명이나 타겟 단백질의 부작용을 질의할 경우, Qdrant가 Dense(의미 탐색)와 Sparse(정밀 용어 매칭) 하이브리드 쿼리를 수행하여 핵심 근거 문헌들을 추출하고, 이를 랩실 내 로컬 LLM의 컨텍스트로 결합 전달함으로써 유효한 과학적 사실에만 입각한 맞춤형 보고서를 제공하는 바이오 인텔리전스 에이전트의 중추 데이터베이스로 활용됩니다."}],"official_doc_url":"https://qdrant.tech/](https://qdrant.tech/)","github_url":"https://github.com/qdrant/qdrant](https://github.com/qdrant/qdrant)","category":"vector_db","difficulty":"advanced","tags":["qdrant","vector_db","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"인메모리(RAM) 모드와 고속의 Mmap(디스크 매핑) 모드를 노드 성능과 예산에 맞추어 유연하게 믹스 앤 매치할 수 있는 하이브리드 스토리지 구성 지원."},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:18.946909+00:00","created_at":"2026-06-20T16:20:46.236055+00:00"},{"id":"80b7b6af-7314-4833-96ee-40b055999fd3","slug":"chromadb","name":"ChromaDB","one_liner":"Base de datos de embeddings ligera y open source para aplicaciones de IA","description":"동료 연구자 여러분, 연구실에서 매일 쏟아지는 방대한 논문이나 생물학적 텍스트 정보, 혹은 고차원의 단백질 및 유전체 서열 데이터 속에서 원하는 정보를 빠르고 의미 있게 찾아내느라 막막하셨던 적이 많으셨을 겁니다. 단순한 키워드 매칭 방식의 검색으로는 단어나 서열이 내포한 '진짜 의미'나 '기능적 유사성'을 포착하기 어렵기 때문입니다. \n\n이 문제를 해결하기 위해 등장한 도구가 바로 ChromaDB입니다. ChromaDB는 텍스트, 이미지, 유전체/단백질 임베딩 등 다양한 비정형 데이터를 고차원 벡터로 변환하여 저장하고, 질문이나 대상 벡터와 '의미적으로 가장 유사한 데이터'를 눈 깜짝할 사이에 찾아내 주는 오픈소스 경량 벡터 데이터베이스(Vector Database)입니다. 대형 언어 모델(LLM) 기반의 검색 증강 생성(RAG) 애플리케이션을 구축할 때 기억 저장소 역할을 수행하는 핵심 컴포넌트이기도 합니다.\n\n특히 생명공학 및 바이오 연구자 관점에서 ChromaDB가 매력적인 이유는 극강의 단순함과 편리함에 있습니다. Milvus나 Pinecone 같은 대형 벡터 DB들은 설치가 복잡하거나 클라우드 의존성이 높아 초기 프로토타이핑 장벽이 높은 반면, ChromaDB는 복잡한 인프라 설정 없이 Python 환경에서 `pip install` 명령어 한 줄로 즉시 메모리상에 데이터베이스를 구현할 수 있습니다. \n\n따라서 보안이 극도로 중요한 환자 유전체 임베딩 데이터나 신약 후보 물질의 화학적 구조 벡터 등을 외부 클라우드에 노출하지 않고, 로컬 연구용 워크스테이션 내부에서 안전하게 격리하여 고속 근사 최근접 이웃(ANN) 검색 시스템을 빌드할 수 있습니다. Jupyter Notebook 환경에서 데이터 분석 파이프라인을 작성하는 연구자들에게 더할 나위 없이 든든한 연구 도구입니다.","install_code":"$9a","bio_use_cases":[{"icon":"🔬","title":"PubMed 문헌 기반 바이오메디컬 RAG 시스템 구축","scenario":"수십만 건의 PubMed 초록(Abstract) 데이터를 Sentence-BERT 등 생물의학 임베딩 모델을 사용해 벡터화하고 ChromaDB에 보관합니다. 연구자가 특정 질병이나 신약 기전에 대해 질문을 던지면, ChromaDB가 가장 관련성이 높은 논문 단락들을 빠르게 추출해 LLM에 컨텍스트로 전달합니다. 이를 통해 신뢰도 높은 의학 문헌 질의응답 및 요약 에이전트를 구축할 수 있습니다."},{"icon":"🧬","title":"단백질 서열(Proteomics) 임베딩 유사성 검색","scenario":"ProtT5나 ESM-2와 같은 사전 학습된 단백질 언어 모델(pLM)을 사용하여 단백질 서열을 고차원 벡터로 인코딩한 뒤 ChromaDB에 색인(Indexing)해 둡니다. 새로운 변이 유전자 서열이나 단백질이 발견되었을 때, 기존 데이터베이스 내에서 아미노산 서열 구조 및 기능이 가장 유사한 매칭 대상을 1초 미만의 속도로 발견하여 단백질 도메인과 구조적 특성을 신속하게 예측합니다."},{"icon":"💊","title":"유기 화합물 및 신약 후보 물질 스크리닝","scenario":"화합물의 분자 구조를 나타내는 SMILES 표기법을 Morgan Fingerprint 또는 화합물 특화 그래프 신경망(GNN)을 활용하여 고정 차원 벡터 임베딩으로 변환합니다. 대규모 화학 라이브러리 벡터를 ChromaDB에 빌드해 놓으면, 특정 표적 수용체에 효능을 보이는 선도 물질(Lead Compound)과 구조적/화학적 거동 특성이 유사한 대체 신약 후보 물질을 대량으로 빠르게 가상 스크리닝(Virtual Screening)하는 데 응용 가능합니다."}],"official_doc_url":"https://www.trychroma.com","github_url":"https://github.com/chroma-core/chroma","category":"vector_db","difficulty":"advanced","tags":["chromadb","vector_db","agy_discovery","auto_generated"],"hardware_requirements":null,"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:19.500533+00:00","created_at":"2026-06-20T16:18:09.687966+00:00"},{"id":"54aeaf4a-5cc0-4996-8daa-d52b37ffbbf4","slug":"milvus","name":"Milvus","one_liner":"Base de datos vectorial distribuida open source líder en infraestructura global de IA","description":"$9b","install_code":"$9c","bio_use_cases":[{"icon":"🔬","title":"화합물 가상 스크리닝 (Virtual Screening) 및 약물 발견","scenario":"수천만 개에서 수십억 개에 달하는 화합물 라이브러리의 구조(SMILES 표기)를 RDKit과 같은 라이브러리를 통해 Morgan Fingerprint(1024/2048차원의 고밀도 바이너리 벡터)로 변환합니다. 변환된 모든 분자 벡터를 Milvus에 적재한 뒤, 표적 단백질에 활성을 보였던 기존 약물의 분자 구조를 쿼리로 입력하여 Tanimoto 거리 기준 유사도가 가장 높은 수백 개의 신약 후보 물질을 실시간으로 도출해 냅니다."},{"icon":"🧬","title":"AlphaFold 및 ESMFold 단백질 구조 검색","scenario":"ESM-2 등 대형 단백질 언어 모델이나 AlphaFold의 기하학적 임베딩 추출기(Structural Embedding)를 통해 3차원 단백질 구조 정보를 고차원 실수형 벡터로 변환합니다. Milvus에 전 세계의 기저 단백질 구조 벡터들을 색인해 두면, 실험실에서 규명한 신규 표적 단백질 구조를 인풋으로 넣어 기존 PDB(Protein Data Bank) 데이터 내에서 형태적/진화적으로 유사한 단백질 패밀리를 순식간에 추적하고 기능을 유추할 수 있습니다."},{"icon":"💊","title":"PubMed 기반 의료/생명공학 논문 RAG 시스템 구축","scenario":"수십 년에 달하는 PubMed 연구 논문, 특허 문서, NCBI의 유전자 기능 해설 텍스트 등을 특정 의미 단락별로 쪼갠 후 BioBERT나 ClinicalBERT 모델을 사용해 임베딩 벡터로 변환합니다. 이를 Milvus에 색인해 두고, 의학용 거대 언어 모델(LLM)이 환각 현상 없이 최신 임상 지식과 유전자 정보에 기반한 정밀한 답변을 하도록 유관 정보를 실시간으로 검색하여 LLM 프롬프트에 실어 주는 RAG(검색 증강 생성) 지식 베이스로 사용합니다."}],"official_doc_url":"https://milvus.io](https://milvus.io)","github_url":"https://github.com/milvus-io/milvus](https://github.com/milvus-io/milvus)","category":"vector_db","difficulty":"advanced","tags":["milvus","vector_db","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 8GB 이상 권장 (저장되는 수억 개 벡터 인덱스가 메모리에 직접 로드되어야 하므로 데이터 크기에 비례하여 요구 사양이 증가합니다)","storage":"MinIO(기본 번들) 또는 AWS S3 / Google Cloud Storage 등의 오브젝트 스토리지 연동 지원"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:07.2075+00:00","created_at":"2026-06-20T16:13:39.113194+00:00"},{"id":"cc88b767-5198-417c-926b-2294ebbe3ab8","slug":"deepseek-r1","name":"DeepSeek R1","one_liner":"Modelo de razonamiento de código abierto líder en matemáticas, programación y ciencia.","description":"DeepSeek R1은 중국의 AI 스타트업 DeepSeek가 개발한 추론(reasoning) 분야 SOTA(State of the Art) 모델이다. 수학, 코딩, 과학 추론 벤치마크에서 GPT-4o와 Claude 3.5 Sonnet을 넘어서는 결과를 기록하며, 오픈소스 모델이 상용 모델을 능가할 수 있음을 증명한 역사적인 모델이다. 7B부터 671B까지 5가지 사이즈로 제공되며, 특히 671B 풀사이즈 모델을 로컬에서 구동할 수 있다는 점이 가장 큰 특징이다. 성능 면에서 671B는 GPT-4 Turbo를 능가하고, 수학/코딩에서는 o1에 근접하는 수준이다.\n\nDeepSeek R1의 추론 방식은 독특하다. 모델이 답변하기 전에 `` 블록 안에서 자신만의 사고 과정을 전개하는데, 마치 시험지에 답을 쓰기 전에 연습장에서 풀이 과정을 정리하는 학생처럼, 가설을 세우고, 검증하고, 때로는 이전 접근을 폐기하고 다른 경로를 시도한다. 이 과정이 투명하게 노출되므로 연구자가 모델의 추론을 검증하고 신뢰할 수 있다.\n\n생명공학에서 DeepSeek R1은 복잡한 정량 분석과 실험 설계에서 진가를 발휘한다. 단백질 구조 예측의 에너지 최소화 계산, 약동학 모델의 미분방정식 풀이, 유전체 통계 분석의 다중 검정 보정 같은 수학적 추론이 필요한 태스크에서 전문가 수준의 정확도를 보인다. MIT 라이선스로 상업적 사용이 완전히 자유롭고, Ollama와 vLLM 모두에서 구동 가능하다. 70B 모델은 42GB VRAM으로 단일 고성능 GPU에서 실행할 수 있고, 671B는 멀티 GPU 또는 Unified Memory 시스템이 필요하다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 7B (경량, 노트북 가능)\nollama run deepseek-r1:7b\n\n# 70B (고성능 추론)\nollama run deepseek-r1:70b\n\n# 671B (풀사이즈, 멀티 GPU)\nollama run deepseek-r1:671b\n```\n\n### 4-2. 상세 설치\n\n```bash\n# vLLM으로 고성능 서빙 (671B, Tensor Parallelism)\npip install vllm\nvllm serve deepseek-ai/DeepSeek-R1 --trust-remote-code --tensor-parallel-size 8\n\n# HuggingFace Transformers\npip install transformers torch accelerate\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"약동학 모델 미분방정식 풀이 — 2-compartment PK 모델의 연립 미분방정식을 DeepSeek R1 70B에 입력. `` 블록에서 Laplace 변환 → 역변환 과정을 단계적으로 전개하여 혈중 농도-시간 곡선을 도출. 수학적 풀이의 정확도가 Wolfram Alpha와 동등. (160자)"},{"icon":"🧬","title":"사례 2","scenario":"유전체 GWAS 통계 분석 — 50만 SNP 데이터의 다중 검정 보정(Bonferroni, FDR) 전략을 DeepSeek R1에 자문. 검정력 분석, 효과 크기 추정, 유의 수준 설정을 ``에서 단계적으로 추론. 통계학자 수준의 분석 설계 제안. (150자)"},{"icon":"💊","title":"사례 3","scenario":"단백질 에너지 최소화 검증 — AlphaFold 예측 구조의 에너지 함수 계산 결과를 검증. 결합 에너지, 수소 결합, Van der Waals 상호작용 각 항을 분석하여 구조적 안정성 평가. 671B 모델의 과학 추론 능력으로 물리화학 수준의 분석 수행. (155자)"}],"official_doc_url":"https://github.com/deepseek-ai/DeepSeek-R1","github_url":"https://github.com/deepseek-ai/DeepSeek-R1","category":"local_ai","difficulty":"beginner","tags":["deepseek","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"7B → 5GB / 70B → 42GB / 671B → 404GB (멀티 GPU 필수)","storage":"7B → 5GB / 70B → 42GB / 671B → 404GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:14.173684+00:00","created_at":"2026-06-20T15:44:06.213261+00:00"},{"id":"f9798762-1b58-4f84-8c10-da6576a9c39a","slug":"qwen-36","name":"Qwen 3.6","one_liner":"Último modelo Qwen con arquitectura dual: 27B denso y 35B MoE.","description":"Qwen 3.6은 2026년 6월 출시된 Qwen 시리즈의 최신 모델로, 27B dense와 35B-A3B MoE(active 3B) 두 가지 아키텍처를 동시에 제공하는 듀얼 라인업 전략이 특징이다. 같은 세대의 모델을 dense와 MoE 양쪽으로 동시 출시함으로써, 사용자가 태스크 특성과 하드웨어 환경에 따라 최적의 버전을 선택할 수 있다. 성능 면에서 27B dense 모델은 Claude 3.5 Sonnet 초기 버전에 근접하는 수준으로, 2026년 6월 기준 오픈소스 27B급 모델 중 최상위권에 위치한다.\n\n35B-A3B MoE 버전은 총 파라미터 35B 중 실제 활성화되는 것은 3B에 불과하여, 극도로 적은 VRAM(약 3~4GB)으로 구동할 수 있다. 이는 노트북 GPU나 통합 그래픽에서도 실행 가능한 수준으로, 마치 주머니에 넣고 다닐 수 있는 고성능 AI처럼 접근성을 혁신적으로 낮추었다. 물론 active parameter가 3B이므로 27B dense 대비 품질은 낮지만, 간단한 분류·요약·번역에는 충분한 성능을 보여준다.\n\n27B dense 모델은 Q4 양자화 시 약 17GB VRAM으로 구동 가능하며, BF16 풀 정밀도로도 consumer GPU 2장이면 실행할 수 있다. Ollama에서 Q4/Q8/BF16 다양한 양자화 옵션을 지원하여, 정밀도와 속도의 트레이드오프를 세밀하게 조절할 수 있다. Apache 2.0 라이선스로 상업적 사용이 자유롭고, Qwen 3/3.5의 thinking 모드도 계승하여 복잡한 추론 태스크에서 단계적 사고가 가능하다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 27B dense (기본, Q4 양자화)\nollama run qwen3.6\n\n# 35B-A3B MoE (초경량)\nollama run qwen3.6:35b-a3b\n\n# BF16 풀 정밀도 (최고 품질)\nollama run qwen3.6:27b-bf16\n```\n\n### 4-2. 상세 설치\n\n```bash\n# vLLM으로 고성능 API 서버\npip install vllm\nvllm serve Qwen/Qwen3.6-27B-Instruct --trust-remote-code\n\n# MoE 버전 vLLM\nvllm serve Qwen/Qwen3.6-35B-A3B-Instruct --trust-remote-code\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"현장 연구 보조 (MoE 경량) — 35B-A3B MoE를 노트북 GPU에서 구동하여 현장 실험 중 실시간 프로토콜 질의. \"이 시약 농도를 2배로 올리면 반응 시간은?\" 같은 질문에 즉시 응답. 인터넷 불가 환경(클린룸, 격리 실험실)에서도 작동. (155자)"},{"icon":"🧬","title":"사례 2","scenario":"고정밀 논문 분석 (dense BF16) — 27B dense BF16 풀 정밀도로 최신 Nature/Science 논문을 분석. 양자화 모델 대비 미세한 뉘앙스 차이를 포착하여, 방법론의 한계점과 재현 가능성을 정밀 평가. 피어 리뷰 수준의 코멘트 생성. (150자)"},{"icon":"💊","title":"사례 3","scenario":"양자화 레벨별 A/B 테스트 — 같은 생명공학 질문을 Q4/Q8/BF16 세 가지 양자화로 병렬 실행. 양자화에 따른 품질 저하가 허용 범위 내인지 정량 평가하여, 최적 정밀도-속도 트레이드오프 지점을 결정. (140자)"}],"official_doc_url":"https://ollama.com/library/qwen3.6","github_url":"https://github.com/QwenLM/Qwen3.6","category":"local_ai","difficulty":"beginner","tags":["qwen","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"35B-A3B MoE → ~4GB / 27B dense Q4 → ~17GB / 27B BF16 → ~54GB","storage":"MoE → ~20GB / dense Q4 → ~17GB / dense BF16 → ~71GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:30.093638+00:00","created_at":"2026-06-20T15:44:04.54413+00:00"},{"id":"80b1f351-6fff-412a-b384-0029434177be","slug":"qwen-35","name":"Qwen 3.5","one_liner":"Modelo sucesor de Qwen 3 con línea MoE especializada de 35B a 122B.","description":"Qwen 3.5는 Alibaba Qwen 팀이 Qwen 3 후속으로 출시한 MoE(Mixture of Experts) 특화 모델 라인업이다. 35B부터 122B까지 MoE 아키텍처를 채택하여, 총 파라미터 수 대비 실제 활성화되는 파라미터(active parameters)가 적어 경량 GPU에서도 빠른 추론이 가능하다. 특히 35B MoE 모델은 active parameter가 약 3B~8B 수준으로, 풀사이즈 35B dense 모델 대비 VRAM을 절반 이하로 사용하면서 유사한 품질을 달성한다. 성능 면에서는 GPT-4o-mini 수준이거나 이를 상회하며, 262K 토큰의 초장문 컨텍스트를 지원한다.\n\n262K 컨텍스트는 생명공학 연구에서 혁신적인 가능성을 열어준다. 마치 수백 페이지에 달하는 논문 전체를 한 번에 읽고 이해하는 연구자처럼, 긴 임상시험 보고서, 다수의 논문을 연결하여 cross-reference 분석을 수행할 수 있다. 기존 모델들이 4K~128K 컨텍스트로 긴 문서를 청크(chunk)로 나누어 처리해야 했던 한계를 넘어, 문서 전체의 맥락을 유지한 채 분석할 수 있다.\n\nApache 2.0 라이선스로 상업적 사용이 완전히 자유롭고, Ollama에서 한 줄 설치가 가능하다. MoE 구조 특성상 cold load 후 추론 시작까지의 시간이 짧고, 메모리 효율이 높아 여러 모델을 동시에 올려야 하는 멀티모델 환경에서 유리하다. Qwen 3의 thinking 모드도 지원하여, 복잡한 추론 태스크에서는 단계적 사고를 활성화할 수 있다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 35B MoE (가장 효율적)\nollama run qwen3.5\n\n# 122B MoE (최고 품질)\nollama run qwen3.5:122b\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Ollama 설치\ncurl -fsSL https://ollama.com/install.sh | sh\n\n# vLLM 사용 (고성능 서빙)\npip install vllm\nvllm serve Qwen/Qwen3.5-35B-Instruct --trust-remote-code\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"초장문 임상시험 보고서 분석 — 262K 컨텍스트에 Phase III 임상시험 보고서 전문(200+ 페이지)을 로드. 청크 분할 없이 전체 맥락을 유지한 채 유효성·안전성 데이터를 교차 분석. 청크 방식 대비 cross-reference 정확도 30% 향상. (155자)"},{"icon":"🧬","title":"사례 2","scenario":"다논문 종합 리뷰 — 관련 논문 15편의 전문을 262K 윈도우에 동시 로드. 각 논문의 방법론·결과를 비교하여 메타분석 초안 자동 생성. 논문 간 모순점과 일치점을 명시적으로 식별. (130자)"},{"icon":"💊","title":"사례 3","scenario":"MoE 효율을 활용한 멀티모델 파이프라인 — 35B MoE의 낮은 VRAM 점유를 활용하여 동일 GPU에 임베딩 모델(BGE-M3)과 함께 로드. RAG 파이프라인에서 검색+생성을 단일 GPU로 처리. 모델 전환 오버헤드 제거. (145자)"}],"official_doc_url":"https://ollama.com/library/qwen3.5","github_url":"https://github.com/QwenLM/Qwen3.5","category":"local_ai","difficulty":"beginner","tags":["qwen","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"35B MoE → ~20GB / 122B MoE → ~81GB (Q4 양자화 기준)","storage":"35B → ~20GB / 122B → ~81GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:02.391417+00:00","created_at":"2026-06-20T15:44:03.883559+00:00"},{"id":"7d17f366-bba7-4407-82da-3dde1b99a725","slug":"exaone-deep","name":"EXAONE Deep","one_liner":"Modelo de razonamiento de LG AI especializado en resolver problemas complejos paso a paso.","description":"EXAONE Deep은 LG AI Research가 EXAONE 3.5를 기반으로 개발한 추론(reasoning) 특화 모델이다. 일반적인 텍스트 생성을 넘어, 복잡한 문제를 단계별로 분석하고 논리적 결론을 도출하는 \"깊은 사고(deep thinking)\" 능력에 초점을 맞추었다. `` 태그로 추론 과정을 명시적으로 분리하여, 모델이 어떤 논리적 경로를 거쳐 결론에 도달했는지 투명하게 확인할 수 있다. 성능 수준으로는 DeepSeek R1 70B의 추론 능력에 한국어 특화를 더한 포지션으로, 수학·코딩·과학 벤치마크에서 동급 모델 대비 우수한 결과를 보인다.\n\n생명공학 연구에서 EXAONE Deep의 가치는 복잡한 실험 설계와 데이터 해석에서 빛난다. 마치 경험 많은 선임 연구원이 실험 결과를 놓고 \"이 수치가 이상한 이유는...\"이라며 단계적으로 추론하는 것처럼, 모델이 `` 블록 안에서 가설을 세우고, 반증을 검토하고, 최종 결론을 제시한다. 예를 들어 단백질 발현량 데이터에서 이상치를 발견하면, 가능한 원인(샘플 오염, 실험 조건 변동, 실제 생물학적 변이)을 열거하고 각각의 가능성을 평가한 뒤 가장 유력한 설명을 제시한다.\n\n32B 단일 사이즈로 제공되며 19GB VRAM으로 구동 가능하다. EXAONE 3.5와 동일한 한국어 품질을 유지하면서 추론 깊이를 대폭 강화한 모델이므로, 단순 번역·요약에는 EXAONE 3.5를, 복잡한 분석·판단에는 EXAONE Deep을 사용하는 식으로 역할을 분담할 수 있다. Ollama에서 공식 지원하며, LocalRAG의 보조 엔진으로 배치하면 심층 질문에 대해 추론 과정이 포함된 신뢰도 높은 답변을 생성한다.","install_code":"### 4-1. Quick Start\n\n```bash\nollama run exaone-deep:32b\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Ollama 설치\ncurl -fsSL https://ollama.com/install.sh | sh\n\n# 모델 다운로드\nollama pull exaone-deep:32b\n\n# HuggingFace Transformers\npip install transformers torch accelerate\n```\n\n```python\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\nmodel_id = \"LGAI-EXAONE/EXAONE-Deep-32B\"\ntokenizer = AutoTokenizer.from_pretrained(model_id)\nmodel = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=\"auto\", device_map=\"auto\")\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"단백질 발현 이상치 분석 — Western blot 정량 데이터에서 이상치를 입력하면, `` 블록에서 샘플 오염·로딩 에러·생물학적 변이 등 가능한 원인을 체계적으로 평가. 최종적으로 가장 유력한 원인과 추가 실험 제안을 한국어로 제시. (150자)"},{"icon":"🧬","title":"사례 2","scenario":"임상시험 통계 설계 검토 — Phase II 임상시험의 샘플 사이즈 계산과 통계 검정력 분석을 EXAONE Deep에 의뢰. 모델이 단계적으로 effect size 추정 → 검정력 계산 → 탈락률 보정 과정을 ``로 전개하여 통계학자 수준의 검토 제공. (155자)"},{"icon":"💊","title":"사례 3","scenario":"복합 약물 상호작용 추론 — 3개 이상 약물의 병용 시 예상되는 약동학적 상호작용을 분석. CYP450 대사 경로, 단백질 결합률, 배설 경쟁을 단계적으로 추론하여 위험도를 등급화. 한국어 임상약리 용어를 정확히 사용. (145자)"}],"official_doc_url":"https://huggingface.co/LGAI-EXAONE","github_url":"https://github.com/LG-AI-EXAONE/EXAONE-Deep","category":"local_ai","difficulty":"beginner","tags":["exaone","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"19GB (Q4 양자화 기준)","storage":"19GB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T07:54:31.620106+00:00","created_at":"2026-06-20T15:44:03.206426+00:00"},{"id":"6ffdbc54-3727-4d79-ba16-027ebb202b46","slug":"exaone-35","name":"EXAONE 3.5","one_liner":"LLM bilingüe de código abierto de LG con rendimiento de primer nivel en NLP coreano.","description":"EXAONE 3.5는 LG AI Research가 자체 개발한 이중 언어(한국어·영어) 특화 대규모 언어 모델로, 한국어 NLP에서 현존 오픈소스 모델 중 최강급 성능을 보유하고 있다. 7.8B와 32B 두 가지 사이즈로 제공되며, 특히 32B 모델은 한국어 벤치마크에서 GPT-4급 품질을 보여준다. 한국어 논문 요약, 번역, 문서 분류에서 외국산 모델 대비 압도적으로 자연스러운 결과물을 생성하며, 한국 생명공학 연구자에게 사실상 필수 도구이다.\n\nLG가 수십 년간 축적한 한국어 데이터와 도메인 지식이 EXAONE에 녹아 있다. 마치 한국어를 모국어로 하는 연구자가 직접 작성한 것처럼, 조사와 어미의 사용이 정확하고 전문 용어의 한글 병기가 자연스럽다. 영어 원문 논문을 한국어로 번역할 때 \"Protein Folding(단백질 접힘)\"처럼 학술적 맥락을 유지한 채 번역하는 능력이 탁월하다. 32B 모델 기준 GPU에서 약 10.6 tok/s를 기록하며, 19GB VRAM으로 구동 가능하여 consumer GPU에서도 실행할 수 있다.\n\n7.8B 모델은 경량 버전으로, 실시간 응답이 필요한 챗봇이나 빠른 문서 분류에 적합하다. 32B 모델은 긴 문서의 심층 분석, 복잡한 추론이 필요한 작업에 투입된다. Ollama에서 공식 지원하며, HuggingFace Transformers로도 직접 로드할 수 있다. AI Tools 파이프라인에서 한국어 설명문 자동 생성(generate-desc) 엔진으로 활용하면 높은 품질의 한국어 카탈로그를 생산할 수 있다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 7.8B 모델 (경량)\nollama run exaone3.5:7.8b\n\n# 32B 모델 (고품질 한국어)\nollama run exaone3.5:32b\n```\n\n### 4-2. 상세 설치\n\n```bash\n# HuggingFace Transformers 사용\npip install transformers torch accelerate\n```\n\n```python\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\nmodel_id = \"LGAI-EXAONE/EXAONE-3.5-32B-Instruct\"\ntokenizer = AutoTokenizer.from_pretrained(model_id)\nmodel = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=\"auto\", device_map=\"auto\")\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"한국어 논문 요약 자동화 — PubMed 영문 논문 100건의 Abstract를 EXAONE 3.5 32B로 한국어 요약. \"Protein Folding(단백질 접힘)\" 형태의 학술 용어 병기를 자동 적용. 요약 품질 평가에서 GPT-4 한국어 요약 대비 동등 이상 판정. (150자)"},{"icon":"🧬","title":"사례 2","scenario":"임상시험 보고서 한국어 생성 — 영문 CRF(Case Report Form) 데이터를 입력받아 한국어 임상시험 결과 보고서 초안 자동 생성. 의학 용어의 한글 표기(예: Adverse Event → 이상반응)가 KFDA 가이드라인과 일치. 보고서 작성 시간 70% 단축. (155자)"},{"icon":"💊","title":"사례 3","scenario":"생명공학 특허 분류 — 한국 특허 원문 500건을 7.8B 모델로 실시간 분류. IPC 코드 기준 A61K(의약)/C12N(유전공학)/G01N(분석) 3개 대분류 정확도 94.2%. 경량 모델로 건당 2초 이내 처리. (135자)"}],"official_doc_url":"https://huggingface.co/LGAI-EXAONE","github_url":"https://github.com/LG-AI-EXAONE/EXAONE-3.5","category":"local_ai","difficulty":"beginner","tags":["exaone","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"7.8B → 6GB / 32B → 19GB (Q4 양자화 기준)","storage":"7.8B → 5GB / 32B → 19GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:19:30.186516+00:00","created_at":"2026-06-20T15:44:02.542268+00:00"},{"id":"01f9f878-7d5c-4a84-8b8e-bd53cae3cb0a","slug":"gemma-4","name":"Gemma 4","one_liner":"Modelo de lenguaje de pesos abiertos, ligero y de alto rendimiento de Google basado en tecnología Gemini.","description":"Gemma 4는 Google DeepMind가 Gemini 기술 스택을 기반으로 개발한 오픈 가중치 언어 모델이다. 26B와 31B 두 가지 dense 모델로 제공되며, 특히 구조화된 JSON 출력의 안정성이 뛰어나 자동화 파이프라인의 중간 엔진으로 탁월한 성능을 발휘한다. 성능 수준으로 보면 Claude 3 Haiku~Sonnet 사이, 혹은 GPT-4o-mini를 상회하는 수준으로, 크기 대비 놀라운 품질을 보여준다.\n\n생명공학 연구에서 Gemma 4의 강점은 검수(review)와 분류(classification) 태스크에서 드러난다. 마치 꼼꼼한 연구 보조원처럼, 논문 초록을 읽고 카테고리를 분류하거나, 실험 결과의 이상치를 탐지하는 작업을 JSON 포맷으로 일관되게 수행한다. 31B dense 모델은 19GB VRAM으로 구동 가능하여 단일 consumer GPU에서도 실행할 수 있고, Ollama 공식 지원으로 설치가 간편하다. RAG 엔진의 생성 백엔드로 사용할 때 hallucination 비율이 낮아 신뢰도 높은 응답을 기대할 수 있다.\n\nGoogle의 방대한 다국어 학습 데이터 덕분에 한국어 처리 능력도 준수하다. 한국어 생명공학 문헌의 요약, 영한 병행 분석, 실험 프로토콜 번역 등에서 자연스러운 결과를 생성한다. 또한 Gemini API와 동일한 토크나이저를 사용하므로, 클라우드 Gemini로 프로토타이핑한 워크플로우를 로컬 Gemma 4로 전환하는 것이 매끄럽다. 업데이트 체커, 문서 리뷰어 같은 상시 구동 에이전트에 특히 적합하다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 26B 모델\nollama run gemma4:26b\n\n# 31B dense 모델 (RAG/리뷰 권장)\nollama run gemma4:31b\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Ollama 설치\ncurl -fsSL https://ollama.com/install.sh | sh\n\n# 모델 사전 다운로드\nollama pull gemma4:31b\n\n# Python 연동\npip install ollama\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"논문 자동 분류 시스템 — PubMed 초록 1000건을 Gemma 4 31B에 JSON mode로 전달. 각 논문을 \"genomics/proteomics/drug_discovery/clinical\" 4개 카테고리로 분류. JSON 파싱 실패율 0.3% 이하로 후처리 파이프라인 안정적 운용. (140자)"},{"icon":"🧬","title":"사례 2","scenario":"RAG 기반 실험 프로토콜 QA — 벡터 DB에 인덱싱된 실험 매뉴얼 500건 대상으로 Gemma 4를 생성 엔진으로 사용. \"이 시약의 보관 온도는?\" 같은 질문에 출처를 명시한 정확한 답변 생성. hallucination 비율 2% 미만. (145자)"},{"icon":"💊","title":"사례 3","scenario":"카탈로그 검수 에이전트 — AI 도구 카탈로그 신규 등재 시 Gemma 4가 자동으로 필수 필드(라이선스, 버전, URL) 누락 여부를 검사하고, 설명문의 사실 관계를 교차 검증. 상시 구동 에이전트로 keep_alive 설정하여 즉시 응답. (150자)"}],"official_doc_url":"https://ai.google.dev/gemma","github_url":"https://github.com/google-deepmind/gemma","category":"local_ai","difficulty":"beginner","tags":["gemma","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"26B → 17GB / 31B → 19GB (Q4 양자화 기준)","storage":"26B → 17GB / 31B → 19GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:28.863986+00:00","created_at":"2026-06-20T15:44:01.551036+00:00"},{"id":"5056b31f-602a-4db5-baee-0af61145deea","slug":"gpt-oss","name":"GPT-OSS","one_liner":"El primer modelo de lenguaje grande de código abierto de OpenAI (20B / 120B)","description":"GPT-OSS는 OpenAI가 공개한 최초의 대규모 오픈소스 언어 모델로, 상용 GPT 시리즈의 핵심 기술을 오픈소스 생태계에 이식한 프로젝트이다. 20B dense 모델과 120B Mixture of Experts(MoE) 모델 두 가지 라인업으로 제공되며, 특히 120B MoE 버전은 총 파라미터 수 대비 실제 활성화되는 파라미터가 적어 consumer GPU 환경에서도 놀라운 추론 속도를 보여준다. 실측 기준 GPU에서 약 42 tok/s를 기록하며, 이는 동급 dense 모델(70B급) 대비 5배 이상 빠른 수치이다. 성능 면에서는 기존 GPT-4 초기 버전에 준하는 수준으로, 복잡한 추론과 다국어 분석에서 상당한 완성도를 갖추고 있다.\n\n생명공학 연구자 입장에서 GPT-OSS의 가장 큰 매력은 완전한 오프라인 구동이 가능하다는 점이다. 임상시험 데이터, 미공개 논문 초고, 환자 유전체 정보처럼 외부 클라우드에 전송할 수 없는 민감한 데이터를 로컬 워크스테이션에서 GPT-4급 모델로 분석할 수 있다. 마치 연구실 안에 전용 AI 비서를 두는 것과 같다. MoE 구조 덕분에 65GB VRAM이면 120B 모델 전체를 GPU에 올릴 수 있어, 단일 고성능 GPU 워크스테이션으로 충분히 운용 가능하다.\n\n20B dense 버전은 13GB로 가벼워 일상적인 코딩 보조, 문서 요약, 번역에 적합하고, 120B MoE 버전은 복잡한 분석 태스크에 투입된다. 한국어를 포함한 다국어 처리 능력이 우수하여, 한국어 생명공학 논문 요약이나 영한 번역에서도 자연스러운 결과를 생성한다. Ollama를 통해 한 줄 명령으로 설치 및 실행이 가능하며, OpenAI 호환 API를 제공하므로 기존 GPT-4 기반 파이프라인을 코드 변경 없이 로컬로 전환할 수 있다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 20B dense 모델 (가벼운 용도)\nollama run gpt-oss:20b\n\n# 120B MoE 모델 (고성능 분석)\nollama run gpt-oss:120b\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. Ollama 설치\ncurl -fsSL https://ollama.com/install.sh | sh\n\n# 2. 모델 다운로드 (사전 pull)\nollama pull gpt-oss:120b\n\n# 3. Python에서 사용\npip install ollama\n```\n\n```python\nimport ollama\nresponse = ollama.chat(model='gpt-oss:120b', messages=[\n {'role': 'user', 'content': '이 논문의 핵심 결론을 요약해주세요.'}\n])\nprint(response['message']['content'])\n```","bio_use_cases":[{"icon":"🔬","title":"사례 1","scenario":"비공개 임상 데이터 분석 — 미출판 임상시험 보고서 50건을 로컬에서 120B MoE로 처리. temperature=0.2로 부작용 빈도(%)·환자 탈락률 등 정량 지표 15개를 구조화 추출. 클라우드 전송 없이 5분 내 완료. (150자)"},{"icon":"🧬","title":"사례 2","scenario":"신약 후보 스크리닝 보조 — Python + RDKit과 GPT-OSS 20B를 조합하여 타겟 단백질 활성 부위 분석. 500개 화합물 중 결합 에너지 -8.0 kcal/mol 이하 상위 12개 자동 선별. 도킹 분석 스크립트를 모델이 직접 생성. (160자)"},{"icon":"💊","title":"사례 3","scenario":"다국어 특허·논문 RAG 시스템 — Ollama + 임베딩 도구로 로컬 RAG 구축. 한영 특허 200건 대상 120B MoE 백엔드로 침해 가능성 높은 기술 요소 8건 식별. 기밀 유출 위험 원천 차단. (130자)"}],"official_doc_url":"https://ollama.com/library/gpt-oss","github_url":"https://github.com/openai/gpt-oss","category":"local_ai","difficulty":"beginner","tags":["gpt","local_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"20B → 16GB / 120B MoE → 65GB (단일 GPU 또는 멀티 GPU)","storage":"20B → 13GB / 120B → 65GB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T12:35:57.806831+00:00","created_at":"2026-06-20T15:44:00.823784+00:00"},{"id":"e6b3f05f-f4ee-4dc7-818d-46021dc72b63","slug":"operon","name":"Operon","one_liner":"IDE de bioinformática con IA que integra análisis de secuenciación, HPC remoto y búsqueda bibliográfica","description":"$9d","install_code":"### 4-1. Quick Start\n\n```bash\n# 사전 빌드 인스톨러 (권장) — GitHub Releases에서 OS별 다운로드\n# macOS: .dmg (Apple Silicon / Intel)\n# Windows: .exe (NSIS) 또는 .msi\n# Linux: .deb / .rpm / .AppImage\n# https://github.com/swaruplab/operon/releases/latest\n```\n\n### 4-2. 소스 빌드\n\n```bash\n# 사전 요구: Node.js 18+, npm, Rust (rustup), 플랫폼별 네이티브 툴체인\ngit clone https://github.com/swaruplab/operon.git\ncd operon\nnpm install\nnpm run tauri dev # 개발 모드 (핫 리로드)\nnpm run tauri build # 프로덕션 빌드\n```","bio_use_cases":[{"icon":"🔬","title":"Single-cell RNA-seq 자동 분석","scenario":"Agent 모드에서 Scanpy/Seurat 파이프라인을 HPC 노드에 SSH로 실행, 품질 필터링 → 정규화 → 클러스터링 → UMAP 시각화까지 AI가 순차 생성·실행. 결과 플롯을 앱 내 에디터에서 즉시 확인하고, Report 모드로 분석 요약 보고서를 PubMed 인용과 함께 자동 생성."},{"icon":"🧬","title":"CRISPR screen 분석 파이프라인","scenario":"내장 프로토콜에서 MAGeCK/CRISPResso 워크플로를 선택하면, AI가 fastq 파일 경로 설정부터 sgRNA 카운팅, 유전자 랭킹, 시각화까지 코드를 단계별로 생성. Plan 모드로 전체 파이프라인 아키텍처를 먼저 리뷰한 뒤 Agent 모드로 실행."},{"icon":"💊","title":"Spatial transcriptomics + 멀티오믹스 통합","scenario":"Visium/MERFISH 데이터에 대해 Squidpy 기반 공간 분석 프로토콜을 적용하고, 동일 세션에서 ATAC-seq 크로마틴 접근성 데이터와 교차 분석. Ask 모드로 PubMed에서 관련 방법론 논문을 검색하며 분석 전략을 실시간 수정."}],"official_doc_url":"https://github.com/swaruplab/operon","github_url":"https://github.com/swaruplab/operon","category":"bio_ai","difficulty":"intermediate","tags":["operon","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (로컬 LLM 운영 시 NVIDIA GPU 8GB+ VRAM 권장)","storage":"~500MB (앱 본체), 프로토콜·캐시 포함 1GB 이내"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:39.66443+00:00","created_at":"2026-06-20T14:36:08.723792+00:00"},{"id":"a56c4a84-5b45-48ee-8e2e-2245e90802db","slug":"higgsfield-ai","name":"Higgsfield AI","one_liner":"Plataforma creativa nativa de IA para generar vídeo, imágenes y audio desde una sola interfaz.","description":"$9e","install_code":"### 4-1. Quick Start (Python SDK)\n\n```bash\npip install higgsfield-client\n```\n\n### 4-2. API 인증 설정\n\n```bash\n# 방법 1: 단일 키\nexport HF_KEY=\"your-api-key:your-api-secret\"\n\n# 방법 2: 분리 설정\nexport HF_API_KEY=\"your-api-key\"\nexport HF_API_SECRET=\"your-api-secret\"\n```\n\n### 4-3. 기본 사용 예시 (Python)\n\n```python\nfrom higgsfield import Client\n\nclient = Client()\n\n# 텍스트→이미지 생성 (subscribe: 요청 후 결과 대기)\nresult = client.subscribe(\n \"bytedance/seedream/v4/text-to-image\",\n arguments={\"prompt\": \"protein folding visualization, scientific illustration\"}\n)\n\n# 비동기 요청 + 상태 모니터링\nrequest_id = client.submit(\n \"bytedance/seedream/v4/text-to-image\",\n arguments={\"prompt\": \"cell division timelapse animation\"}\n)\nstatus = client.poll_request_status(request_id)\n```\n\n### 4-4. CLI 설치 (macOS)\n\n```bash\nbrew install higgsfield-ai/tap/higgsfield\n```\n\n### 4-5. Node.js SDK\n\n```bash\nnpm install higgsfield\n```\n\n### 4-6. 오픈소스 분산 학습 프레임워크\n\n```bash\npip install higgsfield==0.0.3\n```","bio_use_cases":[{"icon":"🔬","title":"🎬 신약 MOA 교육 영상 자동 생성","scenario":"약물의 작용 기전 텍스트 설명을 Cinema Studio에 입력하고, Soul Cinema 모델로 분자 수준의 사실적 애니메이션을 생성한다. 1,296가지 렌즈 프리셋 중 매크로 렌즈를 선택하고 AI LUT로 학술 발표용 톤을 적용하면, 30초 분량 MOA 영상을 수 분 내 제작할 수 있다. 기존 전문 3D 애니메이션 외주 대비 제작 비용을 90% 이상 절감하며, 임상시험 IR 자료나 의학 교육 콘텐츠로 즉시 활용 가능하다."},{"icon":"💊","title":"🔬 실험 데이터 시각화 파이프라인 자동화","scenario":"Python SDK(higgsfield-client)의 subscribe_async() 메서드를 실험 데이터 파이프라인에 통합하여, 새로운 현미경 이미지나 시퀀싱 결과가 생성될 때마다 자동으로 요약 영상을 생성한다. webhook_url 파라미터로 Slack이나 이메일 알림을 연동하면, 연구팀이 실시간으로 결과를 시각적으로 확인할 수 있다. 하루 50건의 실험 결과를 자동 영상화하여 주간 연구 리뷰 시간을 기존 대비 60% 단축하는 워크플로우 구성이 가능하다."},{"icon":"🤖","title":"📢 바이오텍 마케팅 콘텐츠 대량 생산","scenario":"Marketing Studio에서 세포 치료제나 진단 키트의 제품 소개 영상을 생성하고, YouTube (16:9), TikTok (9:16), Instagram Reels 포맷으로 동시 변환한다. Soul ID의 캐릭터 일관성 기능으로 브랜드 캐릭터(예: 마스코트 항체)를 시리즈 전체에서 동일하게 유지하며, Viral Presets의 250+ VFX 효과로 과학 콘텐츠의 소셜 미디어 참여율을 높인다. 엔터프라이즈 플랜의 팀 협업 기능으로 마케팅·R&D·규제 팀이 실시간으로 콘텐츠를 리뷰하고 코멘트를 달 수 있다."}],"official_doc_url":"https://higgsfield.ai","github_url":"https://github.com/higgsfield-ai","category":"image_ai","difficulty":"beginner","tags":["higgsfield","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (모든 AI 추론은 Higgsfield 클라우드에서 처리)","storage":"최소 (생성 결과는 클라우드 저장, 로컬 다운로드 시 영상 파일 크기에 따라 가변)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:33:32.87219+00:00","created_at":"2026-06-20T14:36:06.763036+00:00"},{"id":"35087d2c-3f93-4a20-abbd-1c168129f372","slug":"dia2","name":"Dia2","one_liner":"Modelo TTS conversacional interactivo con generación en streaming","description":"Nari Labs가 개발한 Dia2는 스트리밍 방식의 대화형 텍스트 음성 합성(Text-to-Speech) 모델이다. GPT가 텍스트 한 토큰씩 생성하듯, Dia2는 입력 텍스트의 첫 몇 단어만 주어져도 즉시 오디오 생성을 시작하는 스트리밍 아키텍처를 채택했다. 1B와 2B 두 가지 파라미터 규모로 제공되며, Kyutai의 Mimi 오디오 코덱 위에 구축되어 Google의 SoundStorm 연구에서 영감을 받은 병렬 디코딩 구조를 활용한다.\n\n기존 TTS 모델 대부분은 전체 텍스트를 먼저 입력받아야 오디오를 생성할 수 있었다. 실시간 대화 시스템이나 인터랙티브 응용에서는 이 지연(latency)이 치명적 병목이 된다. Dia2는 이 한계를 스트리밍 생성으로 돌파한다. [S1]과 [S2] 화자 태그로 다중 화자 대화를 자연스럽게 스크립팅하고, 웃음, 기침, 한숨, 헐떡임 같은 비언어적 발화(non-verbal vocalization)까지 생성한다. 오디오 프리픽스(prefix audio)를 조건으로 주면 특정 화자의 음색과 감정 톤을 복제(voice cloning)할 수 있어, 매 생성마다 달라지는 랜덤 음성 문제를 해결한다.\n\n생명공학 연구 맥락에서 Dia2는 실험 프로토콜의 오디오 가이드 자동 생성에 활용할 수 있다. 예를 들어 세포 배양 프로토콜 텍스트를 [S1] 지시자와 [S2] 확인자 두 화자 대화 형태로 변환하면, 클린벤치 작업 중 핸즈프리로 단계별 안내를 청취할 수 있다. 또한 환자 교육 자료, 논문 팟캐스트 변환, 다국어 연구 발표 리허설 등 음성 콘텐츠가 필요한 연구 커뮤니케이션 전반에서 영어 기반 고품질 대화 음성을 빠르게 프로토타이핑할 수 있다. 최대 2분 분량의 영어 오디오를 생성하며, CUDA 그래프 최적화와 RotaryEmbedding 캐싱으로 추론 속도를 지속 개선하고 있다.","install_code":"$9f","bio_use_cases":[{"icon":"🔬","title":"실험 프로토콜 오디오 가이드","scenario":"세포 배양·시약 준비 등 실험 프로토콜을 [S1] 지시자 / [S2] 확인자 대화로 변환, 클린벤치·후드 작업 중 핸즈프리 청취. cfg_scale=6.0, temperature=0.7로 또렷한 발화 생성, 오디오 프리픽스로 익숙한 음성 톤 고정."},{"icon":"🧬","title":"논문 팟캐스트 자동 변환","scenario":"연구 논문 Abstract·Discussion을 두 연구자 토론 형태로 스크립팅 후 Dia2로 변환. 2분 분량 오디오 생성 → 통근길·러닝 중 청취용 논문 소화. 비언어 발화(감탄, 동의 추임새)로 자연스러운 대화감 확보."},{"icon":"💊","title":"환자 교육 음성 콘텐츠","scenario":"유전자 검사 결과 설명, 임상시험 동의서 요약 등을 환자 친화적 대화체로 변환. 음성 복제로 담당 의료진 음색 유지, 신뢰도 높은 교육 자료 제작. 1B 모델로 빠른 프로토타이핑 후 2B 모델로 최종 품질 확보."}],"official_doc_url":"https://www.nari.ai","github_url":"https://github.com/nari-labs/dia2","category":"audio_ai","difficulty":"intermediate","tags":["dia2","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU CUDA 12.8+ 필수. 2B 모델 bfloat16 기준 약 6-10GB 추정, 1B 모델 약 4-6GB 추정 (공식 수치 미발표, 원본 Dia 1.6B 기준 bf16 ~4.4GB / fp32 ~7.9GB 참고)","storage":"2B 모델 체크포인트 약 4GB (fp32 기준), 1B 모델 약 2GB, 의존성 포함 전체 ~6-8GB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:10:50.484836+00:00","created_at":"2026-06-20T14:36:06.028869+00:00"},{"id":"11b30152-409b-469d-ab81-5c3aa916a011","slug":"vitalifyai","name":"Vitalify.ai","one_liner":"Plataforma de agentes de bienestar basada en IA","description":"$a0","install_code":"### 4-1. Quick Start\n\n```\n별도 설치 불필요 — 웹 브라우저에서 https://app.vitalify.ai 접속 후 가입\nWhatsApp 연동은 Premium 플랜($8/월) 이상에서 활성화\n```\n\n### 4-2. 상세 설치\n\n```\n1. https://vitalify.ai 접속 → 무료 계정 생성 (카드 불필요)\n2. 온보딩 설문 (~5분) → 초기 건강 플랜 자동 생성\n3. 건강 검진 결과지 업로드 (선택) → OCR 분석\n4. WhatsApp 연동 설정 (Premium/Pro 플랜)\n5. 일일 체크인 시작\n```","bio_use_cases":[{"icon":"🔬","title":"만성질환 자가관리 순응도 향상","scenario":"당뇨·고혈압 환자에게 WhatsApp 넛지로 투약·식이·운동 마이크로 습관을 전송하고, 환자 컨디션 저하 시 목표를 자동 하향 조정하여 탈락률을 줄임. 건강 캘린더의 스트릭 데이터와 월간 메트릭을 의사에게 리포트로 공유하여 외래 진료 효율화"},{"icon":"🧬","title":"임상 시험 참여자 리텐션 개선","scenario":"종단 연구에서 참여자에게 전용 앱 대신 WhatsApp 기반 일일 체크인을 적용하면, 기존 앱 대비 높은 리텐션(3x habit retention 보고)으로 탈락률 감소 기대. OCR로 검사 결과지를 수집·디지털화하여 데이터 입력 부담 절감"},{"icon":"💊","title":"웰니스 프로그램 효과 정량화","scenario":"기업·기관 웰니스 프로그램에서 직원별 마이크로 습관 달성률, 스트릭 유지 기간, 월간 진행도를 대시보드로 추적. 성취 배지 시스템으로 행동 변화 게이미피케이션 적용, HIPAA/SOC 2 인증으로 건강 데이터 보안 요건 충족"}],"official_doc_url":"https://vitalify.ai","github_url":null,"category":"agent","difficulty":"beginner","tags":["vitalifyai","agent","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"해당 없음","storage":"해당 없음 (서버 측 처리)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T08:31:21.662654+00:00","created_at":"2026-06-19T13:25:55.802224+00:00"},{"id":"c8581f95-6276-4750-88f2-e394e0ade9fc","slug":"tyto","name":"Tyto","one_liner":"Modelo de diagnóstico de calidad de audio en tiempo real y puerta de calidad para entradas de pipelines de voz","description":"$a1","install_code":"### 4-1. Quick Start (Python)\n\n```bash\npip install aic-sdk\n```\n\n### 4-2. 기본 사용 (파일 분석)\n\n```python\nfrom aic_sdk import FileAnalyzer\n\n# 라이선스 키는 developers.ai-coustics.com 에서 발급\nanalyzer = FileAnalyzer(license_key=\"YOUR_KEY\")\n\n# 오디오 파일 분석 → 6차원 점수 + Risk Score 반환\nscores = analyzer.analyze(\"call_recording.wav\")\n# scores: risk, noise, speaker_reverb, speaker_loudness,\n# interfering_speech, media_speech, packet_loss (각 0.0~1.0)\n```\n\n### 4-3. 실시간 스트리밍 분석\n\n```python\nfrom aic_sdk import analyzer_pair\n\n# thread-safe Collector(오디오 버퍼링) + Analyzer(모델 실행) 쌍\ncollector, analyzer = analyzer_pair(license_key=\"YOUR_KEY\")\n\n# 오디오 스트림에서 프레임 수집 후 분석\ncollector.push(audio_frame) # NumPy 배열 (channels × frames)\nscores = analyzer.analyze() # 5초 윈도우마다 점수 산출\n```\n\n### 4-4. 기타 SDK\n\n```bash\n# C/C++ — GitHub에서 소스 빌드\ngit clone https://github.com/ai-coustics/aic-sdk-c\n\n# Rust\ncargo add aic-sdk # 또는 GitHub에서 aic-sdk-rs 클론\n\n# Node.js\nnpm install aic-sdk # 또는 GitHub에서 aic-sdk-node 클론\n```","bio_use_cases":[],"official_doc_url":"https://ai-coustics.com","github_url":"https://github.com/ai-coustics","category":"audio_ai","difficulty":"intermediate","tags":["tyto","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0 — GPU 불필요, CPU 전용 동작","storage":"경량 모델 (SDK 전체 수백 MB 이내)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-19T13:21:08.52796+00:00"},{"id":"e8752c39-655a-46e1-a81b-e7932c30e46e","slug":"skillfortify","name":"SkillFortify","one_liner":"Framework de verificación formal de seguridad para habilidades de agentes de IA","description":"$a2","install_code":"### 4-1. Quick Start\n\n```bash\npip install skillfortify # 코어 스캐너\nskillfortify scan # 시스템 전체 에이전트 스킬 자동 탐지 + 검증\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 옵션별 설치\npip install skillfortify # 코어 스캐너\npip install skillfortify[registry] # + 마켓플레이스 스캐닝 (MCP/PyPI/npm)\npip install skillfortify[all] # 전체 기능\n\n# 주요 CLI 명령\nskillfortify scan # 시스템 전체 스킬 자동 탐지 및 분석\nskillfortify verify # 개별 스킬 정식 검증\nskillfortify lock # skill-lock.json 잠금 파일 생성\nskillfortify trust # 신뢰도 점수 계산 (L0~L3)\nskillfortify sbom # CycloneDX 1.6 ASBOM 생성\nskillfortify registry-scan # 설치 전 레지스트리 패키지 사전 검사\nskillfortify dashboard # HTML 보안 대시보드 생성\nskillfortify frameworks # 지원 프레임워크 및 탐지 상태 확인\n```","bio_use_cases":[{"icon":"🔬","title":"다중 에이전트 파이프라인 보안 감사","scenario":"Claude Code + LangChain + CrewAI를 조합한 자동화 파이프라인에서, `skillfortify scan`으로 전체 스킬의 capability 범위를 일괄 검증. 파일 시스템 접근, 네트워크 호출, 코드 실행 등 민감 권한이 선언 범위를 초과하는 스킬을 스킬당 ~2.5ms로 탐지하여, 수백 개 스킬 환경에서도 수 초 내 전체 감사 완료."},{"icon":"🧬","title":"규제 컴플라이언스 문서 자동화","scenario":"EU AI Act Article 15, NIST AI RMF 대응이 필요한 연구 기관에서, `skillfortify sbom`으로 CycloneDX 1.6 규격 Agent SBOM을 자동 생성. 에이전트 스킬 공급망의 출처·버전·검증 상태를 기계 판독 가능 형식으로 문서화하여 감사 대응 시간 단축."},{"icon":"💊","title":"CI/CD 게이트 통합","scenario":"GitHub Actions 또는 GitLab CI에 `skillfortify batch verify` 단계를 추가하여, 새로운 스킬/플러그인 추가 시 자동 검증 게이트 적용. 0% 오탐률(precision 100%)로 개발 워크플로우 중단 없이 악성 스킬 인젝션을 차단. skill-lock.json으로 검증된 환경을 고정하여 배포 재현성 확보."}],"official_doc_url":"https://superlocalmemory.com/skillfortify","github_url":"https://github.com/qualixar/skillfortify","category":"agent","difficulty":"beginner","tags":["skillfortify","agent","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (CPU 전용 정적 분석 — GPU 미사용)","storage":"패키지 자체 100MB 이내, 벤치마크 데이터셋 포함 시 ~500MB"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:07:20.300043+00:00","created_at":"2026-06-19T13:15:07.573855+00:00"},{"id":"bfc2d573-a0b0-441a-8de0-926b6ffbdead","slug":"antfly","name":"Antfly","one_liner":"Motor distribuido de búsqueda híbrida para la era de GPT","description":"$a3","install_code":"### 4-1. Quick Start\n\n```bash\n# macOS (Homebrew)\nbrew install antflydb/taps/antfly\n\n# Linux / 범용 (설치 스크립트)\ncurl -fsSL https://releases.antfly.io/antfly/latest/install.sh | sh\n\n# Docker\ndocker run -p 8080:8080 ghcr.io/antflydb/antfly:omni\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. 설치 후 버전 확인\nantfly --version\n\n# 2. 임베딩 모델 풀 및 Swarm 모드 시작\nantfly swarm\n\n# 3. 테이블 생성 (임베딩 인덱스 포함)\nantfly table create --table my_docs \\\n --index '{\"type\":\"embeddings\",\"embedder\":{\"provider\":\"termite\",\"model\":\"BAAI/bge-small-en-v1.5\"},\"chunker\":{\"target_tokens\":200,\"overlap_tokens\":25}}'\n\n# 4. 데이터 로드\nantfly load --table my_docs --file documents.json --id-field id\n\n# 5. 하이브리드 검색\nantfly query --table my_docs \\\n --full-text-search 'body:\"target gene\"' \\\n --semantic-search \"cancer biomarker discovery\" \\\n --limit 10\n\n# 6. 웹 대시보드 접속\n# http://localhost:8080 (Antfarm 대시보드)\n```","bio_use_cases":[{"icon":"🔬","title":"🔬 바이오 논문·병리 이미지 멀티모달 검색","scenario":"PubMed 논문 10만 건과 조직 병리 이미지를 동일 컬렉션에 적재, CLIP 임베딩과 BM25 하이브리드 검색으로 \"BRCA1 변이 유방암 조직\" 같은 텍스트+이미지 동시 검색 수행. 크로스 인코더 리랭킹으로 상위 10건 정밀도를 높여, 신약 타겟 발굴 문헌 조사 시간을 수일에서 수분으로 단축"},{"icon":"🧬","title":"🧬 유전자-질환-약물 지식 그래프 자동 구축","scenario":"DrugBank·OMIM 등 공개 데이터베이스를 Antfly 그래프 인덱스에 적재하고, 자동 관계 추출(relationship extraction)로 유전자→질환→약물 경로를 탐색. \"TP53 관련 모든 승인 약물과 임상시험 현황\" 같은 그래프 쿼리를 BM25+벡터 필터와 결합한 다차원 검색"},{"icon":"💊","title":"🏥 임상시험 규제 문서 RAG 파이프라인","scenario":"FDA 가이던스·ICH 가이드라인·임상시험 프로토콜 문서를 target_tokens=200으로 청킹 후, 내장 RAG 에이전트로 \"Phase III 시험에서 biomarker-driven enrichment 전략 사례\"를 스트리밍 응답으로 즉시 확인. 규제 문서 검토 및 제출 준비 워크플로우 자동화"}],"official_doc_url":"https://antfly.io","github_url":"https://github.com/antflydb/antfly","category":"rag","difficulty":"advanced","tags":["antfly","rag","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"GPU 불필요 — 내장 추론 엔진이 CPU 기반 임베딩 생성 지원. GPU 활용 시 Ollama 등 외부 임베딩 제공자 연동 가능","storage":"최소 20GB (Swarm 모드), 데이터셋 규모에 비례 확장"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:20:33.256641+00:00","created_at":"2026-06-19T13:11:12.124775+00:00"},{"id":"dc9ef417-f6b6-48cd-bb1c-414df3cbdada","slug":"nanobot","name":"nanobot","one_liner":"Runtime ultraligero de agente personal de IA desarrollado por HKUDS","description":"$a4","install_code":"### 4-1. Quick Start\n\n```bash\n# PyPI 설치\npip install nanobot-ai\n\n# 또는 uv 사용\nuv tool install nanobot-ai\n\n# 실행\nnanobot run\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 소스 설치\ngit clone https://github.com/HKUDS/nanobot.git\ncd nanobot\npip install -e .\n\n# One-command 설치 (macOS/Linux)\n# 공식 README의 설치 스크립트 참조\n\n# Docker\ndocker compose up -d\n\n# 환경변수 설정 (예: OpenAI)\nexport OPENAI_API_KEY=\"sk-...\"\nnanobot run\n```\n\n### 4-3. 기본 API 호출 예시\n\n```python\n# Python SDK 사용\nfrom nanobot import Nanobot\n\nbot = Nanobot()\nresponse = bot.chat(\"오늘 Nature에 올라온 CRISPR 관련 논문을 요약해줘\")\nprint(response)\n```","bio_use_cases":[{"icon":"🔬","title":"논문 모니터링 에이전트","scenario":"PubMed/bioRxiv API를 MCP 도구로 연결 후 cron 스케줄링으로 매일 특정 키워드 논문을 수집·요약. Telegram이나 Slack 채널로 자동 전달하여 연구팀 전체가 실시간 트렌드를 공유. 수동 RSS 리더 대비 LLM 요약·필터링으로 관련성 높은 논문만 선별 가능."},{"icon":"🧬","title":"실험 데이터 전처리 자동화","scenario":"로컬 LLM(Ollama)을 에이전트에 연결하여 민감 실험 데이터를 외부로 전송하지 않으면서 자연어 지시로 CSV 정제, 이상치 탐지, 통계 요약 리포트를 생성. MCP로 파일 시스템과 Python 실행 환경을 도구로 노출하면 에이전트가 직접 pandas 스크립트를 작성·실행."},{"icon":"💊","title":"랩 서버 상시 운영 비서","scenario":"Docker로 연구실 서버에 배포 후 WebUI로 팀원 공유. 장기 기억 시스템으로 프로젝트별 컨텍스트 유지, 서브에이전트로 여러 분석 작업을 병렬 실행, cron으로 장비 상태 점검 자동화. Slack/Teams 연동으로 실험 완료 알림이나 이상 감지 시 즉시 팀 채널에 보고."}],"official_doc_url":"https://github.com/HKUDS/nanobot","github_url":"https://github.com/HKUDS/nanobot","category":"multimodal","difficulty":"advanced","tags":["nanobot","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"에이전트 런타임 자체는 GPU 불필요. 로컬 LLM(Ollama/vLLM) 연동 시 해당 모델 VRAM 요구사항에 준함","storage":"패키지 설치 ~200MB, WebUI 포함. 로컬 LLM 모델은 별도"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:05:58.321251+00:00","created_at":"2026-06-19T07:48:37.692634+00:00"},{"id":"efacfb58-b1f9-44b4-952c-eb96e9f3761e","slug":"seedance-20","name":"Seedance 2.0","one_liner":"Modelo multimodal de ByteDance que convierte texto, imágenes y audio en vídeo.","description":"$a5","install_code":"### 4-1. Quick Start (Dreamina 웹 플랫폼)\n\n```\n1. https://dreamina.capcut.com/ 접속\n2. ByteDance/TikTok 계정 로그인\n3. \"Video Generation\" 선택 → 프롬프트 입력 → Generate\n```\n\n### 4-2. API 연동 (예시 — 비동기 submit-poll-download 패턴)\n\n```bash\n# API 키 발급 후 비디오 생성 요청 (cURL 예시)\ncurl -X POST https://api.dreamina.capcut.com/v1/video/generate \\\n -H \"Authorization: Bearer $DREAMINA_API_KEY\" \\\n -H \"Content-Type: application/json\" \\\n -d '{\n \"prompt\": \"A golden retriever running on a beach at sunset\",\n \"duration\": 5,\n \"resolution\": \"720p\",\n \"aspect_ratio\": \"16:9\",\n \"audio\": true\n }'\n\n# 생성 완료 후 결과 폴링\ncurl https://api.dreamina.capcut.com/v1/video/status/{task_id} \\\n -H \"Authorization: Bearer $DREAMINA_API_KEY\"\n```\n\n### 4-3. CapCut 통합\n\n```\nCapCut 앱/웹 → AI Video 기능 → Seedance 2.0 모델 선택 → 프롬프트 입력\n(CapCut Pro 구독 시 월간 생성 쿼터 추가 제공)\n```","bio_use_cases":[{"icon":"🔬","title":"제품 홍보 영상 자동 생성","scenario":"제품 사진 1장 + 텍스트 설명을 입력하면 5-10초 분량의 홍보 클립(배경음 포함)을 자동 생성. e커머스 셀러가 수백 개 SKU 영상을 배치 제작할 때 촬영 비용 절감"},{"icon":"🧬","title":"교육/튜토리얼 콘텐츠","scenario":"요리 레시피·피트니스 동작·제품 조립 과정을 텍스트로 기술하면, 각 단계별 시각 장면과 동기화된 효과음이 포함된 짧은 클립 시퀀스 생성"},{"icon":"💊","title":"소셜 미디어 숏폼 제작","scenario":"9:16 세로 포맷으로 TikTok/Instagram Reels용 콘텐츠를 프롬프트만으로 생성. 캐릭터 일관성 기능으로 시리즈물 제작 시 동일 캐릭터 유지 가능"}],"official_doc_url":"https://dreamina.capcut.com/","github_url":null,"category":"multimodal","difficulty":"beginner","tags":["seedance","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"해당 없음 (로컬 모델 가중치 비공개)","storage":"생성 클립 저장용만 필요 (5초 720p MP4 약 3-5MB)"},"translations":null,"published_at":null,"updated_at":"2026-09-02T09:17:12.555805+00:00","created_at":"2026-06-17T04:38:24.325905+00:00"},{"id":"35b2c56d-1e81-46d7-90ab-4d844e0ad1b1","slug":"chatterbox-multilingual-v3","name":"Chatterbox Multilingual V3","one_liner":"Modelo TTS open source multilingüe de 0,5B parámetros basado en Llama","description":"$a6","install_code":"### 4-1. Quick Start\n\n```bash\npip install chatterbox-tts\n```\n\n### 4-2. 기본 사용 (Multilingual V3)\n\n```python\nfrom chatterbox.mtl_tts import ChatterboxMultilingualTTS\n\nmodel = ChatterboxMultilingualTTS.from_pretrained(device=\"cuda\", t3_model=\"v3\")\nwav = model.generate(\n \"Bonjour, comment allez-vous aujourd'hui?\",\n language_id=\"fr\",\n audio_prompt_path=\"ref_speaker.wav\"\n)\n```\n\n### 4-3. Turbo 변형 (저지연 영어)\n\n```python\nfrom chatterbox.tts_turbo import ChatterboxTurboTTS\n\nmodel = ChatterboxTurboTTS.from_pretrained(device=\"cuda\")\nwav = model.generate(\n \"Hi there [chuckle], have you got a minute?\",\n audio_prompt_path=\"ref_clip.wav\"\n)\n```\n\n### 4-4. 소스 설치\n\n```bash\ngit clone https://github.com/resemble-ai/chatterbox.git\ncd chatterbox\npip install -e .\n```","bio_use_cases":[{"icon":"🔬","title":"다국어 음성 에이전트 구축","scenario":"고객 서비스 챗봇에 Chatterbox Multilingual V3를 연동하여 프랑스어·독일어·스페인어 등 주요 시장별 맞춤 음성 응답 생성. NVIDIA NIM으로 배포하면 동시 수백 세션 처리가 가능하며, PerTh 워터마킹으로 AI 생성 음성 추적성 확보."},{"icon":"🧬","title":"오디오북·팟캐스트 자동화","scenario":"5-20초 나레이터 샘플로 Zero-shot 음성 복제 후 장편 텍스트를 자연스러운 음성으로 변환. Exaggeration 파라미터 0.7 이상으로 극적 표현, CFG weight 0.3으로 빠른 화자 페이싱 조절 등 콘텐츠 성격에 맞는 정밀 튜닝."},{"icon":"💊","title":"EU AI Act 규제 준수 음성 콘텐츠 생산","scenario":"2026년 8월 Article 50 시행에 대비하여 모든 AI 생성 음성에 PerTh 워터마크 자동 삽입. MP3 압축·전화 코덱·편집 후에도 근 100% 탐지율을 유지하며, 감지 라이브러리를 GitHub에서 퍼미시브 라이선스로 제공하여 검증 파이프라인 자체 구축 가능."}],"official_doc_url":"https://www.resemble.ai/chatterbox/","github_url":"https://github.com/resemble-ai/chatterbox","category":"audio_ai","difficulty":"intermediate","tags":["chatterbox","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU 4GB+ 권장 (RTX 3060 이상에서 실시간 생성). CPU/Apple MPS 호환이나 추론 속도 저하. H100에서 TTFB 300ms 미만, RTF ~5x","storage":"모델 1개 ~500MB (0.5B 파라미터), 전체 패키지 + Language Pack 포함 시 약 4-5GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:15.858223+00:00","created_at":"2026-06-17T04:30:20.885898+00:00"},{"id":"be70dcaa-38d5-43f8-9d00-41e846e651e8","slug":"biomedagent","name":"BioMedAgent","one_liner":"Agente biomédico de IA publicado en Nature y desarrollado por el ICT de la Academia China de Ciencias","description":"$a7","install_code":"### 4-1. Quick Start\n\n```bash\ngit clone https://github.com/BOBQWERA/BioMedAgent.git\ncd BioMedAgent\nconda create -n BioMedAgent python=3.10 && conda activate BioMedAgent\npip install -r requirements.txt\nexport OPENAI_API_KEY=\"your_openai_api_key\"\nredis-server &\npython demo.py --task ml\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 1. 저장소 클론\ngit clone https://github.com/BOBQWERA/BioMedAgent.git\ncd BioMedAgent\n\n# 2. Conda 환경 생성 (Python 3.10)\nconda create -n BioMedAgent python=3.10\nconda activate BioMedAgent\n\n# 3. 의존성 설치\npython -m pip install -r requirements.txt\n\n# 4. OpenAI API 키 설정\nexport OPENAI_API_KEY=\"your_openai_api_key\"\n\n# 5. Redis 서버 시작 (사전 설치 필요)\nredis-server\n\n# 6. 데모 실행 (지원 태스크: ml, statistics, visualization, omics)\npython demo.py --task ml # 머신러닝 분석\npython demo.py --task statistics # 통계 검정 (t-test, QQ plot)\npython demo.py --task visualization # 시각화 (생존 곡선, 바이올린 플롯)\n\n# 7. 오믹스 분석 시 추가 도구 환경 (Docker 이미지 필요)\n# cel2matrix 환경 → tool/ 폴더 참조\n# survival_curve, t_test 도구 → Docker 이미지 다운로드 (README 링크 참조)\n```","bio_use_cases":[{"icon":"🔬","title":"임상 유전체 바이오마커 발굴","scenario":"RNA-seq 원시 데이터와 임상 메타데이터를 입력하고 \"생존율 관련 바이오마커 탐색\" 프롬프트 → cel2matrix 전처리, DEG 분석, Kaplan-Meier 생존 곡선, Cox 회귀 자동 파이프라인 구성. 수작업 대비 분석 시간을 수일에서 수시간으로 단축"},{"icon":"🧬","title":"다중 오믹스 환자 계층화","scenario":"유전체·전사체·단백질체 데이터를 통합하여 \"치료 반응 예측 모델 구축\" 지시 → 특성 선택, 교차 검증, 앙상블 ML 모델 자동 학습 및 성능 보고서 생성. 정밀의료 연구에서 비전산 연구자의 독자적 분석 가능"},{"icon":"💊","title":"병리 이미지 정량 분석","scenario":"조직 절편 이미지에서 \"종양 영역 분할 및 세포 밀도 정량화\" 프롬프트 → 이미지 세그먼테이션 도구 자동 호출, 면적·세포 수·밀도 통계 산출, 시각화 리포트 자동 생성"}],"official_doc_url":"https://biomed.drai.cn","github_url":"https://github.com/BOBQWERA/BioMedAgent","category":"bio_ai","difficulty":"advanced","tags":["biomedagent","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"GPU 불요 (LLM 추론은 OpenAI API 위임). 로컬 도구 중 병리 이미지 분할 등은 GPU 가속 가능","storage":"기본 패키지 ~500MB, Docker 도구 이미지 포함 시 5-10GB"},"translations":null,"published_at":null,"updated_at":"2026-09-11T22:21:15.591695+00:00","created_at":"2026-06-17T04:27:35.680059+00:00"},{"id":"4485c2da-bc6e-449c-952b-0c7f933f22f7","slug":"esmc---esmfold2","name":"ESMC / ESMFold2","one_liner":"Modelo mundial de biología proteica para comprender y diseñar proteínas a escala evolutiva.","description":"$a8","install_code":"### 4-1. Quick Start\n\n```bash\npip install esm@git+https://github.com/Biohub/esm.git@main\n```\n\n> PyPI 공식 릴리스 준비 중 (2026-06-17 기준 GitHub 직접 설치만 가능)\n\n### 4-2. 기본 사용 예시\n\n```python\nfrom transformers import AutoModelForMaskedLM, AutoTokenizer\n\n# ESMC-6B 로드 (HuggingFace, 인증 필요)\nmodel = AutoModelForMaskedLM.from_pretrained(\"biohub/ESMC-6B\", device_map=\"auto\")\ntokenizer = AutoTokenizer.from_pretrained(\"biohub/ESMC-6B\")\n\n# 단백질 서열 임베딩 추출\nsequence = \"MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQAPILSRVGDGTQDNLSGAEKAVQVKVKALPDAQFEVVHSLAKWKRQQIA\"\ninputs = tokenizer(sequence, return_tensors=\"pt\").to(model.device)\noutputs = model(**inputs, output_hidden_states=True)\nembeddings = outputs.hidden_states[-1]\n```\n\n### 4-3. Biohub 플랫폼 API 접근\n\n```python\n# biohub.ai 개발자 콘솔에서 API 토큰 발급 후 사용\nfrom esm import esmc_client\n\nclient = esmc_client(\n model=\"ESMC-6B\",\n url=\"https://biohub.ai/api\",\n token=\"YOUR_API_TOKEN\"\n)\nresult = client.predict(sequence=\"MKTAYIAK...\")\n```","bio_use_cases":[{"icon":"🔬","title":"항체 치료제 후보 바인더 설계","scenario":"ESMFold2의 드노보(de novo) 바인더 설계 프로토콜을 활용하여 PD-L1, CTLA-4 같은 면역 체크포인트 표적에 대한 미니바인더를 생성한다. 컴팩트 미니바인더 기준 36-88% 히트율과 나노몰 친화도를 달성하며, 설계 후 PyMOL이나 ChimeraX로 3D 결합 구조를 시각화하여 실험 검증 우선순위를 결정한다. 기존 수개월의 설계 주기를 3-5일로 단축하여 치료제 후보 도달 시간을 획기적으로 줄인다"},{"icon":"🧬","title":"미주석 단백질 기능 탐색 및 신규 표적 발굴","scenario":"ESM Atlas(68억 서열, 11억 구조)에서 SAE 기반 16,000개 해석 가능 특징을 활용하여 기능 미지 단백질을 기능 클러스터로 분류한다. ESMC-6B 임베딩을 추출한 뒤 UMAP 등으로 차원 축소 시각화하면, 기존 주석이 없는 단백질도 알려진 단백질과의 특징 유사성으로 역할을 추론할 수 있다. 환경 메타게노믹스 샘플에서 신규 항균 펩타이드 후보를 발견하는 등 표적 확장(target expansion) 초기 단계에 활용한다"},{"icon":"💊","title":"대규모 변이체 구조 스크리닝","scenario":"ESMC-6B의 단일 서열 추론 모드를 활용하여 MSA 없이 수만 개 변이체 라이브러리의 구조를 일괄 예측한다. AlphaFold 3 대비 약 10배 빠른 추론 속도로, GPU 서버에서 하루 수만 건 처리가 가능하다. 예측 신뢰도 점수 기반으로 상위 후보를 필터링한 뒤 정밀 도킹 시뮬레이션(HADDOCK, ClusPro 등)으로 이관하여 히트 화합물 선별 효율을 극대화한다"}],"official_doc_url":"https://evolutionaryscale.ai","github_url":"https://github.com/evolutionaryscale/esm","category":"bio_ai","difficulty":"beginner","tags":["esmc","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NVIDIA GPU 16GB+ 권장. FP16 기준 ESMC-6B 가중치만 약 12GB 점유하며, 추론 활성화 메모리까지 고려 시 24GB급(A100, RTX 4090 등) 최적. CPU 단독 실행은 가능하나 매우 느림","storage":"ESMC-6B + ESMFold2 모델 합산 약 15-25GB. ESM Atlas 데이터는 Biohub 플랫폼에서 온라인 접근 (로컬 다운로드 시 수백 GB 이상)"},"translations":null,"published_at":null,"updated_at":"2026-09-06T17:30:22.541431+00:00","created_at":"2026-06-17T04:23:47.447463+00:00"},{"id":"4af971be-ba08-4b37-a530-8cb8596c38d2","slug":"luma-ai-uni-1","name":"Luma AI Uni-1","one_liner":"Modelo de imagen reasoning-first que razona antes de renderizar — Luma AI","description":"Luma AI Uni-1은 Luma Labs가 2026년 3월 공개한 이미지 생성 모델이에요. 한 줄로 표현하면 '그림을 곧장 그리는 대신, 먼저 추론(reasoning)으로 장면을 계획한 뒤 렌더링하는 사고형 이미지 모델'입니다.\n\n대다수 이미지 모델은 diffusion 기반으로 잡음에서 픽셀을 점진적으로 복원하지만, 이 방식은 물리·조명·객체 간 공간 관계 같은 논리적 일관성을 보장하기 어려워요. Uni-1은 텍스트와 이미지 토큰을 단일 시퀀스로 다루는 decoder-only autoregressive transformer로, 마치 LLM이 문장을 한 토큰씩 추론하듯 이미지도 토큰 단위 순차 생성합니다. 프롬프트를 먼저 분해·계획한 뒤 렌더링하는 reasoning-first 접근으로, 인간 선호도 평가에서 Google Nano Banana 2와 OpenAI GPT Image 1.5를 모두 앞질렀죠.\n\n실무 관점에서는 (1) 최대 9개 참조 이미지를 입력해 캐릭터·구도·스타일을 보존하면서 다양한 장면을 생성하고, (2) 76+ 아트 스타일과 다국어 텍스트(중·일·아랍어 포함) 렌더링으로 글로벌 디자인 작업을 단일 API에서 처리하며, (3) 2K 이미지 1장당 약 $0.09로 Google/OpenAI 대비 10-30% 저렴해 대량 생성 워크로드에 비용 효율적입니다.","install_code":"### 4-1. Quick Start\n\n```bash\npip install lumaai\n```\n\n### 4-2. 상세 설치 및 기본 사용\n\n```python\nimport os\nfrom lumaai import LumaAI\n\n# API 키 설정 (https://lumalabs.ai/dream-machine/api/keys 에서 발급)\nclient = LumaAI(auth_token=os.environ.get(\"LUMAAI_API_KEY\"))\n\n# 텍스트-투-이미지 생성\ngeneration = client.generations.image.create(\n prompt=\"A teddy bear in sunglasses playing electric guitar\",\n aspect_ratio=\"16:9\", # 1:1, 3:4, 4:3, 9:16, 16:9, 9:21, 21:9\n)\n\n# 생성 결과 조회\nresult = client.generations.get(id=generation.id)\nprint(result.assets.image) # 이미지 URL\n```\n\n```bash\n# REST API 직접 호출\ncurl -X POST https://api.lumalabs.ai/dream-machine/v1/generations/image \\\n -H \"Authorization: Bearer $LUMAAI_API_KEY\" \\\n -H \"Content-Type: application/json\" \\\n -d '{\"prompt\": \"A serene mountain landscape at golden hour\", \"aspect_ratio\": \"16:9\"}'\n```","bio_use_cases":[{"icon":"🔬","title":"제품 비주얼 프로토타이핑","scenario":"제품 사진 1-2장을 참조 이미지로 입력하고, 다양한 배경·조명·스타일(76+ 아트 스타일)을 적용한 마케팅 비주얼을 자동 생성. 기존 포토 스튜디오 촬영 대비 비용·시간을 크게 절감하면서 캐릭터 레퍼런스 기능으로 브랜드 일관성 유지"},{"icon":"🧬","title":"과학 논문 일러스트레이션 및 시각화","scenario":"복잡한 실험 장면이나 개념도를 텍스트 프롬프트로 묘사하면, reasoning-first 아키텍처가 물리적 공간 관계와 조명을 논리적으로 추론하여 정확한 구도의 과학 일러스트 생성. RISEBench 공간 추론 점수 0.58로 객체 배치 정확도가 높아 다이어그램·시뮬레이션 시각화에 적합"},{"icon":"💊","title":"멀티 레퍼런스 기반 컨셉 아트","scenario":"인물 사진, 배경 이미지, 스타일 참조 등 최대 9장의 입력 이미지를 조합하여 새로운 장면을 합성. 게임·영화·광고 분야에서 기존 에셋을 재활용한 빠른 컨셉 아트 이터레이션이 가능하며, 자연어 편집으로 세부 조정 반복 수행"}],"official_doc_url":"https://lumalabs.ai/","github_url":null,"category":"multimodal","difficulty":"beginner","tags":["luma","multimodal","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"해당 없음 (서버사이드 추론, 로컬 GPU 불필요)","storage":"Python SDK 패키지 수 MB 이내 (lumaai 패키지 + 의존성)"},"translations":null,"published_at":"2026-06-16T01:15:39.317+00:00","updated_at":"2026-09-02T07:42:58.260556+00:00","created_at":"2026-06-16T00:52:06.013943+00:00"},{"id":"3644c6b6-ce4d-4cea-86d6-a72526136221","slug":"dify-2026--","name":"Dify (2026 메이저 업데이트)","one_liner":"Plataforma sin código para crear flujos de trabajo LLM mediante arrastrar y soltar.","description":"Dify는 LangGenius(전 Tencent Cloud DevOps 팀 출신)가 개발한 오픈소스 LLM 앱 플랫폼이에요. 한 줄로 표현하면 'LLM 워크플로우와 RAG를 코드 없이 드래그-앤-드롭으로 조립하는 비주얼 IDE'라고 할 수 있습니다.\n\n기존에 LLM 기반 자동화를 만들려면 LangChain 같은 프레임워크로 직접 코드를 짜고, 벡터 DB·문서 인제스트·관측성 도구를 각자 연결해야 했어요. Dify는 이 모든 단계를 단일 캔버스에 통합해, 노드 박스를 끌어다 놓으면 LLM 체인·조건 분기·RAG 검색·외부 API 호출이 한 번에 묶입니다. 2026-03 메이저 업데이트에서는 MCP(Model Context Protocol) 를 양방향 지원해, Dify 워크플로우 자체를 Claude나 Cursor 같은 외부 클라이언트에서 함수처럼 호출할 수 있게 됐죠.\n\n실무 관점에서는 (1) 사내 PDF/PPT 수천 건을 인제스트해 챗봇으로 검색하는 RAG 파이프라인을 30분 만에 구성하고, (2) 100+ LLM 제공자(GPT, Claude, Mistral, 셀프호스팅 Ollama 포함)를 한 클릭으로 교체해 비용·품질을 비교하며, (3) Function Calling/ReAct 에이전트를 50+ 내장 도구(Google Search, DALL·E 등)와 결합해 멀티스텝 자동화를 만들 수 있습니다.","install_code":"### 4-1. Quick Start (Docker Compose)\n\n```bash\ngit clone https://github.com/langgenius/dify.git\ncd dify/docker\ncp .env.example .env\ndocker compose up -d\n```\n\n설치 완료 후 브라우저에서 `http://localhost/install` 접속하여 관리자 초기 설정.\n\n### 4-2. 상세 설치\n\n```bash\n# 1. 저장소 클론 (최신 릴리즈)\ngit clone https://github.com/langgenius/dify.git\ncd dify/docker\n\n# 2. 환경 변수 설정\ncp .env.example .env\n# .env 파일에서 SECRET_KEY, DB 비밀번호 등 커스터마이즈\n# 고급 설정: docker/envs/ 하위 테마별 env 파일 참고\n\n# 3. 서비스 기동 (API, Worker, Web, Plugin Daemon + PostgreSQL, Redis, Weaviate, Nginx 등)\ndocker compose up -d\n\n# 4. 초기 접속\n# http://localhost/install (로컬) 또는 http://<서버IP>/install (원격)\n```\n\n**Kubernetes 배포**: 커뮤니티 Helm Chart 다수 존재 (Douban Charts, Magicsong AI Charts 등).\n**클라우드 원클릭**: AWS Marketplace (Dify Premium AMI), Alibaba Cloud Computing Nest, Terraform (Azure, GCP) 지원.\n\n---","bio_use_cases":[],"official_doc_url":"https://dify.ai/","github_url":"https://github.com/langgenius/dify","category":"workflow","difficulty":"advanced","tags":["dify","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 — LLM 추론은 외부 API 또는 별도 추론 서버(Ollama, vLLM 등)에 위임. Dify 자체는 CPU만으로 동작","storage":"Docker 이미지 + 벡터 DB + PostgreSQL 합산 약 2-5GB 기본. RAG 문서 규모에 따라 증가"},"translations":null,"published_at":"2026-06-16T01:15:42.531+00:00","updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-16T00:52:05.309773+00:00"},{"id":"46e89a84-329f-40e4-99d0-09071870ebf8","slug":"qwen3-tts","name":"Qwen3-TTS","one_liner":"TTS de streaming de latencia ultrabaja: primer paquete de audio en 97 ms.","description":"- 초저지연 스트리밍 합성: Dual-Track 하이브리드 스트리밍 아키텍처로 첫 오디오 패킷 97ms(0.6B) / 101ms(1.7B) 지연. 한 글자 입력 즉시 음성 출력 시작\n- 3초 제로샷 음성 클로닝: 3초 분량의 레퍼런스 오디오만으로 화자의 음색·운율·억양을 복제하여 새로운 텍스트를 해당 목소리로 합성\n- 자연어 음성 디자인 (Voice Design): \"긴장한 10대 남성 목소리\" 같은 자연어 설명만으로 완전히 새로운 음성을 생성. 생성된 음성은 Base 모델에서 재사용 가능\n- 10개 언어 다국어 TTS: 중국어, 영어, 일본어, 한국어, 독일어, 프랑스어, 러시아어, 포르투갈어, 스페인어, 이탈리아어 지원. 교차 언어(Cross-lingual) 합성도 가능\n- 독자적 12Hz 토크나이저: 16-layer 멀티코드북 설계로 초당 12.5프레임의 극한 압축률 달성. 2048 엔트리 코드북으로 음향 정보 완전 보존 (PESQ 3.21, STOI 0.96, UTMOS 4.16)\n- 9종 프리셋 화자 (CustomVoice): Vivian, Serena, Ryan, Aiden, Ono_Anna, Sohee 등 중국어·영어·일본어·한국어 네이티브 화자 9명 내장\n- 5종 모델 라인업: 0.6B Base/CustomVoice, 1.7B Base/CustomVoice/VoiceDesign — 리소스·용도별 선택 가능","install_code":"$a9","bio_use_cases":[{"icon":"🔬","title":"다국어 임상시험 음성 안내 자동화","scenario":"글로벌 임상시험에서 10개 언어 환자 동의서(Informed Consent)를 표준화된 음성으로 자동 생성. CustomVoice 프리셋으로 언어별 네이티브 화자 음성을 선택하고, 각 환자 코호트에 맞는 안내 오디오를 일괄 합성. 기존 성우 녹음 대비 제작 시간 수십 분의 1로 단축하면서 발음 정확도(WER 1.24% 이하) 유지"},{"icon":"🧬","title":"의료 교육 콘텐츠 다국어 내레이션","scenario":"의학 강의·프로토콜 영상에 Voice Design 기능으로 \"차분하고 권위 있는 중년 남성 의사 목소리\" 같은 자연어 지시로 맞춤 내레이터를 생성. 1.7B-VoiceDesign 모델로 한국어 원본 강의를 영어·일본어·독일어 등으로 교차 언어 합성하여 국제 교육 배포. 97ms 스트리밍으로 실시간 자막 동기화 가능"},{"icon":"💊","title":"실험실 프로토콜 음성 어시스턴트","scenario":"습식 실험(wet-lab) 중 손을 사용할 수 없는 연구자에게 실험 프로토콜을 음성으로 안내. 3초 레퍼런스로 연구실 PI의 목소리를 클로닝하여 친숙한 음성으로 단계별 지시를 스트리밍 합성. 0.6B 경량 모델로 워크스테이션 GPU에서 실시간 실행, 파이펫팅·원심분리 등 핸즈프리 환경에서 효율 극대화"}],"official_doc_url":"https://huggingface.co/Qwen/Qwen3-TTS-12Hz-0.6B-Base","github_url":"https://github.com/QwenLM/Qwen3-TTS","category":"audio_ai","difficulty":"intermediate","tags":["qwen3","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"0.6B 모델 BF16 기준 ~2-4GB, 1.7B 모델 BF16 기준 ~4-8GB. NVIDIA GPU FlashAttention 2 호환 권장 (RTX 3060 이상). CPU 전용 실행 가능하나 실시간 스트리밍 불가","storage":"모델 1개 ~1-3GB (BF16 safetensors), 전체 5종 + 토크나이저 약 10-15GB"},"translations":null,"published_at":"2026-06-15T16:42:49.874+00:00","updated_at":"2026-09-05T19:00:03.464723+00:00","created_at":"2026-06-15T16:39:36.346574+00:00"},{"id":"b4cb1fd7-31cb-4aa7-a96a-31a13bf07d3b","slug":"trae","name":"Trae","one_liner":"Entorno de desarrollo integrado (IDE) nativo de IA basado en VS Code.","description":"- VS Code 호환 AI 네이티브 IDE: VS Code 코드베이스 위에 AI 기능을 네이티브로 통합한 독립 에디터. 기존 VS Code 확장(Extension)과 호환되면서 AI 워크플로우를 전면 내장\n- Builder 모드: 자연어 요청을 분석 → 단계별 계획 수립 → 멀티파일 수정 → 라이브 프리뷰 → 커밋까지 자동화하는 에이전트형 개발 모드. 계획 우선(planning-first) 접근으로 첫 시도 정확도를 높임\n- Chat 인터페이스 (일반 / 에디터 인라인): 범용 질의응답과 에디터 내 인라인 수정 두 모드 지원. 스크린샷·터미널 출력 등 멀티모달 입력 가능\n- 다중 LLM 모델 내장: Claude 3.5 Sonnet, Claude 3.7 Sonnet, GPT-4o, Doubao-1.5-pro, DeepSeek 등 복수 모델을 IDE 내에서 직접 전환 사용\n- MCP (Model Context Protocol) 지원: Figma 디자인→코드 변환, DB 연동, 외부 API 통합 등 에이전트 기능을 MCP 서버로 확장\n- trae-agent CLI (오픈소스): IDE와 별도로 CLI 환경에서 자연어 명령 기반 소프트웨어 엔지니어링 작업을 자동화하는 오픈소스 에이전트. Docker 컨테이너 격리 실행, 궤적(trajectory) 기록, YAML 설정 지원\n- 터미널 명령 제안: 채팅 인터페이스에서 터미널 명령을 추천하고, 클릭 한 번으로 직접 실행","install_code":"### 4-1. Quick Start (IDE)\n\n```\n공식 사이트(https://www.trae.ai/)에서 OS별 설치 파일 다운로드 후 실행.\nVS Code와 동일한 방식으로 설치되며, 기존 VS Code 확장 호환.\n```\n\n### 4-2. trae-agent CLI 설치\n\n```bash\ngit clone https://github.com/bytedance/trae-agent.git\ncd trae-agent\nuv sync --all-extras\nsource .venv/bin/activate\n\n# 설정 파일 작성\ncp trae_config.yaml.example trae_config.yaml\n# API 키 등 환경변수 설정 후 실행\ntrae-cli run \"Create a hello world Python script\"\n```\n\n### 4-3. trae-agent 주요 CLI 명령\n\n```bash\ntrae-cli run \"자연어 작업 설명\" # 단발 실행\ntrae-cli interactive # 대화형 모드\ntrae-cli show-config # 현재 설정 확인\ntrae-cli run --docker-image python:3.12 \"작업\" # Docker 격리 실행\n```","bio_use_cases":[{"icon":"🔬","title":"자연어 기반 풀스택 프로토타이핑","scenario":"Builder 모드에서 \"고객 피드백 폼을 React + Express로 만들어줘\"와 같은 자연어 명령으로 HTML, CSS, JavaScript, 백엔드 코드를 일괄 생성하고 라이브 프리뷰로 즉시 확인. 비개발자도 MVP 수준 앱을 30분 내에 구현 가능"},{"icon":"🧬","title":"멀티모달 UI 재현","scenario":"스크린샷이나 Figma 디자인 파일을 MCP를 통해 입력하면 해당 UI를 코드로 변환. 디자이너-개발자 핸드오프 시간을 단축하고, 디자인 시안과 실제 구현 간 괴리를 최소화"},{"icon":"💊","title":"trae-agent를 활용한 CI/CD 자동화","scenario":"오픈소스 CLI 에이전트를 CI 파이프라인에 통합하여 \"이 PR의 테스트를 작성하고 린트 오류를 수정해\"와 같은 자연어 명령으로 코드 품질 자동화. Docker 격리 실행으로 안전한 샌드박스 환경 보장"}],"official_doc_url":"https://www.trae.ai/","github_url":"https://github.com/bytedance/trae-agent","category":"coding","difficulty":"advanced","tags":["trae","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (AI 추론은 클라우드 서버에서 처리). trae-agent CLI로 로컬 Ollama 모델 연결 시 해당 모델의 VRAM 요구사항 적용","storage":"IDE 설치 ~500MB, 프로젝트·확장 별도"},"translations":null,"published_at":"2026-06-15T16:42:50.703+00:00","updated_at":"2026-09-02T07:46:15.574466+00:00","created_at":"2026-06-15T16:39:35.746821+00:00"},{"id":"96e2116d-a1cb-4789-a7b2-21aa9dc10967","slug":"openclaw","name":"OpenClaw","one_liner":"Agente personal autónomo totalmente local con arquitectura centrada en la privacidad.","description":"OpenClaw는 PSPDFKit 창업자 Peter Steinberger가 시작해 비영리 OpenClaw Foundation으로 이관된 오픈소스 자율형 개인 AI 에이전트예요. 한 줄로 표현하면 '대화·메모리·설정이 전부 사용자 기기의 마크다운 파일로 저장되는 로컬 퍼스트 에이전트'입니다.\n\n기존 AI 어시스턴트는 ChatGPT 앱이든 Claude Desktop이든 결국 벤더 클라우드에 컨텍스트가 묶여, 사용자가 자기 데이터의 위치와 사용 방식을 통제하기 어려웠어요. OpenClaw는 모든 상태를 로컬 마크다운으로 두고, 50+ 메시징 플랫폼(WhatsApp·Telegram·Signal·Slack·iMessage·Discord 등)을 인터페이스로 활용해 별도 새 UI 학습 없이 기존 채팅 앱에서 그대로 명령합니다. 모델은 GPT·Claude·Gemini·DeepSeek·로컬 Ollama 등 자유 선택이며, SkillSpector 보안 스캔을 거친 100+ 커뮤니티 AgentSkill을 ClawHub 마켓플레이스에서 가져다 자기 환경에 끼울 수 있죠.\n\n실무 관점에서는 (1) iMessage나 Slack에서 \"내 캘린더 정리해줘\" 같은 명령을 던지면 에이전트가 셸·파일·웹 자동화를 조합해 처리하고, (2) Persistent Memory가 사용자 선호도와 작업 패턴을 마크다운에 기억해 세션 간 적응형으로 반응하며, (3) 자기 확장(Self-Extension) 기능으로 에이전트 스스로 새 스킬을 코드로 작성해 환경에 추가하는 식의 장기 운용이 가능합니다.","install_code":"### 4-1. Quick Start\n\n```bash\n# 원라인 설치 (macOS/Linux) — Node.js 자동 설치 포함\ncurl -fsSL https://openclaw.ai/install.sh | bash\n\n# 또는 npm 글로벌 설치\nnpm install -g openclaw@latest\n\n# 데몬 서비스 등록 + 온보딩 (LLM 프로바이더·채널 설정 위저드)\nopenclaw onboard --install-daemon\n```\n\n### 4-2. 상세 설치 (소스 빌드)\n\n```bash\ngit clone https://github.com/openclaw/openclaw.git\ncd openclaw\npnpm install\npnpm build\npnpm start\n```\n\n### 4-3. 기본 설정\n\n```bash\n# 설정 파일 위치: ~/.openclaw/openclaw.json\n# LLM 프로바이더 설정\nopenclaw config set llm.provider openai\nopenclaw config set llm.apiKey sk-...\n\n# 채널 연동 (Telegram 권장 — 가장 빠른 셋업)\nopenclaw channel add telegram\n\n# 웹 대시보드 접근\n# http://127.0.0.1:18789/\nopenclaw dashboard\n```\n\n### 4-4. 클라우드 배포\n\nDigitalOcean 1-Click 이미지(보안 강화 이미지, $24/월~) 또는 Docker 컨테이너 배포 지원. launchd(macOS)/systemd(Linux) 사용자 서비스로 데몬 등록 가능.","bio_use_cases":[{"icon":"🔬","title":"연구실 커뮤니케이션 허브","scenario":"연구팀이 사용하는 Slack/Discord/Telegram을 OpenClaw Gateway 하나로 통합하고, AgentSkills 파이프라인으로 PubMed/bioRxiv 신규 논문 RSS 감지 → LLM 요약 → 채널 자동 포스팅 구성. 크론 기반 프로액티브 모드로 매일 아침 관련 분야 논문 5건 요약을 Telegram에 자동 전송하거나, 실험 장비 캘린더 충돌 시 알림 전송. 팀원이 채팅으로 \"이번 주 PCR 예약 현황 알려줘\"라고 물으면 연동된 캘린더 API에서 즉시 조회·응답"},{"icon":"💊","title":"데이터 모니터링 자동화","scenario":"크론 + 셸 AgentSkill 조합으로 실험 데이터 디렉터리(예: /data/sequencing_runs/)를 주기적 스캔하고, 새 FASTQ 파일 감지 시 품질 체크 스크립트(FastQC) 자동 실행 + 결과 요약을 WhatsApp/Signal로 알림 전송. 서버 디스크 용량 80% 초과, 배치 작업 완료/실패, GPU 온도 임계치 등 인프라 이벤트를 메시징 앱으로 실시간 모니터링. 파일 시스템 접근 권한으로 결과 CSV를 직접 파싱해 \"오늘 시퀀싱 런 3건 완료, 평균 Q30 > 85%\" 같은 정량 요약 제공"},{"icon":"🤖","title":"개인 생산성 에이전트","scenario":"이메일 요약(Gmail 통합), 캘린더 충돌 자동 조정, 미읽 메시지 정리 등 일상 업무를 메시징 앱 인터페이스에서 자연어로 처리. 지속적 메모리로 \"월요일엔 랩미팅 전 논문 리뷰 정리, 수요일엔 데이터 백업 알림\" 같은 사용자 패턴을 학습하며 반복 작업의 자동화 수준이 점진 향상. 브라우저 제어 스킬로 웹 폼 자동 입력, 학회 등록, 소모품 주문까지 확장 가능"}],"official_doc_url":"https://openclaw.ai/","github_url":"https://github.com/openclaw/openclaw","category":"agent","difficulty":"advanced","tags":["openclaw","agent","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (LLM 추론은 외부 API 또는 별도 Ollama 서버에 위임). 로컬 모델 직접 실행 시 해당 모델 VRAM 요건 별도 충족 필요","storage":"설치 패키지 ~200MB, 대화 기록·스킬 캐시·메모리 인덱스 포함 시 1-5GB 예상"},"translations":null,"published_at":"2026-06-15T16:42:53.064+00:00","updated_at":"2026-09-02T07:49:43.815514+00:00","created_at":"2026-06-15T16:39:34.289637+00:00"},{"id":"264b0fdf-a8b0-4820-8668-803cca4b543d","slug":"browseract-skills","name":"BrowserAct Skills","one_liner":"Runtime de automatización de navegador para agentes de IA, con más de 50 comandos CLI estandarizados","description":"- AI 에이전트 전용 브라우저 런타임 (browser-act): 50+ 표준화 CLI 명령으로 웹 페이지 탐색·클릭·폼 입력·스크린샷·네트워크 응답 캡처를 에이전트가 직접 수행. Raw HTML 대신 인덱싱된 컴팩트 텍스트를 반환하여 LLM 토큰 소비 93% 절감\n- 자동 스킬 생성 팩토리 (browser-act-skill-forge): 대상 사이트를 탐색해 API 엔드포인트 또는 DOM 패턴을 식별하고, 재사용 가능한 Skill 패키지(SKILL.md + 스크립트)를 자동 생성. \"한 번 탐색, 영구 재사용\" 원칙\n- 3계층 격리 아키텍처: (1) 핑거프린트 무작위화(Canvas, WebGL, Audio, Navigator), (2) 레지덴셜 IP 자동 로테이션(195+ 국가), (3) 세션별 독립 쿠키/ID 완전 분리\n- 안티봇 돌파 + CAPTCHA 자동 해결: reCAPTCHA, hCaptcha, Cloudflare Turnstile, DataDome, HUMAN Security 등 주요 방어 체계 자동 우회. 플랫폼 누적 1,000만+ CAPTCHA 해결\n- Chrome Takeover: 기존 Chrome 세션에 접속하여 Gmail·LinkedIn·Amazon 등 인증 상태를 그대로 상속 — 패스워드 공유 없이 로그인 세션 재활용\n- Remote-Assist (Human-in-the-Loop): SMS 인증·2FA 등 자동화 불가 단계에서 사람에게 제어권 이전 후 동일 세션에서 재개. 크로스 디바이스 원격 핸드오프 지원\n- Confirmation Gate: 민감 작업(결제·삭제 등) 실행 전 명시적 사용자 승인 요구 프로토콜\n- SkillHub 생태계: 100,000+ 보안 감사 완료 Skill 마켓플레이스 — 브라우저 자동화, 경쟁 인텔리전스, 데이터 분석, 콘텐츠 생성 등 12개 카테고리","install_code":"$aa","bio_use_cases":[{"icon":"🔬","title":"대규모 웹 데이터 수집","scenario":"Cloudflare·DataDome 등 안티봇 방어가 적용된 사이트에서 핑거프린트 격리 + IP 로테이션으로 안정적 스크래핑. 기존 수작업 스크레이퍼 대비 에러-리트라이 루프 90% 감소. 플랫폼 누적 5억+ 페이지 자동화 실적"},{"icon":"🧬","title":"다중 계정 병렬 운영","scenario":"전자상거래 셀러 계정, 소셜 미디어 계정 등을 세션 간 완전 격리하여 동시 관리. 쿠키·핑거프린트·IP가 교차 오염 없이 독립 운영. 10K+ 동시 세션 지원"},{"icon":"💊","title":"자동 구직 지원","scenario":"LinkedIn 등 채용 플랫폼에서 Chrome Takeover로 로그인 세션 상속 후 100건 지원을 10분 내 자동 처리. 2FA 발생 시 Remote-Assist로 사람 개입 후 재개"},{"icon":"🎙️","title":"경쟁 가격 모니터링","scenario":"Amazon ASIN 기반 경쟁사 분석, 다중 리전 가격 추적을 독립 ID 세션으로 병렬 수행. CSV 자동 내보내기 지원"},{"icon":"🤖","title":"Skill Forge 기반 맞춤 자동화","scenario":"반복 업무(대시보드 리포팅, 재고 확인 등)를 Skill Forge로 1회 탐색 후 재사용 가능한 Skill 패키지로 변환. 외부 워크플로우 도구(Make, n8n, Zapier)와 MCP 프로토콜 연동 가능"}],"official_doc_url":"https://browseract.com/","github_url":"https://github.com/browser-act/skills","category":"workflow","difficulty":"beginner","tags":["browseract","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (GPU 미사용, 순수 CPU + 브라우저 엔진 기반)","storage":"CLI 패키지 자체 수십 MB, Chrome/Chromium 브라우저 별도 필요 (~500MB)"},"translations":null,"published_at":"2026-06-15T16:43:00.033+00:00","updated_at":"2026-09-08T01:07:20.430253+00:00","created_at":"2026-06-15T16:39:33.458896+00:00"},{"id":"23bbf867-edf5-4d1f-a24c-a80dc66c7d1b","slug":"ml-intern","name":"ml-intern","one_liner":"Agente que automatiza todo el flujo de trabajo de ML, desde la búsqueda de artículos hasta el postentrenamiento","description":"- End-to-end ML 포스트트레이닝 자동화: arXiv 논문 탐색 → 인용 그래프(citation graph) 순회 → Hugging Face Hub 데이터셋 검색·품질 검사·포맷 변환 → SFT/GRPO 학습 스크립트 실행 → 평가 결과 해석 → 실패 진단(reward collapse 등)까지 전체 ML 연구 루프를 자율 수행\n- ContextManager (170k 토큰 자동 압축): 메시지 히스토리를 170k 토큰 임계에서 자동 압축(auto-compaction)하여 장시간 에이전트 세션을 안정적으로 유지. HF 데이터셋으로 세션 트레이스 자동 업로드\n- Doom Loop Detector: 반복적 도구 호출 패턴을 감지하여 교정 프롬프트를 주입, 에이전트가 동일 실패를 무한 반복하는 것을 방지. 최대 300회 반복 제한과 결합하여 안전한 자율 실행 보장\n- ToolRouter: Hugging Face docs/repos/datasets 검색, arXiv 논문 리딩, GitHub 코드 검색, 샌드박스 실행, 플래닝, MCP 서버 도구를 단일 라우팅 레이어로 통합\n- 유료·파괴적 작업 사전 승인: GPU Job 실행(Hugging Face Jobs) 및 파괴적 명령은 사용자가 명시적으로 승인한 경우에만 실행. Auto-approval 워크플로우 설정 가능\n- 다중 LLM 백엔드: Claude(FAL-AI 경유), GPT(OpenAI/FAL-AI), HF Router 모델(MiniMax, Kimi, GLM, DeepSeek), 로컬 모델(Ollama, vLLM, LM Studio, LlamaCPP) 지원\n- Trackio 실험 추적 + Slack 알림: Hub 네이티브 실험 트래커 Trackio로 학습 메트릭 모니터링, Slack 게이트웨이로 진행 상황 알림","install_code":"### 4-1. Quick Start\n\n```bash\npip install ml-intern\n```\n\n### 4-2. 상세 설치 (개발 모드)\n\n```bash\ngit clone https://github.com/huggingface/ml-intern.git\ncd ml-intern\nuv sync\nuv tool install -e .\n```\n\n### 4-3. 환경 변수 설정\n\n```bash\nexport HF_TOKEN=\"hf_...\" # Hugging Face 토큰 (필수)\nexport ANTHROPIC_API_KEY=\"sk-...\" # Anthropic 모델 사용 시\nexport OPENAI_API_KEY=\"sk-...\" # OpenAI 모델 사용 시\nexport GITHUB_TOKEN=\"ghp_...\" # GitHub 코드 검색 시 (선택)\n```\n\n### 4-4. 기본 사용\n\n```bash\n# Interactive 모드\nml-intern\n\n# Headless 모드 (단일 프롬프트)\nml-intern --headless --task \"Qwen3-1.7B를 GPQA 벤치마크에서 개선하라\"\n\n# 선택 의존성\npip install ml-intern[eval] # 평가 도구\npip install ml-intern[dev] # 개발 도구\npip install ml-intern[all] # 전체\n```\n\n코드 스타일은 Ruff를 사용하며, LiteLLM을 통해 로컬 모델 엔드포인트와 연동한다.","bio_use_cases":[{"icon":"🔬","title":"LLM 포스트트레이닝 자동화","scenario":"베이스 모델(예: Qwen3-1.7B)을 지정하면, 에이전트가 자율적으로 관련 논문을 검색하고 적합한 학습 데이터셋을 Hub에서 탐색·검수한 뒤, SFT 또는 GRPO 학습을 실행하고 GPQA 같은 벤치마크로 평가까지 수행. PostTrainBench 기준 10시간 단일 H100 GPU 세션에서 Qwen3-1.7B GPQA 점수를 약 10% 베이스라인에서 32%까지 향상시킨 사례 보고"},{"icon":"🧬","title":"도메인 특화 파인튜닝 연구","scenario":"의료·수학·법률 등 특정 도메인에 대해 에이전트가 arXiv에서 최신 방법론(GRPO, DPO 등) 논문을 읽고, 인용 그래프를 따라 관련 후속 연구를 탐색한 뒤, 해당 기법을 구현하여 학습에 적용. 실패 시 reward collapse 같은 원인을 진단하고 엣지 케이스 합성 데이터를 생성하여 재시도"},{"icon":"💊","title":"논문 기반 재현 실험 + 대규모 평가","scenario":"arXiv 논문의 방법론 섹션과 인용 그래프를 순회하여 참조 데이터셋을 자동 수집, HF Hub에서 매칭 데이터를 찾아 학습 스크립트를 생성하고 실험을 재현. 여러 체크포인트나 하이퍼파라미터 조합에 대해 Trackio로 결과를 기록·비교하여 최적 구성 식별"}],"official_doc_url":"https://huggingface.co/spaces/smolagents/ml-intern","github_url":"https://github.com/huggingface/ml-intern","category":"workflow","difficulty":"intermediate","tags":["ml","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"에이전트 자체는 CPU 전용 (LLM 추론은 외부 API 위임). 로컬 모델(Ollama/vLLM) 구동 시 모델 크기에 따라 8-24GB. SFT/GRPO 학습 실행은 H100 80GB급 권장 (Hugging Face Jobs로 클라우드 위임 가능)","storage":"패키지 자체 ~250MB. 학습 데이터셋·체크포인트 포함 시 프로젝트당 10-50GB"},"translations":null,"published_at":"2026-06-15T16:43:01.272+00:00","updated_at":"2026-09-11T22:21:17.985218+00:00","created_at":"2026-06-15T16:39:32.787297+00:00"},{"id":"e099d755-a436-4d5a-adea-e02d1f5758f9","slug":"z-image","name":"Z-Image","one_liner":"Modelo de generación de imágenes basado en la arquitectura DiT escalable de flujo único.","description":"- S3-DiT 아키텍처: Scalable Single-Stream Diffusion Transformer — 텍스트, 시각 시맨틱 토큰, 이미지 VAE 잠재 변수를 단일 시퀀스로 통합하여 Dual-Stream 대비 파라미터 효율 극대화. 6B 파라미터로 20B+ 상용 모델 수준 품질 달성\n- 다해상도 생성: 512×512부터 2048×2048까지 임의 종횡비 지원, 네이티브 1024×1024 기본\n- 8스텝 고속 생성 (Turbo): Decoupled-DMD 증류 알고리즘(CFG Augmentation + Distribution Matching)으로 8 NFE만에 생성 완료. 엔터프라이즈 GPU에서 1초 미만 추론, 컨슈머 16GB VRAM 디바이스 호환\n- 이중 언어 텍스트 렌더링: 중국어·영어 텍스트를 이미지 내에 정확하게 렌더링 — 폐쇄형 상용 모델 수준의 텍스트 정합성\n- Image-to-LoRA (i2L): 참조 이미지로부터 LoRA 가중치를 자동 추출하여 스타일 전이 지원\n- CFG 정밀 제어: Base 모델은 네거티브 프롬프트 완전 지원, guidance scale 3.0–5.0 범위에서 사실주의~양식화 스펙트럼 세밀 조정\n- 이미지 편집 (Z-Image-Edit): Omni 사전학습 기반 instruction-following 편집, 이중 언어 편집 명령어 지원","install_code":"$ab","bio_use_cases":[{"icon":"🔬","title":"합성 학습 데이터 대량 생성","scenario":"희소 세포 유형(예: 순환종양세포)의 현미경 이미지를 프롬프트 기반으로 대량 합성하여, 세포 분류 딥러닝 모델의 학습 데이터 불균형 문제를 해소. Base 모델의 CFG 제어(guidance scale 3.0–5.0)로 형태 다양성과 사실성 사이의 균형 조절 가능. LoRA 파인튜닝으로 특정 염색 패턴(H&E, DAPI 등)에 특화된 이미지 대량 생산"},{"icon":"🧬","title":"이중 언어 과학 포스터·인포그래픽 자동 생성","scenario":"중국어·영어 텍스트 렌더링 능력을 활용하여 학회 발표 포스터, 논문 그래피컬 어브스트랙트를 프롬프트 한 줄로 초안 생성. 2048×2048 고해상도에서 텍스트 깨짐 없이 렌더링되어 후처리 부담 최소화. 국제 학회 양어 포스터 제작에 특히 유용"},{"icon":"💊","title":"ControlNet 기반 실험 환경 시뮬레이션","scenario":"ControlNet Union 2.1의 Depth/Canny/Pose 모드와 결합하여, 기존 실험실 사진의 구도를 유지하면서 조명·배경·장비 배치를 변형한 시뮬레이션 이미지 생성. 실험실 설계 검토, 안전 교육 자료 제작, 장비 카탈로그 비주얼에 활용. Apache-2.0 라이선스로 상업적 제약 없음"}],"official_doc_url":"https://tongyi-mai.github.io/Z-Image-blog/","github_url":"https://github.com/Tongyi-MAI/Z-Image","category":"image_ai","difficulty":"intermediate","tags":["z","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"최소 16GB (bf16 추론 기준). stable-diffusion.cpp 양자화 시 4GB까지 경량화 가능. 엔터프라이즈 GPU (H800/A100급) 사용 시 1초 미만 추론. CPU offloading 옵션으로 저사양 대응 가능","storage":"모델 체크포인트 약 12GB (bf16 기준), 텍스트 인코더(Qwen-3 4B) + VAE 포함 시 약 20GB"},"translations":null,"published_at":"2026-06-15T16:43:01.318+00:00","updated_at":"2026-09-02T07:44:01.90313+00:00","created_at":"2026-06-15T16:39:32.137117+00:00"},{"id":"a8747b7a-0093-43dd-9a89-a48b14459ded","slug":"tada-text-acoustic-dual-alignment","name":"TADA (Text-Acoustic Dual Alignment)","one_liner":"Model de TTS de alta calidad basado en la sincronización dual de texto y audio token a token 1:1.","description":"- Text-Acoustic Dual Alignment (1:1 토큰 정렬): 텍스트 토큰과 음성 벡터를 1:1로 동기화하여 기존 TTS의 고질적 문제인 단어 누락·반복·환각을 아키텍처 수준에서 제거. 1,000건 이상 LibriTTSR 테스트에서 콘텐츠 환각 제로 달성.\n- 5배 빠른 추론 속도: Real-Time Factor(RTF) 0.09로 동급 LLM 기반 TTS 대비 약 5배 빠름. 기존 시스템이 초당 12.5~75개 오디오 토큰을 처리하는 반면, TADA는 2~3 프레임/초로 동작하면서도 고품질 음성 합성. H100에서 캐시 활용 시 RTF ~0.12x.\n- 10배 효율적 컨텍스트 윈도우: 2,048 토큰으로 약 700초(~11.7분) 분량의 오디오를 커버. 기존 시스템의 ~70초 대비 10배 효율. 장문 낭독·오디오북·긴 대화 생성에 유리.\n- 다국어 지원 (10개 언어): 3B-ML 모델 기준 영어, 아랍어, 중국어, 독일어, 스페인어, 프랑스어, 이탈리아어, 일본어, 폴란드어, 포르투갈어 지원. 언어별 aligner 모듈로 확장.\n- Dual-Stream 생성: 텍스트와 음성을 동시에 생성하며, Speech Free Guidance(text-only guidance)를 통해 logit 블렌딩으로 발화 품질 제어 가능.\n- 프롬프트 캐싱: `EncoderOutput.save()/load()`로 레퍼런스 음성 인코딩 결과를 캐싱하여 반복 추론 시 VRAM ~2.5GB 절약 및 속도 향상.\n- Flow Matching 기반 디코딩: LLM hidden state에 조건화된 flow-matching head로 고충실도 오디오 복원. Flow matching 스텝 20→10 축소로 품질 저하 없이 ~1.3배 추가 속도 향상.","install_code":"### 4-1. Quick Start\n\n```bash\npip install hume-tada\n```\n\n### 4-2. 소스 빌드\n\n```bash\ngit clone https://github.com/HumeAI/tada.git\ncd tada\npip install -e .\n```\n\n### 4-3. 기본 사용 (Python)\n\n```python\nfrom tada.modules.encoder import Encoder\nfrom tada.modules.tada import TadaForCausalLM\nimport torch, torchaudio\n\n# 모델 로드 (3B 다국어, bf16 정밀도)\nencoder = Encoder.from_pretrained(\"HumeAI/tada-codec\",\n subfolder=\"encoder\").to(\"cuda\")\nmodel = TadaForCausalLM.from_pretrained(\"HumeAI/tada-3b-ml\",\n torch_dtype=torch.bfloat16).to(\"cuda\")\n\n# 레퍼런스 음성으로 화자 스타일 프롬프팅\naudio, sr = torchaudio.load(\"reference.wav\")\nprompt = encoder(audio, text=[\"reference text\"], sample_rate=sr)\n\n# 새 텍스트로 음성 합성\noutput = model.generate(prompt=prompt, text=\"합성할 텍스트\")\n```\n\n> **참고**: HuggingFace에서 Meta Llama 3.2 Community License를 사전 수락해야 모델 가중치 다운로드 가능.","bio_use_cases":[],"official_doc_url":"https://www.hume.ai/blog/opensource-tada","github_url":"https://github.com/HumeAI/tada","category":"audio_ai","difficulty":"intermediate","tags":["tada","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"3B-ML 모델 기준 bf16 정밀도 ~9GB. NVIDIA GPU CUDA 호환 필수. RTX 3060(12GB) 이상이면 bf16으로 3B 모델 구동 가능. 1B 모델은 더 낮은 VRAM으로 동작.","storage":"3B-ML 모델 가중치 ~8GB, 1B 모델 ~2GB, 코덱(tada-codec) ~500MB. 전체 패키지 약 10-12GB"},"translations":null,"published_at":"2026-06-15T16:43:05.026+00:00","updated_at":"2026-09-11T22:21:02.869687+00:00","created_at":"2026-06-15T16:39:31.542709+00:00"},{"id":"440edae6-7315-4923-a3ab-af6e0bd34bf1","slug":"isodde-isomorphic-drug-design-engine","name":"IsoDDE (Isomorphic Drug Design Engine)","one_liner":"Motor de diseño farmacológico que predice estructuras proteína-ligando con el doble de precisión que AlphaFold 3","description":"- 단백질-리간드 구조 예측: AlphaFold 3 대비 2배 이상의 정확도 달성. 학습 데이터와 유사도가 극히 낮은(0-20%) 신규 단백질 포켓·리간드 조합에서도 50% 성공률 기록(AF3 23.3%). 유도 적합(Induced fit)과 은닉 포켓(Cryptic pocket) 개방 같은 복잡한 구조 변화도 모델링. NKG2D 호모다이머의 은닉 포켓 구조를 AF3가 실패한 사례에서 정확히 예측\n- 항체-항원 인터페이스 모델링: 334개 저유사도 단백질 쌍에서 고정밀 예측(DockQ >0.8) 비율 39% 달성. AlphaFold 3(17%) 대비 2.3배, Boltz-2(2%) 대비 19.8배 우위. 항체에서 가장 가변적이고 예측 난이도가 높은 CDR-H3 루프 정확도 70%(RMSD ≤2Å), 드노보(De novo) 항체 설계 가능성 시사\n- 결합 친화도(Binding Affinity) 예측: FEP+ 4, OpenFE, CASP16 세 가지 공개 벤치마크에서 딥러닝 기반 방법 중 최고 성능. 물리 기반 골드 스탠다드인 FEP+ 방법과 동등 이상 정확도를 실험 결정 구조 없이 달성(FEP+ 4 벤치마크 r=0.85 vs FEP+ 0.78). 계산 시간·비용을 수 분의 일로 절감\n- 신규 결합 포켓 식별: 아미노산 서열만으로 리간드 결합 가능한 새로운 포켓을 수 초 내에 탐색. 실험적 프래그먼트 소킹(Fragment soaking) 대비 시간·비용 획기적 절감. 세레블론(Cereblon) 단백질에서 기존 알려진 포켓과 최근 발견된 신규 은닉 알로스테릭 사이트를 서열만으로 모두 예측 성공. 실험 기법에 근접하는 정확도를 컴퓨터 속도(수 초)로 달성\n- 다중 모달리티 약물 설계: 소분자(Small molecule), 항체(Antibody), 펩타이드(Peptide), 분자 접착제(Molecular glue) 등 다양한 약물 형태에 걸친 후보 생성 지원 (J&J 협업에서 확인)","install_code":"### 4-1. Quick Start\n\n```\n# IsoDDE는 공개 소프트웨어가 아닙니다.\n# 외부 설치/실행 불가 — Isomorphic Labs 내부 전용 시스템입니다.\n```\n\n### 4-2. 접근 경로\n\n현재 IsoDDE에 접근할 수 있는 유일한 경로는 Isomorphic Labs와의 제약 파트너십이다. 확인된 파트너십은 다음과 같다:\n\n- **Novartis**: 2024-01 초기 계약 체결, 2025-02 협업 범위 확대\n- **Eli Lilly**: 2024-01 AI 신약 발견 계약 체결\n- **Johnson & Johnson**: 2026-01-20 다중 모달리티·다중 타겟 연구 협업(Cross-modality, multi-target research collaboration) 체결. 소분자·항체·펩타이드·분자 접착제 전반을 포괄\n- 자체 내부 파이프라인: 다수 치료 영역에서 약물 설계 프로그램 진행 중, 임상시험 진입 접근 단계\n\n학술 연구자나 독립 기업이 직접 API를 호출하거나 모델을 다운로드하는 방식의 접근은 제공되지 않는다. 기술 보고서(27페이지)는 공식 기술 발표 페이지를 통해 공개되어 있어 벤치마크 결과와 방법론 개요를 확인할 수 있으나, 모델 아키텍처·학습 데이터·가중치는 비공개이다.","bio_use_cases":[{"icon":"🔬","title":"난이도 높은 타겟 단백질의 약물 후보 탐색","scenario":"기존 구조 예측 모델이 실패하는 학습 데이터 밖(Out-of-distribution) 타겟에서도 신뢰도 높은 리간드 결합 구조를 예측할 수 있다. Runs N' Poses 벤치마크에서 가장 어려운 유사도 0-20% 구간에서 AF3 대비 2배 이상의 성공률을 보이므로, 신규 타겟 발굴 초기 단계에서 히트(Hit) 화합물 식별 및 리드(Lead) 최적화에 물리 시뮬레이션 없이 빠르게 활용 가능"},{"icon":"🧬","title":"항체 치료제 설계 가속화","scenario":"CDR-H3 루프의 정밀 모델링(RMSD ≤2Å 달성률 70%)을 통해 항체-항원 결합 인터페이스를 사전에 높은 정확도로 예측할 수 있다. 실험적 X선 결정학·크라이오-EM 구조 결정 전에 후보 항체의 결합 특성을 스크리닝하여, 습식 실험(Wet-lab) 주기를 단축하고 임상 후보(Clinical candidate) 도달 시간을 줄이는 데 기여"},{"icon":"💊","title":"은닉 포켓 기반 신규 약물 표적 발견","scenario":"기존에 '약물 표적 불가(Undruggable)'로 분류되던 단백질에서 아미노산 서열만으로 새로운 결합 포켓을 탐색한다. 세레블론 사례처럼, 실험적 프래그먼트 소킹에 수개월이 소요되는 과정을 수 초로 대체하여 표적 확장(Target expansion) 전략의 초기 필터링을 획기적으로 가속화"}],"official_doc_url":"https://www.isomorphiclabs.com/articles/the-isomorphic-labs-drug-design-engine-unlocks-a-new-frontier","github_url":null,"category":"bio_ai","difficulty":"beginner","tags":["isodde","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"비공개 (대규모 GPU 클러스터 기반 추론으로 추정되나 구체 사양 미공개)","storage":"비공개"},"translations":null,"published_at":"2026-06-15T16:42:46.693+00:00","updated_at":"2026-09-02T08:16:14.975829+00:00","created_at":"2026-06-15T16:39:30.839645+00:00"},{"id":"35397677-25c4-4d3d-bd69-2c87fbc843e5","slug":"goose","name":"Goose","one_liner":"Agente de IA local-first con interfaces de escritorio, CLI y API.","description":"- 로컬 우선 AI 에이전트: 데스크톱 앱(macOS/Linux/Windows), CLI, API 세 가지 인터페이스로 사용자 머신에서 직접 동작. 클라우드 의존 없이 코드 편집, 셸 실행, 테스트, 멀티스텝 워크플로우를 자율 수행\n- 15+ LLM 프로바이더 지원: Anthropic, OpenAI, Google Gemini, Ollama, OpenRouter, Azure, Bedrock, Groq, xAI, Alibaba(Qwen/DashScope), Databricks, Scaleway 등. Claude 4 모델에 최적화되어 있으나 로컬 모델(Ollama, LM Studio)도 지원. ACP(Agent Client Protocol)로 기존 ChatGPT/Claude 구독 활용 가능\n- 70+ MCP 확장: Anthropic의 Model Context Protocol 표준을 통해 데이터베이스, API, 브라우저, GitHub, Google Drive 등 70개 이상의 확장과 연결. 커뮤니티 Extensions 마켓플레이스 운영\n- YAML 기반 레시피 시스템: 워크플로우를 instructions, extensions, parameters, subrecipes로 구조화한 YAML 레시피로 캡처하여 재사용 및 공유 가능\n- 서브에이전트 병렬 처리: Rust 기반 고성능 아키텍처로 서브에이전트를 병렬 실행하여 복잡한 멀티태스크를 효율적으로 처리\n- 보안 기능: 프롬프트 인젝션 탐지, 적대적 리뷰어(adversary reviewer) 모드 내장\n- MCP Apps: 데스크톱 환경 내에서 인터랙티브 UI를 렌더링하는 MCP 앱 기능","install_code":"### 4-1. Quick Start\n\n```bash\n# macOS — Homebrew (CLI)\nbrew install block-goose-cli\n\n# macOS — Homebrew (Desktop App)\nbrew install --cask block-goose\n\n# Linux / macOS / WSL — curl 스크립트\ncurl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Windows — PowerShell (네이티브)\nInvoke-WebRequest -Uri \"https://raw.githubusercontent.com/aaif-goose/goose/main/download_cli.ps1\" -OutFile \"download_cli.ps1\"\n.\\download_cli.ps1\n\n# Windows PATH 설정 (Git Bash/MSYS2)\necho 'export PATH=\"$HOME/.local/bin:$PATH\"' >> ~/.bashrc\n\n# Linux — DEB 패키지 (Ubuntu/Debian)\nsudo dpkg -i goose_*.deb\n\n# 프로바이더 설정 (첫 실행 시 자동 안내, 이후 재설정)\ngoose configure\n\n# 세션 시작\ngoose session\n\n# 업데이트\ngoose update\n```\n\n데스크톱 앱은 GitHub Releases 페이지에서 macOS(Apple Silicon/Intel), Linux(DEB/RPM/Flatpak), Windows ZIP을 직접 다운로드할 수 있다. Windows 사용자는 Git Bash, MSYS2, 또는 PowerShell이 필요하며, WSL을 통한 Linux 설치도 가능하다.","bio_use_cases":[{"icon":"🔬","title":"코드베이스 전반 리팩토링","scenario":"대규모 코드 저장소에서 특정 패턴을 검색하고, 의존성을 분석한 후, 여러 파일에 걸친 리팩토링을 자율적으로 수행. MCP를 통해 GitHub PR 생성까지 연결하면 코드 리뷰, 수정, 커밋, PR의 전체 사이클을 단일 세션에서 완료 가능"},{"icon":"🧬","title":"멀티 프로바이더 비용 최적화 워크플로우","scenario":"단순 코드 생성은 무료 티어(Groq/Google Gemini)로, 복잡한 아키텍처 설계는 Claude 4 Opus로, 코드 리뷰는 GPT-5로 분리하는 멀티모델 전략을 YAML 레시피로 정의하여 월 API 비용을 제어하면서 품질 유지"},{"icon":"💊","title":"자동화된 데이터 파이프라인 구축","scenario":"MCP 확장으로 데이터베이스 조회, 데이터 변환 스크립트 작성, 테스트 실행, 결과 검증을 하나의 Goose 세션에서 수행. 레시피로 저장하면 반복 실행 가능한 자동화 파이프라인으로 전환"}],"official_doc_url":"https://goose-docs.ai","github_url":"https://github.com/aaif-goose/goose","category":"workflow","difficulty":"beginner","tags":["goose","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (LLM 추론은 외부 API 위임). 로컬 모델(Ollama) 사용 시 모델 크기에 따라 8-24GB VRAM 필요. Linux Vulkan 지원으로 비-NVIDIA GPU에서도 로컬 추론 가능","storage":"데스크톱 앱 ~160MB(플랫폼별 상이), CLI 포함 합산 약 500MB. 로컬 모델 별도"},"translations":null,"published_at":"2026-06-15T16:42:44.984+00:00","updated_at":"2026-09-06T17:30:14.677838+00:00","created_at":"2026-06-15T16:39:29.472971+00:00"},{"id":"c020e17e-d5e2-4b3b-b553-b2eb055fed5e","slug":"ideogram-40","name":"Ideogram 4.0","one_liner":"Modelo de generación de imágenes de alta calidad basado en una arquitectura DiT de 9,3B parámetros","description":"- 9.3B 파라미터 Single-stream Diffusion Transformer (DiT): 34개 트랜스포머 블록, 4,608 임베딩 차원, 18 어텐션 헤드, SwiGLU 12,288 중간 차원. QK-RMSNorm, 3D Multimodal RoPE, AdaLN 타임스텝 모듈레이션 적용. Flow-matching Euler 샘플러와 비대칭 CFG(Classifier-Free Guidance) 사용\n- 구조화된 JSON 프롬프트 인터페이스: 훈련 전체가 구조화된 JSON 캡션으로 수행되어, 바운딩박스(0-1000 정규화 좌표, [y_min, x_min, y_max, x_max] 형식) 레이아웃 제어, 최대 16색(요소당 5색) HEX 컬러 팔레트 컨디셔닝, 타이핑 텍스트 요소의 리터럴 문자열과 시각 스타일링 분리 배치를 하나의 JSON 스키마로 통합 제어. 스키마 검증(validation) 파이프라인 내장\n- 업계 최고 수준 텍스트 렌더링: 영어 OCR 정확도 0.97 (X-Omni 벤치마크), ContraLabs 타이포그래피 평가 47.9% 1위 선택률, 다국어 텍스트 지원. 로고·간판·캡션 등 인-이미지 타이포그래피 전문 수준\n- 유연한 해상도와 샘플러 프리셋: 256-2048px 네이티브 지원 (16의 배수), 최대 6:1 종횡비. 12스텝(빠른 초안), 20스텝(표준), 48스텝(V4_QUALITY_48, 최고 품질) 프리셋 제공\n- 텍스트 인코더: Qwen3-VL-8B-Instruct 비전-언어 모델의 13개 중간 레이어 히든 스테이트를 피처 차원으로 결합 (단일 레이어가 아닌 다층 특징 융합)\n- Magic Prompt API: 평문 프롬프트를 구조화된 JSON 프롬프트로 자동 확장하는 API (API 키 필요, IDEOGRAM_API_KEY 환경변수)\n- 양자화 체크포인트: HuggingFace에서 FP8(전 플랫폼) 및 NF4(CUDA 전용) 즉시 다운로드 — NF4로 단일 24GB GPU에서 실행 가능","install_code":"$ac","bio_use_cases":[{"icon":"🔬","title":"로고·브랜딩 디자인 자동화","scenario":"JSON 프롬프트로 바운딩박스 위치에 회사명 텍스트를 배치하고, HEX 컬러 팔레트 6색으로 브랜드 색상을 지정하여 로고 시안 100장 일괄 생성. OCR 정확도 0.97 수준의 텍스트가 이미지에 정확히 렌더링되어, 디자이너가 후보작 선별에만 집중 가능"},{"icon":"🧬","title":"과학 논문·포스터용 그래피컬 앱스트랙트 생성","scenario":"복잡한 실험 워크플로우를 시각화할 때, 바운딩박스로 각 단계 위치를 지정하고 텍스트 라벨(\"Step 1: Sample Prep\", \"Step 2: Analysis\" 등)을 정확히 배치. V4_QUALITY_48 프리셋으로 2048x1024 고해상도 학회 포스터 인쇄 품질 달성"},{"icon":"💊","title":"다국어 마케팅 크리에이티브","scenario":"동일한 레이아웃 JSON에 텍스트 요소만 교체하여 영어·한국어·일본어 버전 광고 이미지를 동시 생성. 컬러 팔레트 컨디셔닝으로 브랜드 일관성 유지하면서 문화권별 색감 미세 조정"}],"official_doc_url":"https://ideogram.ai/","github_url":"https://github.com/ideogram-oss/ideogram-4","category":"image_ai","difficulty":"intermediate","tags":["ideogram","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"NF4 양자화 시 24GB GPU 1장 (RTX 4090 / RTX 3090 급), FP8 시 40GB+ 권장 (A100 / A6000 급). CPU 전용 실행은 공식 미지원","storage":"NF4 체크포인트 ~5GB, FP8 체크포인트 ~10GB, 텍스트 인코더 ~16GB, 전체 환경 약 30-50GB"},"translations":null,"published_at":"2026-06-15T16:42:42.366+00:00","updated_at":"2026-09-02T08:19:27.844395+00:00","created_at":"2026-06-15T16:39:26.334007+00:00"},{"id":"4c7c730b-c42d-48cc-a218-64da4dfb5381","slug":"gyde-guide-your-design-and-engineering","name":"GYDE (Guide Your Design and Engineering)","one_liner":"Plataforma de diseño biológico que integra múltiples modelos de IA como AlphaFold2, Boltz y Chai.","description":"- AI 모델 통합 실행: AlphaFold2, Boltz-1/2, Chai-1r, OpenFold3, ABodyBuilder2, Ibex, MOE Ab_workflow(구조 예측), ProteinMPNN, ThermoMPNN, LigandMPNN, BindCraft, RFDiffusion(단백질 설계), MAFFT, Absolve, RaSP, Rosetta ΔΔG, TAP, MolDesk(분석) 등 10종 이상의 최신 단백질 AI 모델을 Slivka API를 통해 웹 GUI에서 직접 실행\n- Mol* 기반 3D 구조 시각화: 시퀀스-구조 자동 동기화, MSA 뷰어(필터링·정렬·어노테이션), 히트맵(포화 변이 데이터), 산점도(예측 점수 vs 실험값), 시퀀스 로고(잔기 보존도), 이미지 뷰어 등 인터랙티브 플로팅 통합\n- 항체 엔지니어링 워크플로우: Absolve 넘버링 → ABodyBuilder2 구조 예측 → TAP/MolDesk 개발성 분석 → ProteinMPNN 변이 설계의 일관된 파이프라인\n- 유연한 데이터 모델: 컬럼 기반 데이터프레임 구조로 서열·구조·실험 데이터 통합. CSV, XLSX, FASTA, PDB 업로드 및 PDB/UniProt/Pfam 공개 DB 연동\n- 세션 버전 관리 및 협업: OAuth2 인증, 세션 접근 제어, 버전 히스토리로 연구자 간 협업 지원\n- Send-to-GYDE API: 외부 시스템에서 curl 엔드포인트를 통한 프로그래밍적 데이터 임포트 (파이프라인 자동화 연동)\n- HPC 스케줄러 연동: Slivka를 통해 LSF, Slurm, SunGrid Engine 등 주요 HPC 잡 스케줄러 지원","install_code":"$ad","bio_use_cases":[{"icon":"🔬","title":"단백질-단백질 상호작용(PPI) 대규모 필터링","scenario":"프로테오믹스 데이터에서 발견된 1,381개 상호작용 후보를 AlphaFold2-multimer로 구조 예측하고 GYDE 내에서 pTM/ipTM 점수 기반 필터링 — Mol 뷰어에서 인터페이스 잔기를 시각 검증하여 실험 검증 우선순위 선정"},{"icon":"🧬","title":"구조 예측 방법론 벤치마킹","scenario":"Boltz-1과 Chai-1r 코폴딩(co-folding) 결과를 동일 세션에서 직접 비교 — 예측 품질 메트릭, 구조 불일치 영역, 신뢰도 점수를 시각적으로 점검하여 프로젝트별 최적 모델 선택"},{"icon":"💊","title":"항체 엔지니어링 (합리적 설계)","scenario":"B세포 레퍼토리 시퀀스에서 항체 넘버링, 구조 예측, CDR 변이 히트맵 시각화, 개발성(TAP/MolDesk) 평가, 실험용 픽리스트 생성까지 단일 플랫폼에서 수행. Anti-PD-1 항체를 ProteinMPNN으로 설계 최적화한 사례 시연"},{"icon":"🎙️","title":"효소 최적화","scenario":"HyperTEV 프로테아제에 ProteinMPNN 기반 포화 변이 설계 워크플로우를 적용하여 야생형 대비 약 20배 촉매 효율 향상을 달성한 선행 연구의 전산적 재현"},{"icon":"🤖","title":"De novo 바인더 설계","scenario":"BindCraft 및 RFDiffusion을 활용한 LRRC15 타겟 AAV 캡시드 리타겟팅 설계 — 실험적 결합/VLP 수율 데이터와 예측 구조를 GYDE에서 통합 분석"},{"icon":"⚡","title":"협업 기반 반복 설계","scenario":"세션 버전 관리와 접근 제어를 통해 전산생물학자·실험 과학자·프로젝트 리더가 동일 설계 세션을 공유하며 반복 설계-실험 사이클 수행"}],"official_doc_url":"https://www.biorxiv.org/content/10.64898/2026.03.24.714039v1","github_url":"https://github.com/proteinverse/gyde","category":"bio_ai","difficulty":"advanced","tags":["gyde","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"GYDE 자체는 CPU 기반 웹 서버. Slivka 컴퓨트 레이어의 AlphaFold2/RFDiffusion 등 AI 모델 실행 시 NVIDIA GPU 필요 (모델별 상이 — AlphaFold2 16GB+, ProteinMPNN 8GB+, RFDiffusion 16GB+)","storage":"GYDE 코어 ~500MB, Slivka 컴퓨트 도구 + AI 모델 웨이트 포함 시 수십~수백 GB (AlphaFold2 DB 별도 ~2.5TB, 로컬 구축 시)"},"translations":null,"published_at":"2026-06-15T16:42:40.94+00:00","updated_at":"2026-09-11T22:20:34.008507+00:00","created_at":"2026-06-15T16:39:25.070753+00:00"},{"id":"83dc304a-3b34-42f8-96e5-0ac75bff93a6","slug":"fish-audio-s2","name":"Fish Audio S2","one_liner":"Modelo de síntesis de voz de alta calidad con arquitectura Dual-AR y 4B parámetros.","description":"Fish Audio S2는 Fish Audio가 2026년 3월 공개한 오픈소스 TTS(Text-to-Speech) 모델이에요. 한 줄로 표현하면 '15,000개 감정 태그로 웃음·속삭임·전문 방송 톤을 인라인으로 지정할 수 있는 다국어 음성 생성기'입니다.\n\n기존 zero-shot TTS는 텍스트만 던지면 단조로운 톤으로 읽거나, 감정을 입히려면 별도 prosody 모델을 끼워야 했어요. Fish Audio S2는 Dual-AR 아키텍처(4B Slow AR + 400M Fast AR)로 의미적 코드북과 잔여 음성 코드북을 분리 예측해, 감정·운율 태그를 자연어 인라인 형태로 받습니다. `[laugh] 안녕하세요 [professional broadcast tone] 오늘의 뉴스입니다` 처럼 한 문장 안에 톤 전환을 끼울 수 있고, 블라인드 평가에서 Bradley-Terry 1위(3.07)를 기록했죠.\n\n실무 관점에서는 (1) 80+ 언어를 단일 모델로 커버해 다국어 콘텐츠 더빙을 한 모델로 처리하고, (2) 10-30초 참조 오디오만으로 zero-shot 음성 클론을 만들어 캐릭터별 일관된 화자 음성을 생성하며, (3) RTF 0.195(H200 1장)와 TTFA ~100ms 실시간 추론으로 인터랙티브 음성 에이전트 백엔드에 바로 붙일 수 있습니다.","install_code":"### 4-1. Quick Start\n\n```bash\n# Conda 환경 생성 + GPU 설치\nconda create -n fish-speech python=3.12\nconda activate fish-speech\npip install -e .[cu129]\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 시스템 의존성 (Linux)\napt install portaudio19-dev libsox-dev ffmpeg\n\n# UV 패키지 매니저 (빠른 의존성 해소)\nuv sync --python 3.12 --extra cu129 # GPU\nuv sync --python 3.12 --extra cpu # CPU 전용\n\n# Docker Compose (권장 배포 방식)\ngit clone https://github.com/fishaudio/fish-speech.git\ncd fish-speech\ndocker compose --profile webui up # WebUI (localhost:7860)\ndocker compose --profile server up # API 서버 (localhost:8080)\nCOMPILE=1 docker compose --profile webui up # 최적화 빌드 (~10x 속도 향상)\n```\n\n### 4-3. 기본 사용 예시\n\n```python\n# CLI 추론 (참조 오디오로 음성 클론)\n# 모델 체크포인트를 checkpoints/ 에 다운로드 후:\n# fish-speech infer --text \"안녕하세요\" --reference ./ref_audio.wav\n```","bio_use_cases":[{"icon":"🔬","title":"실시간 다국어 음성 합성","scenario":"80개 이상 언어를 단일 모델로 처리하여, 글로벌 콘텐츠 로컬라이제이션에 활용. 10초 참조 오디오로 원어민 화자 클론 후 다국어 더빙 자동 생성. RTF 0.195로 스트리밍 서비스 실시간 투입 가능"},{"icon":"🧬","title":"감정 표현이 풍부한 오디오북/팟캐스트 제작","scenario":"`[whispers]`, `[excited]`, `[laugh]` 등 15,000+ 인라인 태그로 단조로운 TTS를 넘어선 감정 풍부한 내레이션 생성. 멀티스피커 대화 기능으로 팟캐스트 형식 콘텐츠 자동 제작"},{"icon":"💊","title":"연구용 음성 데이터 생성","scenario":"Seed-TTS Eval WER 0.54%(중국어)/0.99%(영어) 수준의 고품질 합성 음성으로 ASR 모델 훈련 데이터 증강, 다국어 음성 코퍼스 구축, 음성 인터페이스 프로토타이핑에 활용"}],"official_doc_url":"https://fish.audio/s2/","github_url":"https://github.com/fishaudio/fish-speech","category":"audio_ai","difficulty":"advanced","tags":["fish","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"24GB 권장 (추론 기준). CPU 전용 모드 가능하나 실시간 처리 불가","storage":"모델 체크포인트 ~8-15GB, 전체 패키지 + 의존성 포함 약 20GB"},"translations":null,"published_at":"2026-06-15T16:42:39.654+00:00","updated_at":"2026-09-02T07:41:45.219227+00:00","created_at":"2026-06-15T16:39:23.969205+00:00"},{"id":"e0f38cc1-6372-4c30-9e6f-a99725a5377a","slug":"capy","name":"Capy","one_liner":"Plataforma cloud de programación que ejecuta en paralelo hasta 25 agentes de IA","description":"- 최대 25개 AI 에이전트 병렬 실행: 각 태스크가 독립 샌드박스 클라우드 VM에서 자체 Git worktree(`capy/-` 브랜치)로 격리 실행. 에이전트 간 머지 충돌이나 컨텍스트 간섭 없이 스프린트 전체를 동시 처리\n- Captain + Build + Review 삼중 에이전트 아키텍처: Captain은 코드베이스를 분석하고 상세 스펙을 생성하는 읽기 전용 플래닝 에이전트(파일 편집·명령 실행 불가), Build는 파일 편집·명령어 실행·패키지 설치·커밋까지 수행하는 실행 에이전트, Review는 PR에 인라인 코멘트를 달아 AI 기반 코드리뷰를 자동 수행\n- 멀티모델 지원: Claude Opus 4.6/Sonnet 4.5, GPT-5.2/5.3 Codex, Grok 4.1 Fast, Gemini 3 Pro, GLM 4.7, Kimi K2.5, Qwen 3 Coder 등 주요 프론티어 모델을 태스크 단위로 자유 전환. 동일 태스크를 여러 모델로 병렬 실행하여 결과 비교 가능\n- GitHub / Slack / Linear / Vercel 통합: GitHub 연결로 PR 자동 생성·관리, Slack 메시지에서 태스크 직접 생성, Linear 이슈 위임, Vercel Preview 대시보드 내 표시\n- Skills 및 Agent Instructions 설정: `.capy/settings.json` 구성 파일과 재사용 가능한 스킬 패키지로 에이전트 코딩 표준·리뷰 규칙을 프로젝트별 커스터마이즈\n- 컨텍스트 컴팩션: 장시간 태스크에서 토큰 한계 접근 시 핵심 사실·제약·다음 액션을 보존하며 컨텍스트를 자동 압축하여 작업 연속성 유지\n- VM 격리 보안: 각 태스크가 격리된 Ubuntu 22.04 VM에서 실행, 태스크 종료 후 VM 파기. OAuth 토큰 암호화 저장, 인가된 저장소만 접근. 엔터프라이즈 컴플라이언스 별도 문의 가능","install_code":"### 4-1. Quick Start\n\n```bash\n# 설치 불필요 — 웹 브라우저에서 바로 시작\n# 1. https://capy.ai/ 접속 → 계정 생성\n# 2. GitHub 저장소 연결\n# 3. 태스크 생성 → Captain이 분석 → Build 에이전트가 자동 실행\n```\n\n### 4-2. 프로젝트 설정\n\n```json\n// .capy/settings.json 예시\n{\n \"instructions\": \"코딩 표준 및 리뷰 규칙 지시사항\",\n \"skills\": [\"custom-skill-package\"],\n \"runtime\": {\n \"size\": \"medium\",\n \"env\": { \"NODE_ENV\": \"development\" }\n }\n}\n```","bio_use_cases":[{"icon":"🔬","title":"스프린트 병렬 처리","scenario":"백로그에 쌓인 10-20개 이슈를 각각 독립 에이전트에 할당하여 동시 처리. Captain이 각 이슈를 분석하고 Build 에이전트가 구현, Review 에이전트가 코드리뷰까지 완료한 PR을 일괄 생성. 한 명의 개발자가 하루 작업량에 해당하는 태스크를 수 시간 내 병렬 완료"},{"icon":"🧬","title":"멀티모델 A/B 테스트","scenario":"동일 코딩 태스크를 Claude Opus 4.6과 GPT-5.3 Codex로 동시 실행하여 코드 품질, 속도, 비용을 직접 비교. 각 실행은 별도 대화 기록과 VM 상태를 유지하며, 모델별 강점을 파악한 후 태스크 유형별 최적 모델을 팀 표준으로 정립"},{"icon":"💊","title":"오픈소스 메인테이너 자동화","scenario":"이슈 트리아지부터 구현, 테스트, PR 생성까지 자동화. Slack에서 버그 리포트를 받으면 태스크로 변환, Linear로 추적, Build 에이전트가 수정 PR을 생성하고 Review 에이전트가 검증. 오픈소스 프로젝트는 무료 사용 가능"}],"official_doc_url":"https://capy.ai/","github_url":null,"category":"coding","difficulty":"beginner","tags":["capy","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 (모든 LLM 추론은 클라우드 API 위임)","storage":"불필요 (클라우드 VM 내 프로젝트 클론). 웹 브라우저만 있으면 접속 가능"},"translations":null,"published_at":"2026-06-15T16:42:39.567+00:00","updated_at":"2026-09-02T08:14:24.443186+00:00","created_at":"2026-06-15T16:36:48.393195+00:00"},{"id":"f73f7040-fcce-4215-8b0b-3294247a4836","slug":"alteryx-agent-studio","name":"Alteryx Agent Studio","one_liner":"Un estudio que convierte flujos de trabajo de datos existentes en agentes de IA sin necesidad de código.","description":"- 기존 워크플로우의 AI 에이전트 전환: 기업이 이미 운영 중인 Alteryx 데이터 워크플로우와 비즈니스 로직을 코드 재작성 없이 대화형 AI 에이전트로 변환. 분석가가 신뢰하는 데이터셋·정의·로직을 다른 사용자가 자연어로 질의할 수 있는 인터페이스로 패키징\n- MCP Server 3대 기능: (1) Ask Anywhere — Claude, ChatGPT, Gemini 등 외부 AI 플랫폼에서 Alteryx 거버넌스 로직 기반 답변 제공, (2) Build Anywhere — AI 어시스턴트 내에서 워크플로우 생성 지시, (3) Enterprise Agentic Systems — 복잡한 AI 프로세스의 신뢰 데이터·로직 레이어로 작동\n- 엔터프라이즈 거버넌스: Data Labels와 자산 인증(certification)으로 데이터 계보·소유권·사용 가이드라인 가시화, SDLC 패키지(버전 관리·승인 워크플로우·의존성 검증·테스트 체크포인트, 출시 예정)\n- 다중 배포 옵션: Workspace Execution(클라우드), Data Bridge(온프레미스/프라이빗 네트워크), Server Execution(클라우드 관리형 온프레미스 오케스트레이션, 출시 예정)\n- GenAI Tools 확장: 문서·이메일 비정형 데이터 추출, 텍스트 생성, 웹 검색 기능을 Alteryx Server 스케줄 실행에서 지원\n- Live Query: BigQuery(GA), Databricks, Snowflake에서 데이터 복제 없이 원본 위치 분석, BigQuery 네이티브 AI 기능 연동\n- 중앙 연결 관리: Server, Designer, Workspace Execution 전체에서 연결 정보 표준화·재사용 (출시 예정)","install_code":"### 4-1. Quick Start\n\n```bash\n# 1. alteryx.com에서 Alteryx One 무료 체험 신청\n# 2. Designer Desktop 다운로드 설치 또는 웹 인터페이스 접속\n# 3. Agent Studio Preview 신청 (Microsoft Forms 통해 대기열 등록)\n```\n\n### 4-2. 상세 설치\n\n```bash\n# Agent Studio는 Alteryx One 플랫폼의 기능으로 별도 설치 불필요\n# 사전 요구사항:\n# - Alteryx One 구독 (Starter $250/user/월 이상)\n# - Agent Studio Preview 액세스 승인\n#\n# MCP Server 연동:\n# - Alteryx One 관리 콘솔에서 MCP 엔드포인트 자동 생성\n# - Claude / ChatGPT / Gemini 등 외부 AI 플랫폼에서 MCP 엔드포인트 연결\n# - 워크플로우 선택 → 에이전트로 발행 → 거버넌스 승인\n#\n# 데이터 소스 연결:\n# - BigQuery / Databricks / Snowflake (Live Query)\n# - Google Drive / SharePoint v3 (GA, 1GB+ 데이터셋 80x 빠른 처리)\n# - 100+ 커넥터 (SAP, Salesforce 등)\n```","bio_use_cases":[{"icon":"🔬","title":"비정형 실험 데이터 자동 추출 파이프라인","scenario":"GenAI Tools로 PDF 실험 보고서·이메일 첨부 데이터를 자동 파싱하고, 기존 Alteryx 정제 워크플로우와 결합하여 구조화된 분석 데이터셋 생성. 이를 Agent Studio로 에이전트화하면 연구원이 \"지난달 HeLa 세포 실험 결과 요약해줘\"라고 자연어 질의 시 거버넌스 검증된 데이터에서 답변 제공"},{"icon":"🧬","title":"다부서 분석 거버넌스 표준화","scenario":"영업·R&D·품질관리 부서가 각각 유지하던 분석 워크플로우를 Data Labels로 인증 등급·소유자·규정 준수 요건 태깅 후 Agent Studio에서 통합 에이전트로 제공. IT 개입 없이 비즈니스 분석가가 직접 에이전트 생성·배포·권한 관리 수행"},{"icon":"💊","title":"클라우드-온프레미스 하이브리드 데이터 분석","scenario":"민감 데이터(환자 정보, 원본 시퀀싱 데이터)는 Data Bridge로 온프레미스 유지, 메타데이터·집계 결과만 클라우드로 전송. Live Query로 BigQuery/Snowflake 원본 위치 분석 수행, MCP Server를 통해 외부 AI 플랫폼에서 안전하게 질의"}],"official_doc_url":"https://www.alteryx.com","github_url":null,"category":"workflow","difficulty":"beginner","tags":["alteryx","workflow","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 — 모든 AI 연산은 클라우드 플랫폼에서 처리","storage":"Designer Desktop 설치 ~2GB, 워크플로우·데이터셋 규모에 의존"},"translations":null,"published_at":"2026-06-14T18:14:20.784+00:00","updated_at":"2026-09-02T08:07:08.509082+00:00","created_at":"2026-06-14T06:09:18.517606+00:00"},{"id":"9a9c5446-55b6-4f00-ba8a-b2d839133a64","slug":"toolsgenie-20","name":"ToolsGenie 2.0","one_liner":"Plataforma de análisis bioinformático multiagente basada en ReAct","description":"- ReAct 기반 멀티 에이전트 오케스트레이션: 핵심 Supervisor Agent가 사용자의 자연어 쿼리와 업로드 파일을 해석하여 고수준 분석 계획(analysis plan)을 수립하고, 전문화된 Sub-Agent를 선택적으로 호출하여 분석을 실행. 생물정보학 전문 지식 없이도 \"이 RNA-seq 데이터로 차등 발현 분석해줘\"와 같은 일상 언어로 복잡한 파이프라인을 구동할 수 있음.\n- ExecutorAgent 자율 코드 생성·실행·디버그: 분석 계획이 확정되면 ExecutorAgent가 태스크별 코드를 자동 생성하고 실행한 후, 오류 발생 시 스스로 디버깅까지 수행. 사용자는 코딩 없이 결과만 수령.\n- 동적 Docker 이미지 선택 (샌드박스 실행): Docker Hub, Quay.io, Wave 등 컨테이너 레지스트리에서 분석 유형에 맞는 Docker 이미지를 자동 선택·배포. 모든 분석이 격리된 샌드박스 환경에서 실행되어 재현성(reproducibility)과 보안을 동시에 보장.\n- 듀얼 레이어 확장성: Sub-Agent 레이어와 Tool 레이어를 독립적으로 확장 가능. 새로운 생물정보학 도구나 분석 파이프라인을 플러그인 형태로 추가할 수 있어, 표준 워크플로우 너머의 맞춤 분석도 수용.\n- Chief Scientific Orchestrator (CSO): PromptBio 플랫폼 상위의 메타 모델로, 사용자 의도를 해석하고 문헌 마이닝·멀티오믹스 통합·단백질 엔지니어링·약물 발견 등 도메인별 에이전트를 조율.\n- 그래프 기반 워크플로우 엔진: 분석 단계 간 의존성을 그래프로 모델링하여, 선행 단계 완료 후에만 후속 단계가 실행되는 DAG(Directed Acyclic Graph) 방식의 파이프라인 관리.\n- No-Code to Full-Code: 비전공자는 대화형 인터페이스로 즉시 분석하고, 전문가는 생성된 코드를 수정·확장하는 유연한 이중 접근 지원.","install_code":"### 4-1. Quick Start (클라우드 플랫폼)\n\nToolsGenie 2.0은 로컬 설치형이 아닌 클라우드 SaaS로 제공된다. 별도 설치 없이 웹 브라우저에서 즉시 사용 가능.\n\n```\n1. https://platform.promptbio.ai 접속\n2. 무료 체험 계정 생성 (이메일 인증)\n3. 대시보드에서 ToolsGenie 모드 선택\n4. 자연어 쿼리 입력 또는 데이터 파일 업로드 → 자동 분석 시작\n```\n\n### 4-2. API 접근\n\n공식 API 문서는 플랫폼 내 제공. 외부 공개 API 엔드포인트 또는 CLI 도구는 현재 미확인.","bio_use_cases":[],"official_doc_url":"https://www.promptbio.ai","github_url":null,"category":"bio_ai","difficulty":"beginner","tags":["toolsgenie","bio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"서버 측 GPU 클러스터에서 처리. 사용자 GPU 불필요.","storage":"업로드 데이터 크기에 따라 플랫폼 스토리지 소비. 로컬 설치 없음."},"translations":null,"published_at":"2026-06-14T18:14:31.22+00:00","updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-14T06:09:17.515561+00:00"},{"id":"7337c426-57bc-48be-876c-48091fef148b","slug":"gamma-imagine","name":"Gamma Imagine","one_liner":"IA de diseño que genera automáticamente logotipos, materiales de marketing e infografías a partir de indicaciones en lenguaje natural.","description":"- 자연어 기반 디자인 에셋 생성: 텍스트 프롬프트로 로고, 마케팅 콜래트럴, 소셜 그래픽, 인포그래픽을 브랜드 스타일에 맞춰 자동 생성\n- 인터랙티브 데이터 시각화: 바 차트, 스캐터 플롯, 퍼널, 히트맵 등 데이터 기반 차트를 브랜드 스타일링 자동 적용하여 생성\n- AI 네이티브 레이아웃 엔진: 자연어 입력을 디자인·레이아웃·위계(hierarchy)로 자동 변환 — 빈 슬라이드가 아닌 콘텐츠 우선 접근\n- 100+ 템플릿 라이브러리: 프레젠테이션, 웹사이트, 문서, 소셜 포스트 등 다양한 포맷 지원\n- 외부 서비스 통합: ChatGPT, Claude, Make, Zapier, Atlassian, n8n, Superhuman Go 연결로 데이터 기반 에셋 자동 생성 워크플로우 구축\n- API 기반 자동화: CRM, 스프레드시트 트리거와 연결하여 브랜드 덱(branded deck)을 스케일로 자동 생성\n- 웹 네이티브 공유: 링크 기반 콘텐츠 공유로 별도 파일 첨부 없이 실시간 협업","install_code":"### 4-1. Quick Start\n\n```bash\n# 설치 불필요 — 웹 브라우저에서 직접 사용\n# 1. https://gamma.app 접속\n# 2. Google/Microsoft/이메일 계정으로 가입\n# 3. 프롬프트 입력 → AI가 디자인 에셋 자동 생성\n```\n\n### 4-2. API 연동 (자동화 워크플로우)\n\n```bash\n# Zapier/Make 연동 예시\n# 1. gamma.app에서 API 키 발급\n# 2. Zapier에서 Gamma 앱 연결\n# 3. 트리거 설정: \"Google Sheets 행 추가 시 → Gamma 브랜드 덱 자동 생성\"\n```","bio_use_cases":[{"icon":"🔬","title":"연구 논문 시각 자료 제작","scenario":"실험 데이터를 입력하면 인터랙티브 차트(바 차트, 히트맵, 스캐터 플롯)가 자동 생성되어, 논문 Figure나 학회 발표 포스터에 즉시 활용 가능. 디자인 전문 지식 없이 학술 수준의 시각 자료 완성"},{"icon":"🧬","title":"연구비 신청서 / IR 자료 시각화","scenario":"\"시리즈 투자 유치용 바이오 파이프라인 타임라인\" 같은 프롬프트로 전문 디자인 에이전시 수준의 프레젠테이션 자동 생성. 템플릿 기반으로 브랜드 일관성 유지하면서 데이터 업데이트 시 실시간 반영"},{"icon":"💊","title":"소셜 미디어 / 학술 커뮤니케이션 에셋","scenario":"연구 성과를 대중에게 전달하는 인포그래픽, 소셜 카드, 뉴스레터 그래픽을 자연어로 빠르게 생성. Zapier/Make 연동으로 \"논문 출판 → 자동 소셜 그래픽 생성\" 워크플로우 구축 가능"}],"official_doc_url":"https://gamma.app","github_url":null,"category":"image_ai","difficulty":"beginner","tags":["gamma","image_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 — 클라우드 SaaS, 모든 AI 연산은 서버 측 처리","storage":"불필요 — 클라우드 저장, 로컬 설치 없음"},"translations":null,"published_at":"2026-06-14T18:14:17.248+00:00","updated_at":"2026-09-02T07:39:40.408851+00:00","created_at":"2026-06-14T06:09:16.777128+00:00"},{"id":"5b56b1eb-b045-41e7-8501-20c76c06e95b","slug":"hume-ai-tada","name":"Hume AI TADA","one_liner":"Modelo TTS de expresión emocional con alineación 1:1 de tokens de texto y audio — Hume AI","description":"Hume AI TADA는 감정 지능 음성 AI 연구소 Hume AI가 2026년 3월 공개한 오픈소스 LLM 기반 TTS 모델이에요. 한 줄로 표현하면 '읽어달란 텍스트만 정확히 읽고, 임의로 단어를 빠뜨리거나 환각하지 않는 LLM-TTS'입니다.\n\n기존 LLM 기반 TTS의 고질병은 콘텐츠 환각이었어요 — 모델이 단어를 빠뜨리거나 중복 발음하거나 원본에 없는 음을 만들어내는 현상이죠. TADA는 텍스트 토큰과 음성 토큰을 1:1로 정렬하는 Text-Acoustic Dual Alignment 구조로 이 문제를 아키텍처 수준에서 차단했고, 1,000건 이상 LibriTTSR 테스트에서 환각 0건을 달성했습니다. 동시에 RTF 0.09로 동급 LLM-TTS 대비 5배 빨라, 정확성과 속도를 같이 잡은 보기 드문 모델이에요.\n\n실무 관점에서는 (1) 오디오북·내러티브 콘텐츠처럼 단어 누락을 절대 허용하지 않는 장문 낭독에서 신뢰할 수 있고, (2) 2,048 토큰으로 약 11분 분량을 한 번에 처리해 기존 시스템(~70초)의 10배 효율로 긴 대화를 생성하며, (3) 10개 언어(영어·중국어·일본어·아랍어 등) 다국어 모델로 글로벌 콘텐츠 파이프라인을 단일 모델에서 운용할 수 있습니다.","install_code":"### 4-1. Quick Start\n\n```bash\npip install hume-tada\n```\n\n### 4-2. 소스 빌드\n\n```bash\ngit clone https://github.com/HumeAI/tada.git\ncd tada\npip install -e .\n```\n\n### 4-3. 기본 사용 (Python)\n\n```python\nfrom tada.modules.encoder import Encoder\nfrom tada.modules.tada import TadaForCausalLM\nimport torch, torchaudio\n\n# 모델 로드 (3B 다국어, bf16 정밀도)\nencoder = Encoder.from_pretrained(\"HumeAI/tada-codec\",\n subfolder=\"encoder\").to(\"cuda\")\nmodel = TadaForCausalLM.from_pretrained(\"HumeAI/tada-3b-ml\",\n torch_dtype=torch.bfloat16).to(\"cuda\")\n\n# 레퍼런스 음성으로 화자 스타일 프롬프팅\naudio, sr = torchaudio.load(\"reference.wav\")\nprompt = encoder(audio, text=[\"reference text\"], sample_rate=sr)\n\n# 새 텍스트로 음성 합성\noutput = model.generate(prompt=prompt, text=\"합성할 텍스트\")\n```\n\n> **참고**: HuggingFace에서 Meta Llama 3.2 Community License를 사전 수락해야 모델 가중치 다운로드 가능.","bio_use_cases":[],"official_doc_url":"https://www.hume.ai","github_url":"https://github.com/HumeAI/tada","category":"audio_ai","difficulty":"intermediate","tags":["hume","audio_ai","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"3B 모델 기준 bf16 정밀도 ~9GB, 표준 정밀도 ~11.5GB. NVIDIA GPU CUDA 호환 필수. RTX 3060(12GB) 이상이면 bf16으로 3B 모델 구동 가능. 1B 모델은 더 낮은 VRAM으로 동작.","storage":"3B 모델 가중치 ~8GB, 1B 모델 ~2GB, 코덱(tada-codec) ~500MB. 전체 패키지 약 10-12GB"},"translations":null,"published_at":"2026-06-14T18:14:14.725+00:00","updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-14T06:09:16.020095+00:00"},{"id":"56181b1e-f63f-4997-9972-850bb86baaa1","slug":"augment-code-intent","name":"Augment Code Intent","one_liner":"Plataforma de generación y orquestación de código multiagente basada en especificaciones.","description":"- Spec-driven 멀티 에이전트 오케스트레이션: Coordinator Agent가 자연어 요구사항을 Living Spec(살아있는 명세서)으로 분해하고, Specialist Agent(Developer, Implementor, Verifier, UI Designer 등)가 격리된 git worktree에서 병렬 실행\n- Living Spec(살아있는 명세서): 프롬프트 입력 시 Coordinator가 가정·요구사항·설계 결정을 캡처하는 문서를 자동 생성하여 멀티 에이전트 간 prompt drift 및 컨텍스트 충돌 방지\n- Context Engine(MCP 연결): Augment의 Context Engine을 MCP 서버로 플러그인하여 1M+ 파일 규모 코드베이스의 시맨틱 의존성 분석, 크로스 리포 인식 지원\n- 에이전트 프로바이더 선택: Augment 자체 에이전트 외에 Claude Code, Codex 등 외부 에이전트 프로바이더 연결 가능\n- Browser Verification: 에이전트가 내장 브라우저를 열어 E2E 테스트 수행 후 태스크 완료 판정\n- Figma Sync: 디자인 토큰 자동 동기화, 픽셀 퍼펙트 핸드오프 노트 생성\n- MCP 서버 지원: 워크스페이스별 개별 MCP 서버 구성, 셋업 스크립트 자동 실행","install_code":"### 4-1. Quick Start\n\n```bash\n# 1. intentapp.dev에서 데스크톱 앱 다운로드 (macOS/Windows/Linux)\n# 2. 앱 실행 → Settings에서 에이전트 프로바이더 연결 (Augment / Claude Code / Codex)\n# 3. 워크스페이스 생성 → 프로젝트 디렉터리 지정 → 작업 시작\n```\n\n### 4-2. 상세 설치\n\n```bash\n# 사전 요구사항\nnode --version # v18+ 필수 (v22+ 권장)\ngit --version # Git 설치 필수\n\n# 1. https://www.intentapp.dev 에서 OS별 설치 파일 다운로드\n# 2. 앱 실행 후 Settings → Agent Provider 설정\n# - Augment: augmentcode.com 계정 연동\n# - Claude Code: Anthropic API 키 입력\n# - Codex: OpenAI API 키 입력\n# 3. 워크스페이스 생성 시 MCP 서버 추가 가능\n# - Augment Context Engine (크로스 리포 인식)\n# - 기타 커스텀 MCP 서버\n# 4. Setup Script 설정 (선택): 워크스페이스 초기화 시 의존성 설치 등 자동 실행\n```","bio_use_cases":[{"icon":"🔬","title":"대규모 코드베이스 리팩터링","scenario":"Coordinator가 마이그레이션 계획을 Living Spec으로 정리하고, Backend/Frontend/Test Specialist가 격리된 worktree에서 병렬 작업 → Verifier Agent가 스펙 대비 회귀 테스트 수행. 수백 개 파일 변경을 단일 워크스페이스에서 추적 가능"},{"icon":"🧬","title":"풀스택 피처 개발","scenario":"\"결제 시스템에 구독 기능 추가\" 같은 자연어 프롬프트 입력 → Coordinator가 API 계약·DB 마이그레이션·프론트엔드 컴포넌트·테스트 매트릭스로 분해 → 각 Specialist Agent가 동시 작업, Figma 디자인 토큰 자동 반영"},{"icon":"💊","title":"PR 리뷰 및 품질 보증","scenario":"PR Reviewer Agent가 코드 변경 분석, PR Shepherd Agent가 리뷰 코멘트 대응, Verifier Agent가 내장 브라우저에서 E2E 검증까지 수행하는 자동화 파이프라인"}],"official_doc_url":"https://www.intentapp.dev","github_url":null,"category":"coding","difficulty":"beginner","tags":["augment","coding","agy_discovery","auto_generated"],"hardware_requirements":{"ram":"불필요 — 클라우드 기반 LLM 추론, 로컬 GPU 연산 없음","storage":"앱 설치 ~500MB, 워크스페이스별 프로젝트 크기 의존"},"translations":null,"published_at":"2026-06-14T18:14:28.796+00:00","updated_at":"2026-09-02T07:41:10.023665+00:00","created_at":"2026-06-14T06:09:15.217664+00:00"},{"id":"7c386a8a-3f89-482f-a7d8-a8df66dc7676","slug":"replicate","name":"Replicate","one_liner":"Plataforma de inferencia en la nube que ejecuta modelos open source mediante una API REST","description":"$ae","install_code":"$af","bio_use_cases":null,"official_doc_url":"https://replicate.com/docs","github_url":"https://github.com/replicate","category":"cloud_ai","difficulty":"beginner","tags":["replicate","cloud_ai","model_hosting","rest_api","cog","serverless"],"hardware_requirements":{"ram":"클라우드 호출만 사용 시 0 (브라우저나 노트북만으로 충분). Cog로 자체 모델 패키징·로컬 테스트 시 16GB+","vram":"클라우드 호출 0 / Cog 로컬 테스트 시 모델 크기에 따라 8-48GB. Replicate 서버 측 GPU는 A100·H100 자동 할당","storage":"클라우드 0 / Cog 로컬 빌드 시 Docker 이미지 10-50GB. 결과 파일은 7일간 Replicate CDN에 자동 호스팅 (다운로드 또는 webhook 처리)"},"translations":null,"published_at":"2026-06-13T14:55:41.696+00:00","updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-13T14:50:10.297061+00:00"},{"id":"91d2001b-8952-4e25-ad50-cbcf491b4079","slug":"hugging-face","name":"Hugging Face","one_liner":"Hub de modelos, datasets y aplicaciones de IA/ML con más de dos millones de modelos e Inference API integrada","description":"$b0","install_code":"# Python (Transformers 핵심 라이브러리)\npip install transformers datasets accelerate\n\n# 1. 모델 로드 + 추론 (3줄)\nfrom transformers import pipeline\npipe = pipeline(\"text-generation\", model=\"meta-llama/Llama-3.3-70B-Instruct\")\nprint(pipe(\"단백질 구조 예측에서 AlphaFold와 ESMFold 차이는?\"))\n\n# 2. Inference API (GPU 없이 클라우드 호출)\nimport requests\nAPI_URL = \"https://api-inference.huggingface.co/models/microsoft/biogpt\"\nheaders = {\"Authorization\": f\"Bearer {HF_TOKEN}\"}\nr = requests.post(API_URL, headers=headers, json={\"inputs\": \"COVID-19 mortality is associated with\"})\n\n# 3. 데이터셋 로드\nfrom datasets import load_dataset\nds = load_dataset(\"qiaojin/PubMedQA\", \"pqa_labeled\")\n\n# 4. HF CLI로 모델 다운 (gguf 같은 가중치 직접)\npip install huggingface_hub\nhuggingface-cli login\nhuggingface-cli download bartowski/Llama-3.3-70B-Instruct-GGUF --include \"*Q4_K_M*\" --local-dir ./models/llama-3.3-70b\n\n# 5. Spaces 데모 deploy (Gradio)\npip install gradio\n# app.py 작성 후\ngradio deploy","bio_use_cases":null,"official_doc_url":"https://huggingface.co/docs","github_url":"https://github.com/huggingface","category":"cloud_ai","difficulty":"beginner","tags":["hugging_face","cloud_ai","model_hub","transformers","inference_api","datasets","spaces"],"hardware_requirements":{"ram":"클라우드 사용 시 0 (Inference API는 브라우저만). 로컬 다운로드 모델 사용 시 모델 크기에 따라 8-128GB+","vram":"클라우드 0 / 로컬 GPU 사용 시 4GB+ (소형 모델) ~ 80GB+ (대형 LLM). Transformers는 device_map=\"auto\"로 다중 GPU 자동 분산","storage":"로컬 캐시 위치 ~/.cache/huggingface/hub 기본. 대형 모델 다운로드 시 100GB+ 권장. HF_HOME 환경변수로 위치 변경 가능"},"translations":null,"published_at":"2026-06-13T14:55:44.649+00:00","updated_at":"2026-09-02T09:53:46.544409+00:00","created_at":"2026-06-13T14:50:09.914457+00:00"},{"id":"f1bbf495-2281-4f24-b5d0-c6b4144c3977","slug":"moonshine-v2","name":"Moonshine v2","one_liner":"Motor de reconocimiento de voz ultraligero para dispositivos edge, cinco veces más rápido que Whisper.","description":"Moonshine v2는 미국 Useful Sensors가 2026년 2월 출시한 오픈소스 음성 인식(ASR, Automatic Speech Recognition) 엔진이에요. 한 줄로 표현하면 \"Whisper의 가벼운 동생 — 라즈베리파이, 웨어러블, 모바일에서도 실시간으로 돌아가는 STT\"라고 할 수 있습니다.\n\n기존 OpenAI Whisper는 정확하지만 무거워서 (tiny 모델도 39M+) 엣지 디바이스에서 실시간 처리가 어려웠어요. Moonshine v2는 \"Ergodic Streaming Encoder\" 아키텍처로 sliding-window self-attention을 적용해 27M 파라미터로 Whisper 수준 정확도를 유지하면서 5배 빠른 추론 속도를 달성합니다. RoPE(Rotary Position Embedding)로 zero-padding을 제거해 메모리·연산 낭비도 최소화했어요. 마치 \"Whisper가 클라우드 GPU용 SUV라면, Moonshine은 엣지 IoT용 전기 자전거\"인 셈이죠.\n\n생명공학·의료 연구원 관점에서는 (1) 환자 인터뷰·임상시험 회의록을 클라우드 전송 없이 로컬에서 실시간 전사(HIPAA·GDPR 보호), (2) 라이브셀 이미징 중 \"3분 후 약물 처리\" 같은 음성 메모를 자동 타임스탬프와 함께 저장, (3) Raspberry Pi 기반 실험 노트북 보조 디바이스 구축까지 가능해요. moonshine-voice SDK는 STT + 의도 인식 + TTS를 통합 제공해서 \"손 안 대고 마이크로 실험 명령\" 같은 음성 에이전트도 만들 수 있습니다.","install_code":"# Quick Start (Python pip)\npip install moonshine-voice\n\n# Python API — 기본 전사\nimport moonshine\ntext = moonshine.transcribe(\"audio.wav\", model=\"moonshine/tiny\")\nprint(text)\n\n# 실시간 스트리밍 (마이크 입력)\nfrom moonshine_voice import StreamingTranscriber\nstt = StreamingTranscriber(model=\"moonshine/base\")\nfor chunk in stt.stream_from_microphone():\n print(chunk.text, end=\"\", flush=True)\n\n# 엣지 디바이스 (Raspberry Pi 5)\n# requirements: Python 3.10+, sounddevice, numpy\npip install moonshine-voice[edge]\npython -m moonshine_voice.pi --model tiny --language ko","bio_use_cases":[{"icon":"🎙️","title":"임상 인터뷰·진료 기록 로컬 STT","scenario":"Moonshine tiny (27M) 모델을 Mac mini M2에 올려 환자 인터뷰를 실시간 전사. 클라우드 전송 0(HIPAA·GDPR 보호), 30분 인터뷰 ~6초 대기로 전사 완료. moonshine-voice SDK에 \"환자 ID\", \"증상 시작 시점\" 같은 의도 인식 룰 추가하면 구조화된 EMR 입력 자동 생성."},{"icon":"🔬","title":"라이브셀 이미징 음성 어노테이션","scenario":"현미경 옆 Raspberry Pi 5에 Moonshine + microphone 모듈 배치. \"3분 후 EGF 100ng/mL 처리\" 같은 음성 메모를 자동 타임스탬프와 함께 .jsonl 로그로 기록 → ImageJ/Fiji 매크로가 시간 동기 메타데이터로 흡수. 손이 자유로워야 하는 라이브 실험에 즉시 적용 가능."},{"icon":"🤖","title":"엣지 보이스 에이전트 (실험실 비서)","scenario":"moonshine-voice SDK + Llama.cpp + Pi 4(4GB)로 실험실 비서 구축. \"OD600 0.6 도달 시 알람 켜줘\" \"PCR 마스터믹스 레시피 보여줘\" 같은 명령을 100ms 이하 레이턴시로 인식 → MQTT로 실험 장비 트리거. 클라우드 의존 0, 전력 5W 미만."}],"official_doc_url":"https://huggingface.co/UsefulSensors/moonshine","github_url":"https://github.com/usefulsensors/moonshine","category":"audio_ai","difficulty":"intermediate","tags":["moonshine","asr","speech_recognition","edge_ai","on_device","audio_ai"],"hardware_requirements":{"ram":"최소 2GB (Tiny 27M 모델), 권장 4GB (Base 61M 모델), 8GB+(다중 채널 또는 한국어 fine-tune)","vram":"0 (CPU 전용 가능, Raspberry Pi 4부터 실시간) / NVIDIA GPU 2GB+ 시 10배 가속 / Apple Silicon Metal 지원","storage":"Tiny ~26MB / Base ~61MB / 전체 패키지 250MB 이내. 학습 데이터 별도"},"translations":null,"published_at":"2026-06-13T13:30:03.248+00:00","updated_at":"2026-09-11T22:20:31.434416+00:00","created_at":"2026-06-13T10:47:23.531192+00:00"},{"id":"222494c4-d4bd-4ca0-a475-d0b0a6c1137f","slug":"cellpose","name":"Cellpose","one_liner":"Segmentación celular universal basada en deep learning para generar máscaras automáticas de imágenes de fluorescencia y campo claro.","description":"Cellpose는 미국 Janelia 연구소의 Mouse Lab에서 개발한 오픈소스 딥러닝 세포 분할(cell segmentation) 도구예요. 한 줄로 표현하면 '어떤 현미경 이미지를 던져도 각 세포의 경계를 정확히 찾아주는 만능 분할기'라고 할 수 있습니다.\n\n기존의 세포 분할은 watershed, thresholding 같은 고전 알고리즘에 의존했고, 셀 종류가 바뀌거나 염색이 다르면 매번 파라미터를 다시 튜닝해야 했어요. Cellpose는 vector flow 기반 U-Net 아키텍처를 학습시켜, 세포의 형태와 경계를 사전 지식 없이 일반화해서 추출합니다. 마치 'GPT가 어떤 텍스트도 처리하듯, Cellpose는 어떤 세포 이미지도 처리한다'는 개념이에요.\n\n생명공학 연구원 관점에서는 (1) 별도 학습 데이터 없이 바로 쓸 수 있고, (2) 형광 채널·H&E 조직·라이브셀·전자현미경까지 다 처리 가능하고, (3) GUI도 있어서 코딩 없이도 클릭만으로 마스크를 얻을 수 있다는 점이 큰 장점입니다. 또한 Cellpose 2.0부터는 human-in-the-loop 학습이 지원돼, 자기 데이터 100~200장만 라벨링하면 도메인 특화 모델을 빠르게 만들 수 있어요.\n\n데이터 보안 측면에서는 완전 로컬 실행이 가능해 임상 이미지나 미공개 실험 데이터를 클라우드에 올리지 않아도 됩니다. 비용 측면에서도 라이선스 비용 0, GPU 없이 CPU로도 동작하고(느리지만), Cellpose 3.0은 빠른 nuclei 모델과 함께 SAM 통합 기능까지 제공해 무료 도구의 최강자 위치를 굳혔어요.","install_code":"pip install cellpose[gui]\n# GUI 실행:\npython -m cellpose\n# Python API:\nfrom cellpose import models\nmodel = models.Cellpose(model_type='cyto3')\nmasks, flows, styles, diams = model.eval(img, channels=[0,0])","bio_use_cases":[{"icon":"🔬","title":"형광 현미경 핵·세포 자동 분할","scenario":"DAPI(핵) + 막 마커 2채널 형광 이미지에서 'cyto3' 모델로 한 번에 수천 개 세포 마스크 추출. 1024x1024 이미지 1장당 GPU에서 1-2초. 결과 마스크는 NumPy 배열로 받아 면적·강도·인접성 분석 가능."},{"icon":"🧬","title":"라이브셀 이미징 시간추적","scenario":"Cellpose+omnipose 조합으로 동일 시야 시간 시리즈에서 프레임별 분할 → trackpy/btrack으로 셀 트래킹. 분열·이동·사멸 이벤트 자동 추출. 약물 처리 후 형태 변화 정량화에 활용."},{"icon":"💊","title":"H&E·면역염색 조직 분석","scenario":"조직 슬라이드 H&E 또는 IHC(CD3/CD8 등) 이미지에서 면역세포 카운트. 'tissuenet' 또는 자체 학습 모델로 종양 침윤 림프구(TIL) 정량화 → 면역항암제 반응 예측 바이오마커 개발에 활용."}],"official_doc_url":"https://cellpose.readthedocs.io","github_url":"https://github.com/MouseLand/cellpose","category":"bio_ai","difficulty":"intermediate","tags":["cellpose","segmentation","microscopy","deep_learning","bio_ai"],"hardware_requirements":{"ram":"최소 8GB, 권장 16GB (대용량 whole-slide 이미지 처리 시 32GB+)","vram":"NVIDIA GPU 4GB 이상 권장 (RTX 3060 이상에서 실시간급 처리). CPU 단독도 동작하지만 1장당 10-60초로 느림","storage":"Cellpose 모델 1개 ~50MB, 전체 모델 패키지 1GB 이내. 학습 데이터 별도"},"translations":null,"published_at":"2026-06-12T09:16:45.864+00:00","updated_at":"2026-09-02T07:51:33.310801+00:00","created_at":"2026-06-12T09:14:51.277529+00:00"}],"routeLocale":"es"}]}]