Skip to content

leesk212/dannys-coding-ai-agent-final

BranchesTags

Repository files navigation

Danny's Coding AI Agent

| https://github.com/leesk212/dannys-coding-ai-agent-final

intro

DeepAgents 개념을 기준선으로 삼아, 실제 개발 작업을 지속적으로 수행하는 코딩 에이전트를 구현한 프로젝트다.
핵심 설계 축은 다음 3가지다.

  1. 장기 메모리와 지식 저장 체계
  2. 동적으로 생성되고 정리되는 SubAgent 수명주기 관리
  3. Agentic loop의 복원력과 안전성

빠른 목차

데모 GIF

아래 3개 동작 화면을 이 섹션에 배치하면 된다.

1. Hello

hello

2. Code+Review (SubAgents)

  • Input Prompt : 
    Handle this in one user turn. You must use async subagents via `start_async_task` and launch two async tasks. First launch a coder subagent to implement a fibonacci function with type hints and save it to a concrete Python file in the current query workspace. After the coder completes and the file path is known, launch a reviewer subagent to review that exact file for correctness, edge cases, and missing tests. Wait for both to finish, collect the completed results in the same response, and synthesize one final answer.
  • SubAgents (동작 영상) https://www.youtube.com/watch?v=P3aDKMqmR_4

Watch the video

  • Memory Check
    code+memory

3. Scenario (PMS시스템구성)

  • Input Prompt :

    ## TaskPMS (project manage system) 시스템을 구성하는 프로젝트.## Process1. PRD 파일을 만들고2. PRD 파일을 기반으로 작업을 원자 단위 작업으로 분해할 것.3. 작업에 대한 명세는 구체적이어야하며, 추상적인 문구를 배제하고 확실히 개발 방향을 명시할 것.4. 개발 명세서를 Spec Driven Development 기반으로 도출할 것.5. 위 내용으로 도출된 개발 명세서를 기반으로 개발 작업을 수행할 것.(단, Test Driven Development 방식으로 개발하는 것을 필히 준수해야함)## 세부 요구사항1. 사용자 : it 회사의 프로젝트을 수행하는 PM2. 관리자 : it 회사의 임원 및 PMO 조직3. 웹, 모바일에서 접속 가능4. 사용자는 프로젝트 정보를 입력한다. (프로젝트명, 프로젝트코드, 고객사, 설계자, 개발자, 프로젝트 일정)5. 관리자는 등록된 프로젝트와 일자를 관리한다.6. 사용자가 사용하기 편하게 해야 한다.7. 기본적으로 간트 차트 기능이 구현되어야 한다.이 요청은 PRD, atomic task breakdown, spec-driven development, TDD, web/mobile, frontend/backend 분리를 포함하므로 planner, architect, frontend, mobile, backend, reviewer 같은 async subagent를 적절히 사용해서 진행하고, 최종적으로는 실행 가능한 코드 산출물까지 포함해라.

  • 최종 데모 동작 영상 : https://www.youtube.com/watch?v=Cp2_yutoUuA

Watch the video

설치 방법

1. Docker 이미지 바로 실행 (권장)

이미지 pull 후 바로 실행:

docker pull leesk212/coding-ai-agent-v5:latest
docker run -d \
  --name dannys-coding-ai-agent \
  -p 8501:8501 \
  -e MEMORY_DIR=/data/memory \
  -e STATE_DIR=/data/state \
  -e DEEPAGENTS_DEPLOYMENT_TOPOLOGY=split \
  -e MAX_SUBAGENTS=30 \
  -v $(pwd)/workspace:/workspace \
  -v coding-agent-memory:/data/memory \
  -v coding-agent-state:/data/state \
  -v coding-agent-deepagents:/root/.deepagents \
  -w /workspace \
  leesk212/coding-ai-agent-v5:latest

브라우저:

  • http://localhost:8501

2. 로컬 실행

git clone https://github.com/leesk212/dannys-coding-ai-agent-final.git
cd dannys-coding-ai-agent-final
python -m venv .venv
source .venv/bin/activate
pip install -e ".[dev]"
python -m coding_agent

.[dev]는 실행에 필요한 런타임 의존성 + 검증용 pytest까지 함께 설치한다. 테스트가 필요 없으면 pip install -e .만 실행해도 앱 구동은 된다.

브라우저:

  • http://localhost:8501

초기 진입 흐름:

  1. WebUI 접속
  2. OpenRouter API Key 입력
  3. 필요하면 Fallback 설정
  4. Start Danny's Chat
  5. DeepAgents runtime initialize
  6. Chat 진입

3. Docker Compose 빌드 실행

docker compose up --build

평가 기준 대응

1. 요구사항 구현 (10점)

평가 항목 현재 상태 근거
DeepAgents(개념) 사용 여부 충족 Main Agent와 SubAgent 모두 create_deep_agent(...) 기반으로 조립됨. AsyncSubAgent spec, middleware stack, local shell backend, checkpointer 구성을 사용
PEP8 기준에 맞추어 파이썬 코드 구현 여부 충족 모듈 분리, 타입 힌트, snake_case, import 구조, 함수 길이 분리 기준을 유지하며, compileall과 pytest ETC/tests를 통과
DocString Google Style 작성 여부 충족 핵심 모듈과 주요 함수 설명을 Google Style 기준으로 정리하고, 리뷰 가능한 수준으로 문서화를 유지

2. 메모리 시스템 활용 여부 (10점)

평가 항목 현재 상태 근거
시스템 프롬프트 또는 스킬을 이용한 장기 메모리/도메인 지식 추출 메모리 시스템 탑재 여부 충족 현재는 skills=[]이므로 스킬 기반은 아니고, Main Agent system prompt + LongTermMemoryMiddleware 기반으로 추출/저장/재주입 경로를 명시적으로 구현

핵심 근거:

  • user/profile, project/context, domain/knowledge 3계층 분리
  • memory_store, memory_search, memory_correct 도구 제공
  • system prompt에 “대화에서 durable memory를 추출하고 같은 turn에서 저장” 규칙 추가
  • durable store(SQLite) + semantic store(ChromaDB) 병행 사용
  • Remember SubAgent가 Human in the Loop 단계에서 파일별 계층/근거/저장 내용을 구조화된 JSON으로 제안하여, 사람이 각 계층에 어떤 파일을 왜 넣을지 검토 후 편집/승인 가능

3. 서브에이전트 시스템 동적 활용 여부 (10점)

평가 항목 현재 상태 근거
작업을 Main Agent가 아닌 SubAgent로 할당하는지 충족 start_async_task 기반 async delegation. planner, architect, frontend, backend, mobile, reviewer, remember 등 역할 분리
SubAgent가 실행 시점에 동적으로 생성되는지 충족 split topology에서 LazyAsyncSubagentsMiddleware가 실제 start_async_task 직전에만 subagent runtime을 on-demand spawn

4. SLM 서빙 및 에이전트 내 활용 여부 (10점)

평가 항목 현재 상태 근거
SLM 사용 포함 여부 충족 Ollama 기반 local fallback model 경로 존재 (langchain-ollama + langchain-community 정식 dependency로 포함)
Main/SubAgent 등 모든 Agent 로직 최적화 여부 충족 Main Agent와 SubAgent 모두 동일한 모델 fallback 체계와 local SLM 경로를 공유하며, 필요 시 local SLM까지 포함해 일관되게 최적화 가능
SLM을 전혀 사용하지 않는지 미해당 이 프로젝트는 SLM 경로를 실제로 포함하고 활용할 수 있도록 구성됨

정리:

  • 현재 구조는 “OpenRouter 기반 오픈소스 모델 우선 + local SLM fallback 가능” 설계다.
  • 즉, 요구사항 기준에서 SLM 서빙과 에이전트 내 활용 경로를 모두 포함한 상태다.

핵심 산출물 요약

이 프로젝트는 단순 CRUD 코드 생성 데모가 아니라, 아래 구조를 가진 실행형 코딩 에이전트다.

  • Main Agent: DeepAgents supervisor
  • SubAgent: AsyncSubAgent 기반 동적 런타임 생성 (동시 최대 30개 프로세스)
  • 장기 메모리: ChromaDB + SQLite durable memory + 3계층(user/profile, project/context, domain/knowledge)
  • Human in the Loop: remember SubAgent가 파일별 계층/근거/저장 내용을 제안 → 사람이 편집/승인
  • WebUI: Streamlit 기반 실시간 Mermaid/이벤트/SubAgent output 표시
  • 실행 단위: 질의 1개 = Main Agent + 관련 SubAgent + HITL까지 포함한 하나의 세션

현재 구조

Streamlit WebUI
  -> runtime bootstrap
    -> Main Supervisor (DeepAgents create_deep_agent)
      -> async task tools
        -> LocalAsyncSubagentManager
          -> AsyncSubAgent specs
          -> on-demand local subagent process
            -> async_subagent_server
              -> per-subagent create_deep_agent

가장 먼저 볼 파일

리뷰 시작 시 우선 보면 되는 파일은 아래 7개다.

  1. src/coding_agent/runtime.py
  2. src/coding_agent/agent.py
  3. src/coding_agent/async_subagent_manager.py
  4. src/coding_agent/async_subagent_server.py
  5. src/coding_agent/middleware/long_term_memory.py
  6. src/coding_agent/state/store.py
  7. src/coding_agent/webui/_pages/chat.py

Agent 설정은 어디서 하나

1. 런타임 진입점

메인 진입점은 src/coding_agent/runtime.py의 create_runtime_components(...)다.

여기서 하는 일:

  1. deployment_topology 결정
  2. split/single/hybrid 분기
  3. runtime prewarm 또는 direct init
  4. 최종적으로 local DeepAgents supervisor 또는 remote adapter 반환

현재 기본 동작은 split이다.

이유:

  • local Main Agent + local SubAgent on-demand spawn과 가장 잘 맞음
  • WebUI에서 pid, port, model, partial_output을 추적하기 쉬움

2. Main Agent 조립

Main Supervisor는 src/coding_agent/agent.py의 create_coding_agent(...) 계열 함수에서 조립된다.

조립 순서:

  1. model fallback middleware 생성
  2. long-term memory middleware 생성
  3. async-only middleware 생성
  4. lazy async subagent middleware 생성
  5. subagent lifecycle middleware 생성
  6. async task completion middleware 생성
  7. AsyncSubAgent spec 생성
  8. runtime-aware system prompt 생성
  9. create_deep_agent(...) 호출

핵심 함수:

  • build_system_prompt(...)
  • prewarm_coding_agent(...)
  • finalize_coding_agent(...)

3. AsyncSubAgent spec 로딩

SubAgent 정의는 src/coding_agent/async_subagent_manager.py에 있다.

핵심 계층:

  1. load_async_subagent_specs(...)
    • ~/.deepagents/config.toml 기반 순수 AsyncSubAgent spec 로딩
  2. load_async_subagents(...)
    • 위 spec에 host, port, model, system_prompt, transport 확장
  3. LocalAsyncSubagentManager.build_async_subagents()
    • DeepAgents가 사용할 최종 spec 목록 생성

현재 SubAgent 역할

기본 등록 역할:

  • researcher
  • coder
  • reviewer
  • debugger
  • frontend
  • backend
  • planner
  • architect
  • mobile
  • remember

설계 의도:

  • planner: PRD, atomic task breakdown, acceptance criteria
  • architect: system design, 모듈 경계, API/data flow
  • frontend: web UI/UX
  • mobile: mobile UX/flow
  • backend: DB/API/domain logic
  • reviewer: 코드/산출물 검토
  • remember: 장기 메모리 후보 파일 선별 + 파일별 계층 추천 + 저장 노트 초안

SubAgent는 언제 실제로 뜨나

split topology에서는 앱 시작 시 모든 SubAgent를 미리 띄우지 않는다.

실행 시점:

  1. Main Agent가 start_async_task를 선택
  2. src/coding_agent/middleware/lazy_async_subagents.py가 개입
  3. LocalAsyncSubagentManager.ensure_started(name) 호출
  4. 해당 역할의 SubAgent 프로세스만 spawn
  5. health check 통과 후 task 실행

즉, 동적 생성이다. 고정 2-agent 선언이 아니다. 동시 실행 한도는 MAX_SUBAGENTS 환경변수로 조정되며 기본값은 30이다.

SubAgent 프로세스 내부

실제 SubAgent 서버는 src/coding_agent/async_subagent_server.py에서 실행된다.

핵심:

  • 각 SubAgent도 create_deep_agent(...) 기반
  • LocalShellBackend(root_dir=...) 연결
  • 작업 디렉터리/절대경로/파일 작업 가능 규칙을 system prompt에 주입
  • partial_output을 계속 저장하여 WebUI가 polling 가능

사용자 질의 1개가 처리되는 방식

질의 단위 orchestration은 src/coding_agent/webui/_pages/chat.py의 _stream_response(...)와 _resume_async_monitoring(...)에서 수행된다.

흐름:

  1. query-scoped thread_id 생성
  2. 질의별 workdir 생성
  3. Main Agent stream 시작
  4. Main Agent의 tool call / 상태 / partial text를 UI에 반영
  5. start_async_task가 나오면 local tracked_agents 등록
  6. SubAgent output과 state를 고빈도 polling
  7. remember SubAgent 필요 시 강제 launch
  8. remember 결과(JSON 계층 추천 포함)가 나오면 Human in the Loop pause
  9. 사람이 파일별 계층/근거/저장 내용을 편집 후 승인/거절 → 같은 세션에서 resume
  10. 마지막에만 Main Agent가 최종 aggregation

중요:

  • SubAgent가 없는 질의: Main Agent 응답으로 종료
  • SubAgent가 있는 질의: 모든 SubAgent + HITL까지 끝나야 종료

즉, 질의 하나는 “Main Agent 답변 한 번”이 아니라 “전체 세션”이다.

장기 메모리 설계

핵심 파일:

메모리 계층:

  1. user/profile — 사용자 코딩 스타일, 언어/포맷 선호, 응답 방식 규칙
  2. project/context — 프로젝트 구조, 아키텍처 결정, 모듈 경계, 스택/의존성/팀 규칙
  3. domain/knowledge — 비즈니스 규칙, 도메인 사실, API 계약, 재사용 가능한 기술 패턴

구조:

  • semantic retrieval: ChromaDB
  • durable source of truth: SQLite

도구:

  • memory_store
  • memory_search
  • memory_correct

메모리 추출 방식

현재는 skills 기반이 아니라 system prompt + LongTermMemoryMiddleware 기반이다.

즉:

  • Main Agent system prompt가 durable 정보를 추출하라고 지시
  • LongTermMemoryMiddleware가 relevant memory를 system prompt에 주입
  • agent는 memory_store로 같은 turn 안에서 durable memory를 저장
  • 다음 질의에서는 memory_search와 자동 prompt injection으로 재활용

정정 정책

  • 기존 record는 superseded
  • 새 record는 active

이건 단순 thread history가 아니라, 실제 수정 가능한 durable memory다.

Remember Agent + Human in the Loop

remember SubAgent와 중간 승인 흐름. 이번 업데이트에서 파일별 계층 추천 + 사람 편집 단계를 붙였다.

목적:

  1. 산출물 중 장기 메모리화 가치가 높은 파일 후보 선별 (최대 10개)
  2. 각 파일을 어느 메모리 계층에 넣을지 근거와 함께 추천
  3. 사람이 계층/근거/저장 내용을 편집 후 승인
  4. 승인된 파일만 파일별 계층 + 편집된 내용으로 long-term memory 저장

Remember SubAgent가 내는 출력 스키마:

{
  "recommendations": [
    {
      "path": "relative/path/to/file.md",
      "recommended_layer": "user/profile | project/context | domain/knowledge",
      "rationale": "왜 이 계층에 들어가야 하는지 설명",
      "suggested_memory_content": "메모리에 실제로 저장할 축약 노트(≤800자)"
    }
  ]
}

HITL UI 동작:

  1. Main Agent가 최종 답변을 내기 전 remember SubAgent가 강제 실행
  2. 파서가 JSON 블록을 추출해 후보 목록 구성 (실패 시 텍스트 파싱 fallback)
  3. WebUI가 파일을 계층별로 그룹핑하여 표시
    • 계층별 정의/가이드를 상단에 안내
    • 파일별 근거와 제안된 저장 노트를 함께 노출
  4. 각 파일에 대해 사람이 아래를 편집할 수 있음
    • Memory layer (selectbox)
    • Rationale (text_area)
    • 저장될 메모리 노트 본문 (text_area, 비우면 파일 원문으로 fallback)
  5. Approve and Continue / Reject and Continue
  6. 승인 시 각 파일이 자기 계층과 편집된 내용으로 Chroma + SQLite에 저장됨 (human_edited 태그 부착)
  7. 같은 세션을 resume하여 Main Agent 최종 답변 생성

핵심 파일:

동적 SubAgent 수명주기 관리

핵심 파일:

수명주기 상태:

  • created
  • assigned
  • running
  • blocked
  • completed
  • failed
  • cancelled
  • destroyed

메타데이터:

  • agent_id
  • role
  • task_summary
  • parent_id
  • state
  • created_at
  • updated_at

현재 UI에 보이는 것:

  • role + ordinal
    • 예: architect agent #1
  • task_id
  • run_id
  • endpoint
  • pid
  • model
  • lifecycle event summary

Agentic Loop 복원력과 안전성

핵심 파일:

현재 반영된 방어 전략:

  • model timeout / fallback (primary → OpenRouter 대체 모델 → local Ollama SLM)
  • no-progress loop guard
  • bad tool-call 대응
  • subagent failure / blocked 대응 (alternate role 자동 재시도)
  • safe stop

현재 loop 관련 설정:

  • max_iterations = 10000
  • max_subagents = 100 (하드 리밋, 환경변수 MAX_SUBAGENTS로 실사용 리밋 조정 — 기본 30)

모델 정책

  • Primary: OpenRouter 기반 오픈소스 대형 모델 우선
  • Fallback: 동일 provider 내 대체 모델 → langchain-ollama 기반 local SLM (qwen2.5-coder:7b 등)
  • langchain-ollama + langchain-community를 정식 dependency로 포함하여 fallback 경로에서 ModuleNotFoundError로 터지지 않음
  • Main Agent와 SubAgent가 동일 fallback 체계를 공유

WebUI 핵심 기능

현재 Chat UI는 다음을 보여준다.

  • Main Agent answer
  • Agent 동작 분석
    • Mermaid
    • event timeline
    • HITL 상태
    • SubAgent Streaming Output
  • workspace 다운로드
  • remember review (파일별 계층/근거/노트 편집 UI)
  • 개별 파일 다운로드
  • Memory / Settings / Chat 페이지 전환

추가된 UX:

  • Focused Analysis View
  • Human In The Loop 강조 카드
  • HITL 시 자동 스크롤
  • SubAgent 최신 활동 기준 정렬

질의별 작업 디렉터리

각 사용자 질의는 별도 workdir에서 실행된다.

형식:

query_sessions/YYYYMMDD_HHMMSS

의미:

  • Main Agent와 SubAgent는 같은 질의 단위 workdir을 공유
  • 산출물, PRD, 코드, spec, 문서가 질의 단위로 분리됨
  • 완료 후 해당 workdir을 zip으로 다운로드 가능

Settings와 Prompt Override

Settings에서 다음을 직접 조정할 수 있다.

  • Main Agent default system prompt 확인
  • Main Agent prompt override
  • 각 SubAgent prompt override
  • 모델/fallback 설정
  • topology 설정
  • memory record correction

prompt override 저장 위치:

state/prompt_overrides.json

테스트 프롬프트와 시나리오

기능 검증용 prompt가 WebUI에 들어 있다.

Input Test Prompt (Module Function Test)

  • User/Profile
  • Project/Context
  • Domain Knowledge
  • Memory Correction
  • Memory Extraction
  • SubAgent Lifecycle
  • Code+Review Test
  • Blocked/Failed
  • Loop Safety
  • Model Policy
  • Remember Agent

Input Test Scenario

  • Scenario_1 : PMS시스템 구성

이 시나리오는 planner / architect / frontend / mobile / backend / reviewer / remember 분할과, 실행 가능한 코드 산출 흐름을 같이 검증하는 데 사용한다.

Docker 실행

이미지:

leesk212/coding-ai-agent-v5:latest

docker-compose.yml 주요 환경변수:

변수 기본값 설명
OPENROUTER_API_KEY (필수) Primary 모델 키
OLLAMA_BASE_URL http://ollama:11434 Local SLM fallback
LOCAL_FALLBACK_MODEL qwen2.5-coder:7b Ollama 모델명
MEMORY_DIR / STATE_DIR /data/memory, /data/state 영속 디렉터리
DEEPAGENTS_DEPLOYMENT_TOPOLOGY split split/single/hybrid
ASYNC_SUBAGENT_BASE_PORT 30240 SubAgent 포트 시작값
MAX_SUBAGENTS 30 동시 SubAgent 한도

주의:

  • 멀티 아키텍처 manifest가 필요하다
  • Apple Silicon에서는 linux/arm64 이미지가 포함되어야 한다

검증 방법

실행 기준:

.venv/bin/python -m pytest -q ETC/tests

현재 결과:

29 passed

주의:

  • 루트에서 pytest -q를 바로 실행하면 ETC/deepagents_sourcecode/libs/evals/tests/... 같은 외부 참조용 벤더드 테스트까지 수집될 수 있다
  • 현재 프로젝트 검증 기준은 pytest ETC/tests 범위가 맞다
  • ETC/에는 참고용 문서 초안/데모 산출물/벤더드 소스코드와 프로젝트 테스트(ETC/tests)가 들어 있으며, 애플리케이션 실행에는 사용되지 않는다

최근 주요 업데이트 요약

  • Remember SubAgent 구조화 JSON 출력: 파일별 recommended_layer, rationale, suggested_memory_content 제안
  • HITL 리뷰 UI 개편: 계층별 그룹핑, 파일별 layer/rationale/저장 노트 편집 폼, 편집 내용 그대로 영속화
  • _store_approved_memory_files 재설계: 파일마다 자기 계층 + 편집된 content로 Chroma + SQLite에 저장, human_edited 태그 부착
  • 동시 SubAgent 한도 확대: MAX_SUBAGENTS 기본값 3 → 30
  • 모델 fallback 안정화: langchain-ollama, langchain-community를 정식 dependency로 승격 (이전엔 optional이라 fallback 경로에서 ModuleNotFoundError 발생)
  • split topology 강제 및 local on-demand SubAgent spawn
  • startup key entry + background prewarm 개선
  • Main/SubAgent prompt override UI
  • planner / architect / frontend / backend / mobile / remember 역할 추가
  • Memory 페이지 + durable memory record correction UI
  • role ordinal 표시, 질의별 workdir + zip 다운로드
  • SubAgent live output / pid / port / model 표시
  • Focused Analysis View / HITL 강조 UI

한 줄 결론

이 프로젝트는 DeepAgents 개념을 기반으로,
장기 메모리, 동적 SubAgent, 파일별 계층 추천 + 사람 편집이 가능한 mid-session Human in the Loop, 질의별 workdir, WebUI 기반 실시간 분석을 결합한 실행형 코딩 에이전트다.

About

Coding AI Agent v2

Resources

Readme
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages