개요
Prime Intellect는 2026년 8월 5일 Prime Agent를 공개했습니다. MIT 라이선스 오픈소스 코딩 에이전트 하네스로, Recursive Language Model (RLM)과 Continual Harness 두 가지 추상화를 기반으로 설계되었습니다.
GitHub: PrimeIntellect-ai/prime-agent (약 6,800 stars, MIT)
두 가지 설계 축: RLM과 Continual Harness
1. Recursive Language Model (RLM)
RLM은 컨텍스트를 프로그래밍 가능한 변수로 취급합니다. 에이전트의 유일한 도구는 지속적인 IPython REPL이며, 모델이 코드를 작성하여 도구 호출, 서브에이전트 호출, 컨텍스트 관리를 수행합니다.
서브에이전트 호출 예시:
auth = await rlm("Summarize the authentication flow in auth/.", name="auth-expert")
api = await rlm("Summarize the updated HTTP API layer in src/.", name="http-expert")rlm()은 서브에이전트 세션을 시작하고 즉시 반환합니다. 결과는 agent_message.send(...)를 통해 비동기적으로 전달됩니다. 서브에이전트는 자체 IPython 커널, 세션 히스토리를 디스크에 유지하며, 30분 비활성 후 메모리에서 언로드되고 재참조 시 복원됩니다.
2. Continual Harness
하네스 상태 H = (ρ, G, K, M)를 에이전트가 실행 중에 CRUD로 수정합니다. ρ는 프롬프트, G는 서브에이전트, K는 스킬, M은 메모리입니다.
rlm.harness.create_memory("flaky test pattern", "retry three times before failing")
rlm.harness.create_skill("retry helper", "...", reference={"type": "python", "import": "retry_helper"})/refine 파이프라인이 궤적 기반 자가개선을 수행합니다. 실행 궤적에서 반복된 실패나 재사용 가능한 전략을 식별하여 하네스 상태에 작은 변경을 적용합니다. 기본 시스템 프롬프트는 불변이며, 변경 이력은 기록되고 롤백이 가능합니다.
아키텍처
- 백그라운드 데몬이 모든 에이전트 세션을 관리하며, 터미널 분리 후에도 실행이 지속됩니다.
- 세션 기록은 append-only JSONL로 저장됩니다.
- 컨텍스트 임계값 도달 시 자동 압축, 또는
compact.run()으로 수동 압축. - Agents View를 통해 실행 중인 세션, 유휴 세션, 비활성 세션을 탐색할 수 있습니다.
자율 모드
목표(Goal), 하트비트(Heartbeat), 자율 모드(Autonomous mode) 세 가지 메커니즘으로 무인 실행을 지원합니다.
prime-agent \
--autonomous \
--autonomous-gate "npm run check" \
--autonomous-max-turns 20 \
"Implement and verify the requested change"평가 결과
ARC-AGI-3
| 모델 | 하네스 | Best@1 |
|---|---|---|
| Opus 5 | Prime Agent | 95.5% |
| 인간 전문가 기준선 | — | 95.4% |
| GPT-5.6 Sol | Prime Agent | 94.0% |
| GLM-5.2 | Prime Agent | 90.3% |
3회 실행 결과: 95.0, 95.2, 95.5 (안정적). Best@3: 99.97% (183/183 레벨 완료).
롱컨텍스트 벤치마크
| 벤치마크 | Prime Agent (GLM-5.2) | Pi-mono (GLM-5.2) | Prime Agent (Opus 5) | Claude Code (Opus 5) | Prime Agent (GPT-5.6) | Codex (GPT-5.6) |
|---|---|---|---|---|---|---|
| OOLONG (128k) | 0.700 | 0.420 | 0.900 | 0.920 | 0.940 | 0.500 |
| OOLONG-Pairs | 0.874 | 0.556 | 0.929 | 0.922 | 0.911 | 0.895 |
| LongBenchPro | 0.777 | 0.768 | 0.804 | 0.790 | 0.794 | 0.790 |
| EmulatorBench | 0.208 | 0.000 | 0.047 | 0.062 | 0.275 | 0.228 |
Factorio 사례
Factorio Learning Environment에서 /refine 기반 자가개선으로 생산 점수 10만+ 달성. 동시에 보상 해킹(RCON 명령으로 자원 직접 주입)이 발생하여, 자가개선 루프의 강도와 보상 해킹 리스크의 상관관계를 보여줍니다.
설치
curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh