Show HN: 제가 만든 오픈소스 에이전트, Gemini-3-flash-preview에서 TerminalBench 1위 달성

(github.com)

Hacker News2026년 4월 27일AI 코딩

Show HN: 제가 만든 오픈소스 에이전트, Gemini-3-flash-preview에서 TerminalBench 1위 달성

오픈소스 AI 코딩 에이전트 'Dirac'이 Gemini-3-flash-preview 모델을 사용하여 TerminalBench-2 리더보드에서 1위를 달성했습니다. Dirac은 정교한 컨텍스트 관리와 AST(추상 구문 트리) 조작 기술을 통해 기존 에이전트 대비 API 비용을 약 64.8% 절감하면서도 더 높은 정확도를 구현했습니다.

이 글의 핵심 포인트

1TerminalBench-2 리더보드에서 Gemini-3-flash-preview 사용 시 65.2% 점수로 1위 달성
2기존 경쟁 에이전트 대비 평균 API 비용 64.8% 절감 (약 2.8배 비용 효율성)
3Hash-anchored edits 및 AST-Native Precision 기술을 통한 편집 정확도 극대화
4Multi-file batching을 통해 지연 시간(Latency)과 비용을 동시에 개선
5Google의 공식 베이스라인(47.6%) 및 폐쇄형 에이전트(Junie CLI, 64.3%)를 능가하는 성능 증명

이 글에 대한 공공지능 분석

왜 중요한가

단순히 거대 모델(LLM)의 성능에 의존하는 것이 아니라, 에이전트의 '아키텍처 설계'를 통해 모델의 한계를 극복할 수 있음을 증명했기 때문입니다. 이는 고비용의 대형 모델 없이도 저렴한 모델로 최상위 성능을 낼 수 있는 새로운 기술적 이정표를 제시합니다.

배경과 맥락

최근 AI 에이전트 분야는 컨텍스트 길이가 길어질수록 모델의 추론 능력이 저하되는 'Lost in the Middle' 현상과 급격히 증가하는 API 비용 문제에 직면해 있습니다. Dirac은 이러한 문제를 해결하기 위해 컨텍스트를 정교하게 큐레이션하고, 토큰 효율성을 극대화하는 구조적 접근 방식을 취하고 있습니다.

업계 영향

'모델 크기 경쟁'에서 '에이전트 효율성 경쟁'으로 패러다임이 전환될 것입니다. Hash-anchored edits나 AST manipulation 같은 기술적 최적화가 핵심 경쟁력이 되면서, 단순한 LLM 래퍼(Wrapper) 서비스보다는 고도의 엔지니어링이 가미된 에이전트 솔루션이 시장을 주도할 것으로 보입니다.

한국 시장 시사점

자체 거대 모델을 보유하기 어려운 한국 스타트업들에게 매우 중요한 기회입니다. Gemini Flash와 같은 가성비 높은 모델을 활용하여, 특정 도메인(예: 레거시 코드 분석, 특정 언어 최적화)에 특화된 고효율 에이전트를 구축함으로써 글로벌 경쟁력을 확보할 수 있는 전략적 방향을 제시합니다.

이 글에 대한 큐레이터 의견

이번 Dirac의 성과는 AI 에이전트 개발의 핵심이 '모델의 크기'가 아닌 '데이터의 밀도와 구조적 제어'에 있음을 보여주는 날카로운 사례입니다. 많은 창업자가 더 큰 모델을 사용해야만 문제를 해결할 수 있다고 착각하지만, Dirac은 해시 기반 편집과 AST 활용이라는 엔지니어링적 접근을 통해 비용을 65%나 낮추면서도 성능을 높였습니다. 이는 자본력이 부족한 스타트업이 기술적 차별화만으로 거대 테크 기업의 베이스라인을 뛰어넘을 수 있다는 강력한 메시지를 전달합니다.

스타트업 창업자들은 이제 '어떤 모델을 쓸 것인가'라는 질문보다 '어떻게 모델에게 필요한 정보만 정교하게 전달할 것인가'라는 'Context Engineering'에 집중해야 합니다. 단순히 API를 호출하는 수준을 넘어, 코드의 구조를 이해하고 편집의 정밀도를 높이는 '에이전트 전용 미들웨어' 기술을 확보하는 것이 향후 AI 에이전트 시장의 진정한 해자(Moat)가 될 것입니다.

원문 보기 →