요약: AI 코딩 에이전트 10개를 동시에 실행하려면, 각 에이전트를 계속 지켜봐야 하는 터미널로 취급하는 것부터 멈춰야 합니다. 작업 단위를 개별 태스크로 전환하고, 연결된 Computer의 격리된 워크트리(worktree)에서 각 태스크마다 에이전트 실행을 할당하세요. 후속 피드백은 태스크 댓글로 남기고, 반복적인 작업은 이벤트 트리거가 시작하도록 설정하면 됩니다. 이제 세션이 아니라 결과물만 검토하세요.
터미널 탭 10개를 띄우지 않고도 AI 코딩 에이전트 10개를 동시에 실행할 수 있으며, 이때 가장 먼저 부딪히는 한계는 모델이 아닙니다. DeepSeek Harness 팀은 자신들의 에세이 "슈퍼 에이전트 설계 탐구(Exploring Super-agent Design)"에서 다음과 같이 명확히 지적합니다. 한 사람이 동시에 파악할 수 있는 활성 세션은 보통 3~5개에 불과합니다. 그 이상이 되면 사람이 바로 병목이 됩니다.
이들이 제시한 해법은 '슈퍼 에이전트(super-agent)'입니다. 사람과 소통하며 격리된 여러 워커(Worker)에게 작업을 분배하는 단 하나의 코디네이터를 두는 방식입니다. 이 에세이는 실제 출시된 제품이 아닌 아키텍처를 설명하고 있습니다. 이 가이드에서는 기존에 사용 중인 Claude Code나 Codex 환경을 바탕으로 팀이 지금 바로 Sharkly 보드에서 운영할 수 있는 간소화된 버전을 소개합니다.
한 가지 솔직한 차이점이 있습니다. DeepSeek의 코디네이터는 누가 어떤 작업을 할지 스스로 결정하는 LLM이지만, 보드 방식에서는 사람이 직접 결정하며 모든 결정이 기록으로 남는다는 점입니다.
터미널 10개 방식이 한계에 부딪히는 이유
직접 수동으로 다룰 때는 에이전트 2~3개까지는 괜찮습니다. 하지만 10개가 되면 4가지 문제가 한꺼번에 발생합니다.
- 사람이 라우터가 됩니다. 모든 프롬프트, "계속 진행해(continue)"라는 입력, 모든 후속 요청이 사람의 손을 거쳐야 합니다.
- 컨텍스트가 뒤섞입니다. 인증(auth) 브랜치에 들어가야 할 수정 사항이 결제(billing) 세션에 들어가거나, 두 에이전트가 동일한 체크아웃 코드를 수정하여 서로 덮어쓰는 일이 발생합니다.
- 노트북이 서버 역할을 합니다. 노트북 화면을 닫으면 모든 세션이 일시 중단됩니다. 오래 걸리는 작업을 처리하려면 계속 켜져 있는 호스트가 필요합니다.
- 기록이 남지 않습니다. 실행에 문제가 생겨도 작업 내역은 이미 닫아버린 터미널 스크롤백 버퍼에만 남아 사라집니다.
이러한 비용에 대해서는 너무 많은 터미널(Too Many Terminals) 글에서 다룬 바 있습니다. 해결책은 조율 작업을 사람의 머릿속에서 상태를 보존할 수 있는 시스템으로 옮기는 것입니다.
DeepSeek 슈퍼 에이전트를 보드에 매핑하기
DeepSeek 아키텍처의 각 구성 요소는 태스크 보드의 기능으로 직관적으로 대응됩니다.
| DeepSeek 구성 요소 | 에세이에서의 역할 | Sharkly 보드에서의 대응 |
|---|---|---|
| Router | 사람과 대화하고 작업을 분배하며 직접 실행하지 않는 단일 장기 세션. 가벼운 모델로도 충분함 | 보드 및 태스크를 할당하는 사람 |
| Workers | 태스크당 격리된 세션 1개, 가장 강력한 모델 사용, 사람과 직접 대화하지 않음 | 자체 워크트리에서 실행되는 태스크당 에이전트 실행 1개 |
| Threads | 동일한 PR이나 채팅 주제에 대한 후속 요청이 구독된 워커로 곧바로 전달됨 | 태스크에 달린 댓글이 할당된 에이전트를 깨움 |
| Triggers | 1차로 코드(허용 목록)에 의해 필터링된 후, 2차로 모델(프롬프트 형태의 정책)에 의해 필터링되는 이벤트 | 상태, 댓글 문구, 웹훅 또는 일정 기반 자동화 |
| BYOM (bring your own hardware) | 에이전트 루프는 클라우드에서 실행되고, 경량 데몬을 통해 자체 하드웨어 환경을 활용 | Sharkly Desktop 또는 Sharkly CLI를 통해 연결된 Computer |
| Watchdog | 무한 루프에 빠지거나 원래 의도에서 벗어난 워커를 감지하는 외부 세션 | 정기 점검 + 실행 기록 및 사람의 검토 관문 |
이 2단계 트리거 필터링은 그대로 적용할 만한 훌륭한 패턴입니다. 잘못된 리포지토리나 상태 등 코드로 걸러낼 수 있는 것을 먼저 거절하고, 그 후에만 모델이 이벤트를 확인합니다. 보드에서는 트리거가 코드 필터 역할을 하고, 자동화(Automation) 지침이 정책 프롬프트 역할을 수행합니다.
Sharkly 보드에서 AI 코딩 에이전트 10개를 실행하는 방법
처음부터 10개로 시작할 필요는 없습니다. 3개로 시작해 작업 루프를 검증한 다음 점진적으로 늘려가세요.
1단계: Computer를 연결하고 동시성 제한을 낮게 설정하기
Computer는 에이전트가 실행되는 호스트입니다. 노트북의 경우 Sharkly Desktop을 설치하고, 원격 호스트나 Linux 머신의 경우 Sharkly CLI와 로컬 서비스를 사용합니다.
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
로컬 서비스는 Claude Code, Codex 등 설치된 도구를 자동으로 감지하여 각각을 Runtime으로 등록합니다.
각 Computer에는 동시 실행 태스크 한도가 있습니다. Computers 문서에 따르면 임시 디렉터리 실행의 기본값은 해당 한도의 50%이며, 용량이 차면 추가 태스크는 대기열에 쌓입니다. 생각보다 낮게 시작하세요. 단일 Computer에서 3개의 병렬 실행으로 시작하는 것이 적절한 첫 테스트입니다.
코드 작업에는 임시 디렉터리 모드를 사용하세요. 각 실행마다 독립된 디렉터리가 할당되며, 리포지토리 실행 시 새로운 git worktree를 생성할 수 있어 두 에이전트가 동일한 체크아웃에 동시에 쓰는 일이 절대 없습니다. git 워크트리가 생소하다면 먼저 AI 코딩 에이전트에서 git 워크트리를 사용하는 방법을 읽어보세요.
2단계: 명확한 역할을 가진 에이전트 2~3개 만들기
에이전트가 10개라고 해서 10가지 인격을 의미하는 것은 아닙니다. 몇 가지 역할을 정의하고, 각 역할이 여러 태스크를 실행하도록 하는 것을 뜻합니다.
- Builder: 코드 변경 사항을 작성합니다. DeepSeek이 Worker에 적용한 것처럼 가장 뛰어난 모델을 배정하세요.
- Reviewer: diff와 태스크의 인수 조건(acceptance check)을 검토하고 피드백을 댓글로 남깁니다.
- Fixer: 실패한 테스트와 리뷰 댓글을 확인하여 코드를 수정합니다.
에이전트, Crew, Computer는 시트(계정 수)를 차지하지 않으므로, 새 역할을 추가해도 추가 비용이 발생하지 않습니다.
3단계: 독립적으로 실행 가능한 태스크 작성하기
병렬 구성의 대부분이 이 단계에서 실패합니다. 아직 병합되지 않은 다른 태스크의 코드에 의존하는 태스크는 진행이 멈추거나 충돌을 일으키게 됩니다.
각 태스크를 작성할 때는 세 가지 요소를 명시해야 합니다. 단일 결과물, 담당하는 파일 또는 모듈, 그리고 누구나 실행해 볼 수 있는 검증 절차입니다. "/api/upload에 속도 제한 추가, npm test -- upload 통과" 같은 구체적인 태스크는 잘 작동하지만, "API 개선" 같은 모호한 태스크는 제대로 작동하지 않습니다.
두 태스크가 동일한 파일을 수정해야 한다면 순차적으로 실행하세요.
4단계: 태스크 할당 및 후속 작업을 태스크 내에서 관리하기
각 태스크를 에이전트에 할당합니다. 백로그(Backlog) 외부에 있는 태스크는 즉시 실행을 시작할 수 있고, 백로그에 있는 태스크는 준비 상태(ready)로 이동할 때까지 대기합니다.
후속 작업 요청은 별도의 메신저나 채팅이 아니라 반드시 태스크 댓글로 남겨야 합니다. 에이전트가 할당된 태스크에 팀원이 댓글을 남기면 후속 실행이 대기열에 추가되며, Sharkly는 짧은 시간 안에 연속으로 달리는 댓글을 하나로 묶어 중복 실행이 걸리지 않도록 처리합니다. 이것이 바로 대화가 작업에 계속 연결되어 있도록 하는 DeepSeek의 스레드(Thread) 개념입니다.
/revise와 같은 정해진 문구와 함께 변경 요청 내용을 작성하면 후속 작업을 쉽게 식별할 수 있습니다.
5단계: 반복 이벤트를 자동화(Automation)로 전환하기
Automation은 지침(instructions)을 에이전트 또는 Crew, 그리고 하나 이상의 트리거와 연결합니다. Automations 문서에 따르면 수동 실행(Run now) 외에 다음 4가지 트리거 유형을 지원합니다.
- 일정(Schedule): 5개 필드로 구성된 cron 표현식 및 시간대.
- 태스크 상태(Task status): 태스크가 지정된 상태로 이동할 때 실행.
- 댓글 문구(Comment phrase): 댓글에 특정 문구가 포함되었을 때 대소문자 구분 없이 실행.
- 웹훅(Webhook): POST 요청을 수신하는 보안 URL(선택적 요청 서명 지원).
문서에서 주의할 점이 하나 있습니다. 현재 상태 및 댓글 일치 조건은 단일 Space로 한정되지 않고 조직 전체 단위로 적용됩니다. 따라서 에이전트가 트리거된 태스크(제목 접두사, 소속 Space)를 먼저 확인하고 일치하지 않으면 작업을 중단하도록 지침을 작성해야 합니다. 이것이 바로 프롬프트 형태로 구현된 DeepSeek의 2단계 필터링입니다.
6단계: 감시자(Watchdog) 및 사람 검토 관문 추가하기
DeepSeek은 무한 루프에 빠지거나 의도와 다르게 동작하는 워커를 감지하기 위해 별도의 감시자(Watchdog)를 실행합니다. Sharkly가 기록하는 실행 상태(queued, running, completed, failed, canceled)를 활용해 일반적인 실행 시간을 크게 초과한 작업을 표시해 주는 정기 실행 자동화를 구성하면 이와 유사한 효과를 얻을 수 있습니다.
그리고 프로세스 마지막 단계에는 사람을 배치하세요. 병합하기 전에 사람이 diff를 검토하고 승인하는 검토(review) 상태를 두는 것입니다. 결국 병렬 처리의 실질적인 상한선은 사람의 검토 용량에 의해 결정되므로, 에이전트를 5개 이상으로 확장하기 전에 사람의 검토가 병목이다(Human Review Is the Bottleneck)를 읽어보시기 바랍니다. 에이전트가 실행되는 동안 확인해야 할 항목에 대해서는 병렬로 실행되는 코딩 에이전트를 모니터링하는 방법을 참고하세요.
10개를 실행하는 데 드는 비용
비용은 모델 토큰 비용과 조율 레이어 비용, 두 가지로 나뉩니다.
토큰 비용: Sharkly는 토큰을 판매하지 않습니다. 실행 시 발생하는 비용은 Runtime에 이미 연결된 Claude Code, Codex 또는 API 플랜을 통해 청구됩니다. 그 이유는 에이전트 플랫폼이 토큰을 판매해서는 안 되는 이유에서 설명해 두었습니다.
병렬 처리는 토큰 비용을 수반합니다: 이와 관련해 DeepSeek의 자체 테스트 결과가 유용합니다. 약 20건의 작업 요청에 대해 약 300개의 메시지로 코딩 시뮬레이션을 5회씩 실행했으며, 그 결과는 대략적인 지표를 보여줍니다.
| 구성 (DeepSeek 수치) | p50 작업 시간 | p95 작업 시간 | 실행당 캐시 읽기 토큰 |
|---|---|---|---|
| 슈퍼 에이전트 | 12.4분 | 15.7분 | 23.2M |
| 단일 세션 + 서브에이전트, 중립 프롬프트 | 20.4분 | 29.5분 | 6.1M |
| 단일 세션 + 서브에이전트, 위임 우선 프롬프트 | 13.8분 | 29.0분 | 10.8M |
중립 프롬프트를 사용한 세션은 5회의 실행 동안 단 한 번도 작업을 위임하지 않았습니다. 즉, 더 많은 토큰을 소모하는 대신 더 짧고 안정적인 작업 시간을 얻는 트레이드오프가 존재합니다. Sharkly 측에서 이 테스트를 직접 재실행해 보지는 않았습니다.
플랫폼 비용: 2026년 11월 4일 기준 Sharkly 요금제에 따르면, 최대 5인 규모의 조직까지는 현재 무료로 제공됩니다. Team 플랜은 연간 결제 시 1인당 월 $7입니다. 시트는 오직 실제 인원수만 계산합니다.
이 패턴이 적합한 작업 환경
- 백로그 소진: 독립적인 20개의 작은 이슈를 태스크별로 나누어 Builder와 Reviewer 에이전트를 함께 실행할 때.
- 업그레이드 후 테스트 복구: 실패한 패키지마다 개별 태스크를 생성하고 각각 독립된 워크트리에서 실행할 때.
- 문서와 코드의 동기화: 기능 구현 태스크가 검토 상태로 넘어가면 상태 트리거가 문서화 에이전트를 시작할 때.
- 야간 대기열 처리: 절전 모드로 들어가지 않는 원격 Computer에서 밤새 태스크를 실행해 두고 아침에 검토할 때.
에이전트를 어디에서 실행해야 할지 비교해 보고 싶다면 Codex Cloud 대 자체 Computer 비교를 참고하세요.
3개부터 시작하세요
병렬 에이전트 10개 운영은 목표이자 결과이지, 출발점이 아닙니다. 먼저 Computer 1대를 연결하고, Builder와 Reviewer를 생성한 뒤, 검증 가능한 결과물이 있는 태스크 3개를 작성해 할당해 보세요. 실행, 댓글 피드백, 후속 처리, 검토로 이어지는 전체 사이클을 1회 지켜봅니다. 이 사이클이 익숙해지면 동시 실행 수를 2개 늘리고 자동화를 1개씩 추가해 나가세요.
FAQ
한 사람이 관리할 수 있는 AI 코딩 에이전트는 몇 개인가요?
DeepSeek 팀에 따르면 각 세션을 직접 모니터링할 경우 3~5개가 한계라고 합니다. 하지만 명확한 결과물이 정의된 태스크 형태로 관리하면 세션을 실시간으로 지켜보는 대신 결과물만 검토하면 되므로 훨씬 더 많은 에이전트를 운영할 수 있습니다.
동일한 리포지토리에서 여러 Claude Code 에이전트를 실행할 수 있나요?
네, 각 실행이 독립된 디렉터리에서 작업한다면 가능합니다. 임시 디렉터리 모드는 각 태스크에 격리된 디렉터리를 제공하며, 리포지토리 실행 시 새로운 git 워크트리를 생성할 수 있으므로 병렬로 동작하는 에이전트들이 서로의 변경 사항을 덮어쓰지 않습니다.
Computer가 감당할 수 있는 것보다 더 많은 태스크를 할당하면 어떻게 되나요?
초과된 태스크는 대기열에 쌓입니다. 각 Computer에는 동시 태스크 한도가 있어 여유 용량이 생길 때마다 실행이 순차적으로 시작됩니다. Computer가 오프라인 상태이거나 관련 Runtime을 사용할 수 없는 경우에도 대기열에서 기다립니다.
에이전트를 병렬로 실행하려면 클라우드 서버가 필요한가요?
아닙니다. Sharkly Desktop을 사용하면 일반 노트북도 Computer로 활용할 수 있습니다. 장시간 실행하거나 야간에 실행해야 하는 작업의 경우, Sharkly CLI로 연결된 원격 호스트나 Linux 머신을 사용하면 노트북이 절전 모드에 들어가도 중단 없이 계속 실행할 수 있습니다.
보드 방식은 DeepSeek의 슈퍼 에이전트와 동일한가요?
완전히 같지는 않습니다. DeepSeek의 Router는 작업을 스스로 배분하는 LLM입니다. 반면 보드 방식에서는 사람이 직접 태스크를 할당하고, 자동화(Automation)가 반복적인 이벤트를 처리합니다.
