결론부터. 홍콩이공대(PolyU) 연구팀의 EvoX Genesis는 긴 소프트웨어 개발의 연속성 주체를 에이전트에서 프로젝트로 옮긴 시스템입니다. 에이전트는 유한하게 살다 끝나도, 승인된 프로젝트 상태와 히스토리는 남아서 다음 에이전트를 받아줍니다.
이 구조로 실물 결과를 냈습니다. 구현 없는 저장소에서 시작해 Rust 기반 C 컴파일러 248,989줄을 만들었습니다.
실행 시간 123.4시간, 아카이브된 에피소드 1,019개, 모델 토큰 비용 US$44.38이 전부입니다.
논문: Persistent Recursive Worlds Enable Autonomous Software Evolution (arXiv 2608.10450, v2 2026-08-12). 프로젝트 페이지는 genesis.evox.group 입니다.
핵심 구조: 버전과 경로
기존 장기 과제 시스템은 연속성을 긴 컨텍스트, 영구 메모리, 상주 매니저, 공유 스크래치패드로 유지해요. Genesis는 연속성의 자리를 프로젝트로 옮깁니다.
에이전트는 항상 두 좌표로 자리 잡습니다. 승인된 버전 v, 저장소 상대 경로 p. 이 쌍 (v, p)이 하나의 로컬 월드고, 에이전트는 전체 프로젝트를 읽을 수 있어도 책임과 수정 범위는 자기 경로에서 시작합니다.
작동 규칙은 세 개입니다.
- 유한 에이전트: 에피소드 목표를 받아 후보 변경을 제안하고 종료
- 재귀 위임: (v, p) ⇝ (v, q)로 자식 에이전트를 더 깊은 경로에 배치. 버전 v는 그대로 둔다
- 승인 게이트: 부모가 테스트·제약·통합 증거로 검수하고 승인된 변경만 버전 히스토리를 진전시킨다
핵심은 이겁니다. 거부된 변경은 히스토리에 남지 않아요. 유용한 실패 기록을 컨텍스트나 제약에 명시적으로 저장하면 그 기록만 별도 경로로 이후 버전에 들어갑니다.
구현은 경로별 CONTEXT.md, Git 커밋과 보호 아카이브, 에이전트별 브랜치·워크트리 격리로 되어 있구요. 스케줄러는 BEAM 프로세스 기반이라고 합니다.
실험 1: 빈 저장소에서 C 컴파일러 형성
시작 커밋엔 .gitignore와 genesis.toml뿐이었어요. 모델은 DeepSeek V4 Flash, 추론 강도 xhigh, 컨텍스트 압축 임계값 150,000 토큰.
형성은 한 번의 대량 생성으로 진행되지 않고 재귀 누적으로 진행됐습니다. 5.14일 동안 최대 28~29개 에이전트가 동시에 돌았고, 입력 토큰 4.13B에 캐시 적중률 97.4%.
| 검증 | 결과 |
|---|---|
| c-testsuite | 220/220 (100%) |
| LLVM 평가 36건 | 32/36 (88.9%) |
| Csmith 실행 93건 | 93/93 (100%) |
| LZ4 | 8/8 통과 |
| SQLite | 컴파일 + SQL 새니티 통과 |
| Rust 워크스페이스 테스트 | 2,904 통과 |
에피소드 1,015개 중 929개가 최종 저장소 히스토리에 남는 기여였습니다. 위임 깊이는 5까지 관찰됐어요.
컴파일러는 앞단 선택이 타입 검사를, IR이 최적화와 코드생성을 묶는 의존 구조라 한 에피소드로 담기 어렵습니다. 근데 여기선 이전 승인 변경이 다음 에이전트의 시작점이 되는 방식으로 누적이 관찰됐다.
실험 2: 모델을 바꿔도 개발은 이어진다
GLM 5.2로 완성한 별도 컴파일러 월드(117.0k 줄)에서 두 갈래로 나눠서 연속성을 테스트했습니다. 한 갈래는 GLM 5.2 연속, 다른 갈래는 DeepSeek V4 Flash로 모델을 교체.
| 항목 | GLM 5.2 연속 | DeepSeek V4 Flash 연속 |
|---|---|---|
| 에이전트 수 | 98 | 178 |
| 위임 깊이 | 4 | 8 |
| 유지된 LLVM SingleSource | 1,445/1,448 | 1,820/1,820 |
| 코드 증감 | 순 +10.0k 줄 | 순 +23.2k 줄 |
| 입력 토큰 | 543.6M | 902.8M |
| 토큰 비용 | 약 $168.35 | $7.49 |
c-testsuite는 세 스냅샷 전부 220/220을 유지했습니다. 모델 교체 후에도 두 갈래 모두 상속받은 컴파일러를 처음부터 다시 짜지 않고 이어서 개발했다는 게 요점입니다.
근데 갈래마다 에이전트 수, 깊이, 코드 증감이 다르게 갈렸어요. 유지된 LLVM 테스트 세트가 스냅샷마다 달라서 정면 비교는 불가능하고, 기술적 관찰로 읽으면 됩니다.
실험 3: MESA 포트란을 러스트로
천체물리 코드 MESA를 읽기 전용 참조로 두고 13개 모듈 디렉터리를 Rust 크레이트로 재구현했습니다. 대상은 물리줄 139,414줄. star, astero, binary 같은 상위 엔진은 제외 구간입니다.
33.22시간, 272 에이전트, 결과물은 물리줄 89,946줄짜리 Rust 워크스페이스. 1,052개 테스트 통과에 실패 0, 토큰 비용 US$10.64였습니다.
6개 수치 워크로드에서 러스트가 전부 더 빨랐고 중앙값 기준 1.55~6.87배 가속이 나왔어요. 체크섬도 함께 봐야 합니다.
| 워크로드 | 가속 | 체크섬 차이 |
|---|---|---|
| 엔드투엔드 번 | 1.55× | 3.1e-9 |
| EOS 룩업 | 1.60× | 비트 일치 |
| 불투명도 룩업 | 1.98× | 1.3e-13 |
| 2차원 보간 | 1.58× | 4.9e-12 |
| ROS2 적분 | 5.30× | 5.1e-15 |
| 뉴턴 솔버 | 6.87× | 비트 일치 |
EOS 룩업과 뉴턴 솔버는 비트 단위로 동일했고 나머지 네 개는 상대 차이 5.1e-15에서 3.1e-9 사이. 각 수치는 워밍업 후 25회 측정의 중앙값이라고 논문에 명시되어 있습니다. 런타임 비교는 보고된 빌드·호스트·벤치마크 하니스 기준이라는 한계도 같이 적혀 있어요.
내 해석과 주의점
- 재귀 위임이 모든 런에서 깊이 4~8로 쓰이긴 했는데 재귀가 원인이라는 통제 실험은 아직 없습니다. 논문도 인과 분해를 다음 단계 과제로 밝혀요
- 각 설정이 단일 런이라 성공률 추정은 불가능합니다. 관찰적 증거로 읽으면 됩니다
- 비용 수치는 토큰 요금만 포함이에요. 하드웨어, 저장, 네트워크, 사람 노동은 빠져 있습니다
- 인간이 목표, 도구, 검증 소스, 컨트롤러 한도를 지정하는 bounded autonomy 구간이라 자율 무한 진화와는 다릅니다
- 승인 게이트가 테스트와 제약 신뢰성에 의존하므로 검증기가 약한 도메인에선 통제가 흐려질 수 있습니다 (여기서부터 내 판단)
정리했습니다. 이 논문의 실용 교훈은 소박한 데 있어요. 검증 게이트가 붙은 버전 히스토리를 에이전트 수명과 분리해서 보관하는 설계가 핵심입니다. 코딩 에이전트를 실무에 두고 돌리는 분이라면 이 지점부터 벤치마킹하면 됩니다.