SemaClaw: A Step Towards General-Purpose Personal AI Agents through Harness Engineering

OpenClaw 기반 멀티에이전트 프레임워크로, harness engineering이라는 패러다임을 정식 제안하고 DAG Teams 오케스트레이션, PermissionBridge 안전 시스템, 3-tier 컨텍스트 관리를 통합한 논문이다.

Midea AIRC에서 OpenClaw 기반으로 구축한 SemaClaw 프레임워크 논문이다. harness engineering이라는 개념을 정식화하여, 모델 능력 외에 에이전트 시스템의 오케스트레이션·안전·메모리 인프라가 핵심 차별화 요소임을 주장한다. DAG Teams(동적 DAG 생성 + 결정론적 실행), PermissionBridge(런타임 수준 권한 제어), 3-tier 컨텍스트 관리, Agentic Wiki(지식 축적 인프라)를 통합 제안한다. 2-layer 아키텍처(sema-code-core + semaclaw)로 재사용 가능한 런타임과 애플리케이션 harness를 분리했다.

핵심 요약

• AI 엔지니어링이 프롬프트/컨텍스트 엔지니어링에서 harness engineering으로 전환되는 패러다임 시프트를 정식화했다. 모델 능력이 수렴함에 따라 harness layer가 아키텍처 차별화의 핵심 영역이 되고 있다.
• DAG Teams: LLM이 태스크 그래프(DAG)를 동적 생성하면 결정론적 스케줄러가 실행하는 2-phase 하이브리드 오케스트레이션 방식을 제안했다. 유연성과 실행 추적가능성을 동시에 확보한다.
• PermissionBridge: 고위험 작업(파일 수정, 외부 API 호출, 코드 실행) 전에 런타임 수준에서 인가 체크포인트를 거치는 행동 안전 시스템이다. 도구 단위 래퍼가 아닌 네이티브 런타임 프리미티브다.
• 3-tier 컨텍스트 관리: 압축 작업 메모리 + 검색 기반 외부 메모리 + SOUL.md 앵커 페르소나 파티션으로 구성된 계층적 메모리 아키텍처를 도입했다.
• Agentic Wiki: 작업 파생 지식을 Markdown 파일 기반 사용자 소유 지식베이스로 외부화하여, 향후 에이전트 세션에서 검색·활용 가능한 개인 지식 인프라를 제안했다.
• LangChain 실험에서 모델을 고정하고 harness만 개선했을 때 태스크 완료율이 52.8%에서 66.5%로 13.7%p 향상되어, harness 설계가 에이전트 성능의 주요 결정 요인임을 실증했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.