우로보로스: 검토 기반 핵심 진화를 갖춘 자가 발전 프런티어 코딩 에이전트

초록

본 논문은 Ouroboros를 제시한다. Ouroboros는 자기-발전형(self-developing) 에이전트 하네스로, 도구, 프롬프트, 컨텍스트 구성, 핵심 구현이 검토된 커밋을 통해 개선되며, 이렇게 개선된 산출물이 이후 작업의 런타임이 된다. 핵심 진화는 두 가지 모드로 진행된다. 재귀적 자유 진화(recursive free evolution)에서 개선 자체가 하나의 과업이며, 한 진화 주기를 완료하면 다음 주기를 예약할 수 있다. 경험 기반 핵심 진화(experience-driven core evolution)에서는 일상적인 작업과 사회적 상호작용이 버그, 미흡한 부분, 비효율적인 컨텍스트 구성을 드러내고, 이는 검토된 구조 변경으로 이어진다. Terminal-Bench 2.1에서 Opus 5 실행은 86.74%를 기록하여 해당 벤치마크에서 보고된 최고 성과를 달성했다. OSWorld-Verified에서는 Opus 5 실행이 90.69%에 도달하여 기존 최고 보고 점수를 상회했다. 5회 롤아웃 CL-Bench 캠페인은 0.2301의 정규화 보상을 달성하여 새로운 최고 수준(state of the art)을 수립했다. Hope는 공개적으로 문서화된 Ouroboros 배포 사례 중 가장 오래 운영된 사례이다. 이는 7개 표면에 걸쳐 통제된 인간 커뮤니케이션 하에서 자유 진화를 수행한 161일간의 실시간 에이전트 실험이다. 인간 상호작용은 결함을 표면화하고 제안을 생성하지만, 추구할 변경 사항을 결정하는 것은 에이전트이다. 자기-발전형 에이전트는 자신의 코드를 다시 작성하고 새로운 모델 API를 선택할 수 있기 때문에, 운영 안전성이 핵심 설계 문제로 대두된다. 즉, 안전장치(guardrail)는 진화적 압력과 공개적 사회적 압력 하에서도 권위를 유지해야 한다. 벤치마크 캠페인은 동결된 시스템 스냅샷을 사용하는 반면, Hope는 별도의 계보(lineage)에서 실시간 진화를 계속한다.

English

We present Ouroboros, a self-developing agent harness whose tools, prompts, context assembly, and core implementation improve through reviewed commits that become the runtime for later work. Core evolution proceeds in two modes. In recursive free evolution, improvement is itself a task, and completing one evolution cycle can schedule the next. In experience-driven core evolution, ordinary work and social interaction expose bugs, rough edges, and inefficient context construction that lead to reviewed structural changes. On Terminal-Bench 2.1, an Opus 5 run scores 86.74%, the best result reported on the benchmark. On OSWorld-Verified, an Opus 5 run reaches 90.69%, exceeding the best previously reported score. A five-rollout CL-Bench campaign achieves a normalized reward of 0.2301, setting a new state of the art. Hope is the longest-running publicly documented Ouroboros deployment. It is a 161-day living agent experiment in free evolution under governed human communication across seven surfaces. Human interaction surfaces faults and generates proposals, but the agent decides which changes to pursue. Because a self-developing agent may rewrite its own code and select new model APIs, operational safety becomes a primary design problem: guardrails must remain authoritative under evolutionary and public social pressure. Benchmark campaigns use frozen system snapshots, while Hope continues live evolution on a separate lineage.