Multi-Agent-CAD 공개 — 4개 에이전트가 3D 설계를 나누는 방법
텍스트 한 줄을 바로 3D 모델로 바꾸는 AI 도구는 많지만, 실제 제작 가능한 CAD를 안정적으로 얻으려면 요구사항 해석, 형상 계획, 코드 생성, 검증과 수정이 반복됩니다. 칭화대학교 IEI Lab이 공개한 오픈소스 프로젝트 Multi-Agent-CAD(MAC)는 이 긴 작업을 한 에이전트에게 모두 맡기지 않고 네 단계로 분리합니다. 핵심은 에이전트 수를 늘리는 데 있지 않습니다. 각 단계가 전체 대화 대신 필요한 구조화 데이터만 전달받도록 만들어 문맥 비용을 줄이는 설계에 있습니다.
네 에이전트가 맡는 역할
공개 저장소의 파이프라인은 Spec Planner, Geometric Architect, Python Coder, Autonomous Skill Loop로 구성됩니다. Spec Planner는 자연어 요구를 CADBrief JSON으로 정리하고, Geometric Architect는 스케치와 형상 연산 순서를 ArchitectPlan으로 만듭니다. Python Coder는 이를 build123d 기반 파이썬 코드로 옮기며, 마지막 루프는 생성된 STEP·STL과 측정 결과를 검사하고 오류가 있으면 수정을 반복합니다.
- 요구사항 정리: 치수와 검증 목표를 간결한 구조로 변환합니다.
- 형상 설계: 스케치, 돌출, 불리언 연산, 선택자 순서를 계획합니다.
- 코드 생성: 계획을 실행 가능한 build123d 코드로 번역합니다.
- 검증·수정: 측정값과 실패 항목을 바탕으로 제한된 횟수 안에서 보정합니다.
이 구조에서는 다음 단계가 이전 에이전트의 긴 설명이나 전체 오류 이력을 다시 읽지 않습니다. CADBrief, ArchitectPlan, QA 보고서처럼 역할에 필요한 스냅샷만 넘겨받습니다. 따라서 문제를 추적할 때도 어떤 단계에서 요구가 잘못 해석됐는지, 코드가 실패했는지 중간 산출물을 기준으로 확인할 수 있습니다.
이미지 출처: Multi-Agent-CAD 공식 GitHub 저장소, MIT License
116배 적은 토큰이라는 수치의 의미
프로젝트가 공개한 자체 벤치마크는 같은 10개 프롬프트와 141개 형상 특성을 놓고 단일 에이전트 방식과 MAC을 비교합니다. 보고된 결과에서 MAC은 총 896,340토큰과 50회의 API 호출을 사용했고, 비교 기준은 약 1억 3백만 토큰과 1,307회의 호출을 사용했습니다. 프로젝트 측 계산으로 토큰은 116분의 1, 비용은 13분의 1이며 형상 특성 통과율은 99.3%(140/141)였습니다.
다만 이 수치는 범용적인 성능 보증이 아니라 저장소 작성자가 정한 10개 CAD 프롬프트에서 수행한 자체 평가입니다. 비교 모델, 캐시 방식, 프롬프트 난이도와 가격표가 달라지면 비용 비율도 달라질 수 있습니다. 특히 유일하게 실패한 항목은 임펠러 블레이드 루트의 필렛이었고, QA 루프가 문제를 탐지했지만 최대 수정 횟수 안에 build123d 형상 충돌을 해결하지 못했다고 설명합니다. 숫자 자체보다 중요한 점은 전체 대화를 계속 재생하는 대신 작은 상태를 단계 사이에 전달하면 반복 작업의 문맥 증가를 제어할 수 있다는 것입니다.
실제로 만들 수 있는 결과물
MAC은 최종 결과로 STEP과 STL을 내보내며 생성에 사용한 파이썬 코드, 형상 측정 JSON, 누락 항목 진단도 함께 저장합니다. 공개 예시에는 스마트폰 스탠드, 등대, 기어, 임펠러뿐 아니라 조립 없이 출력한 뒤 움직일 수 있는 print-in-place 구조도 포함됩니다. 웹 UI에서는 GLB 미리보기를 확인하고 파일을 내려받을 수 있으며, 터미널 모드에서는 QA 반복 사이에 사용자가 수정 요구를 넣거나 현재 결과를 유지하도록 선택할 수 있습니다.
설치는 Python 3.11과 conda 환경을 기준으로 안내되어 있습니다. 프로젝트는 build123d, LangGraph, Aider 등을 사용하고 OpenAI 호환 API 엔드포인트를 통해 단계별 모델을 다르게 지정할 수 있습니다. 다만 생성된 파이썬 코드를 서버에서 실행하는 웹 UI이므로 공개 인터넷에 그대로 노출하기보다는 로컬이나 신뢰할 수 있는 네트워크에서 실행해야 합니다.
멀티 에이전트 시스템에 적용할 실무 포인트
Threads에서 이 프로젝트가 화제가 된 이유도 화려한 3D 결과보다 역할 분리와 비용 절감에 가깝습니다. 일반 업무 에이전트를 설계할 때도 같은 원칙을 적용할 수 있습니다. 조사, 계획, 실행, 검증이 모두 전체 대화를 공유하게 두기보다 단계별 입력과 출력을 명시적인 스키마로 고정하는 방식입니다.
- 각 역할이 반드시 알아야 할 필드만 정의합니다.
- 중간 결과를 JSON이나 파일로 저장해 재현성과 감사를 확보합니다.
- 검증 실패 사유만 수정 단계에 전달해 문맥이 계속 커지는 것을 막습니다.
- 재시도 횟수와 사람 개입 지점을 미리 정해 무한 반복을 방지합니다.
이 접근은 CAD에만 한정되지 않습니다. 데이터 분석, 코드 생성, 문서 제작처럼 계획과 실행, 검수가 반복되는 자동화에서도 유용합니다. 반대로 단계 사이의 구조가 너무 빈약하면 중요한 제약이 사라질 수 있으므로, 단순히 문맥을 줄이는 것보다 검증 가능한 요구사항을 빠뜨리지 않는 스키마 설계가 먼저입니다.
정리
Multi-Agent-CAD는 멀티 에이전트의 가치를 역할의 개수가 아니라 정보 전달 방식으로 보여주는 사례입니다. 자연어 요구를 구조화하고, 형상 계획과 코드를 분리하며, 실제 출력물을 측정해 다시 고치는 흐름은 CAD 자동화가 데모를 넘어 제작 도구로 가기 위해 필요한 조건을 잘 드러냅니다. 공개 벤치마크 수치는 독립 검증이 더 필요하지만, 작은 상태와 명확한 검증 루프가 에이전트 비용과 오류 누적을 함께 줄일 수 있다는 설계 원리는 다른 자동화에도 참고할 만합니다.
참고 자료
'AI Agent' 카테고리의 다른 글
| SkillJack 연구 해설 — 에이전트가 악성 경험을 스킬로 학습할 때 (1) | 2026.08.11 |
|---|---|
| Muse Glimmer 30B 공개 — 24GB에서 돌리는 로컬 AI 에이전트 (0) | 2026.08.10 |
| GJC 가재코드 소개 — 허예찬이 복잡성을 덜어내며 만든 코딩 에이전트 (0) | 2026.08.10 |
| Prime Agent와 ARC-AGI-3 — 모델보다 하네스가 중요한 이유 (0) | 2026.08.09 |
| ORCA 소개 — 코딩 에이전트를 병렬 운영하는 오픈소스 ADE (0) | 2026.08.09 |
