🥊 맛대결 · 같은 일을 하는 레포 견주기

AI 에이전트 맛대결: 플러그인·독립 에이전트·교과서·웹 데이터 공급기

같은 'AI 에이전트' 카테고리라도 성격은 제각각입니다. ECC는 Claude Code 위에 작업 순서를 얹는 플러그인, hermes-agent는 스스로 학습하는 독립형 에이전트, learn-claude-code는 에이전트 내부 동작을 가르치는 교과서, firecrawl은 에이전트에게 웹 데이터를 공급하는 도구입니다. 넷을 나란히 두고 '내가 지금 뭐가 필요한지' 기준으로 비교합니다.

AI 에이전트참가 4곳 · 착한밥상 3곳

왜 이들을 묶었나 — AI 에이전트를 처음 다루는 사람은 보통 네 가지 질문 중 하나에서 출발합니다. '기존 도구에 워크플로를 더하고 싶다(ECC)', '독립적으로 돌아가는 에이전트를 운영하고 싶다(hermes-agent)', '에이전트가 내부에서 뭘 하는지 먼저 이해하고 싶다(learn-claude-code)', '에이전트에게 깨끗한 웹 데이터를 먹이고 싶다(firecrawl)'. 이 네 레포는 같은 카테고리 안에서 서로 경쟁하기보다 역할이 겹치지 않아, 설치 난이도·성능·유지보수·학습곡선을 기준으로 놓고 보면 각자 어떤 상황에 맞는지가 뚜렷하게 드러납니다.

🏆 간판 메뉴 · 이 카테고리의 첫 선택

shareAI-lab/learn-claude-code

Claude 기반 AI 에이전트의 실제 동작 원리를 배우는 20단계 하네스 엔지니어링 교과서

왜 이걸 골랐나 — 네 레포 모두 신뢰도 지표가 아직 낮은 초기 단계라 어느 것도 '안정적인 기본값'은 아닙니다. 이런 상황에서 이 카테고리를 처음 여는 사람에게는 운영 인프라 없이 클론만으로 시작할 수 있고, 20단계로 난이도를 점진적으로 올려 에이전트 하네스가 실제로 어떻게 동작하는지 직접 체득하게 해주는 learn-claude-code가 가장 안전한 첫걸음입니다. 여기서 얻은 이해를 바탕으로 ECC·hermes-agent·firecrawl 중 필요한 도구를 골라 쓰면 됩니다.

🍚 착한밥상신뢰도 1.56Python · MIT

착한밥상 심층 해설 보기 🧪 한 줄로 맛보기

CORE · 차원별 비교

여섯 가지 차원으로 견줬습니다

차원	affaan-m/ECC후보	NousResearch/hermes-agent🍚 착한밥상	shareAI-lab/learn-claude-code🍚 착한밥상	firecrawl/firecrawl🍚 착한밥상
install셋업까지 걸리는 품	플러그인 설치Claude Code에 플러그인 형태로 얹는 구조라, 별도 서버나 DB 없이 명령 한 번으로 워크플로가 추가됩니다.	다중 백엔드 컨테이너Docker에서 SQLite를 직접 빌드하고 s6-overlay로 여러 프로세스를 띄우는 등, 7가지 실행 백엔드를 고려한 구성이라 초기 셋업이 무겁습니다.	클론 후 바로 시작커리큘럼 자료라 git clone과 단계별 실습 환경만 있으면 되고, 운영 인프라를 구축할 필요가 없습니다.	다중 스토리지 셀프호스트Redis·FoundationDB·ClickHouse에 Rust/Go 네이티브 빌드까지 필요해 셀프호스팅은 복잡하며, 호스팅 API를 쓰면 난이도가 크게 낮아집니다.
scale실제 운영 규모로 버티는 힘	워크플로 보조 수준실행 엔진이 아니라 기존 Claude Code 위에 순서·에이전트를 덧붙이는 플러그인이라, 규모와 성능은 호스트 도구에 종속됩니다.	멀티 제공사·멀티 백엔드Anthropic·OpenAI·Gemini 등 여러 LLM과 로컬/도커/샌드박스 7종 백엔드를 지원하지만, 신뢰도 지표는 아직 초기 단계입니다.	학습용, 운영용 아님교과서적 20단계 구성이라 실제 트래픽이나 규모를 감당하는 설계가 아닙니다.	크롤링 전용 고성능 엔진HTML 파싱·링크 필터링을 Rust 네이티브 모듈로, 마크다운 변환을 Go 라이브러리로 오프로드해 대량 크롤링을 전제로 설계되었습니다.
maint코드가 계속 돌봐지고 있는가	후보(관찰중)신뢰도 지표가 '후보' 단계로 표시되어 있어, 아직 활동 추이를 지켜봐야 하는 초기 플러그인입니다.	CI 파이프라인 촘촘lint·test·e2e·공급망 감사(osv-scan)까지 CI에 포함되어 있어 코드 품질 관리 체계가 갖춰져 있습니다.	콘텐츠형 저장소커리큘럼 자료 특성상 지속적인 기능 추가보다는 내용 보완 위주로 업데이트될 가능성이 큽니다.	다중 언어 빌드 파이프라인 운영Node·Rust·Go를 함께 컴파일하는 Dockerfile과 과금 연동 테스트까지 갖춘 것으로 보아 지속적으로 손이 타는 서비스형 레포입니다.
curve처음 만졌을 때 이해까지 걸리는 시간	기존 도구에 얹기만Claude Code를 이미 쓰고 있다면 계획→테스트→구현→리뷰 순서와 전문 에이전트 개념만 익히면 되어 진입 장벽이 낮습니다.	구성요소가 많음어댑터·학습 그래프·ACP·LSP까지 모듈이 많아, 전체 구조를 파악하는 데 시간이 걸립니다.	학습이 목적인 설계20단계로 난이도를 점진적으로 올리도록 짜여 있어, 에이전트 하네스 개념을 처음 배우기에 가장 친절합니다.	API는 쉽고 내부는 복잡스크래핑 API 호출 자체는 단순하지만, 엔진 선택 로직이나 크롤링 스코프 규칙 같은 내부 동작까지 이해하려면 복잡도가 올라갑니다.
라이선스상업적 사용	✅ MIT	✅ MIT	✅ MIT	➖ AGPL-3.0
용도 적합어디에 맞나	Claude Code 사용자가 작업 순서를 체계화하고 싶을 때 가장 가볍게 더할 수 있는 선택입니다.	여러 메신저·LLM을 오가며 장기적으로 경험을 쌓는 개인 비서형 에이전트를 운영하려는 사람에게 맞습니다.	에이전트 프레임워크를 고르기 전에 내부 동작 원리부터 체득하고 싶은 학습자에게 적합합니다.	AI 에이전트가 웹 콘텐츠를 안정적으로 읽어오게 해줄 데이터 수집 계층이 필요한 경우에 맞습니다.

affaan-m/ECC후보

install플러그인 설치Claude Code에 플러그인 형태로 얹는 구조라, 별도 서버나 DB 없이 명령 한 번으로 워크플로가 추가됩니다.

scale워크플로 보조 수준실행 엔진이 아니라 기존 Claude Code 위에 순서·에이전트를 덧붙이는 플러그인이라, 규모와 성능은 호스트 도구에 종속됩니다.

maint후보(관찰중)신뢰도 지표가 '후보' 단계로 표시되어 있어, 아직 활동 추이를 지켜봐야 하는 초기 플러그인입니다.

curve기존 도구에 얹기만Claude Code를 이미 쓰고 있다면 계획→테스트→구현→리뷰 순서와 전문 에이전트 개념만 익히면 되어 진입 장벽이 낮습니다.

라이선스✅ MIT

용도 적합Claude Code 사용자가 작업 순서를 체계화하고 싶을 때 가장 가볍게 더할 수 있는 선택입니다.

NousResearch/hermes-agent🍚 착한밥상

install다중 백엔드 컨테이너Docker에서 SQLite를 직접 빌드하고 s6-overlay로 여러 프로세스를 띄우는 등, 7가지 실행 백엔드를 고려한 구성이라 초기 셋업이 무겁습니다.

scale멀티 제공사·멀티 백엔드Anthropic·OpenAI·Gemini 등 여러 LLM과 로컬/도커/샌드박스 7종 백엔드를 지원하지만, 신뢰도 지표는 아직 초기 단계입니다.

maintCI 파이프라인 촘촘lint·test·e2e·공급망 감사(osv-scan)까지 CI에 포함되어 있어 코드 품질 관리 체계가 갖춰져 있습니다.

curve구성요소가 많음어댑터·학습 그래프·ACP·LSP까지 모듈이 많아, 전체 구조를 파악하는 데 시간이 걸립니다.

라이선스✅ MIT

용도 적합여러 메신저·LLM을 오가며 장기적으로 경험을 쌓는 개인 비서형 에이전트를 운영하려는 사람에게 맞습니다.

shareAI-lab/learn-claude-code✅ 간판 메뉴

install클론 후 바로 시작커리큘럼 자료라 git clone과 단계별 실습 환경만 있으면 되고, 운영 인프라를 구축할 필요가 없습니다.

scale학습용, 운영용 아님교과서적 20단계 구성이라 실제 트래픽이나 규모를 감당하는 설계가 아닙니다.

maint콘텐츠형 저장소커리큘럼 자료 특성상 지속적인 기능 추가보다는 내용 보완 위주로 업데이트될 가능성이 큽니다.

curve학습이 목적인 설계20단계로 난이도를 점진적으로 올리도록 짜여 있어, 에이전트 하네스 개념을 처음 배우기에 가장 친절합니다.

라이선스✅ MIT

용도 적합에이전트 프레임워크를 고르기 전에 내부 동작 원리부터 체득하고 싶은 학습자에게 적합합니다.

firecrawl/firecrawl🍚 착한밥상

install다중 스토리지 셀프호스트Redis·FoundationDB·ClickHouse에 Rust/Go 네이티브 빌드까지 필요해 셀프호스팅은 복잡하며, 호스팅 API를 쓰면 난이도가 크게 낮아집니다.

scale크롤링 전용 고성능 엔진HTML 파싱·링크 필터링을 Rust 네이티브 모듈로, 마크다운 변환을 Go 라이브러리로 오프로드해 대량 크롤링을 전제로 설계되었습니다.

maint다중 언어 빌드 파이프라인 운영Node·Rust·Go를 함께 컴파일하는 Dockerfile과 과금 연동 테스트까지 갖춘 것으로 보아 지속적으로 손이 타는 서비스형 레포입니다.

curveAPI는 쉽고 내부는 복잡스크래핑 API 호출 자체는 단순하지만, 엔진 선택 로직이나 크롤링 스코프 규칙 같은 내부 동작까지 이해하려면 복잡도가 올라갑니다.

라이선스➖ AGPL-3.0

용도 적합AI 에이전트가 웹 콘텐츠를 안정적으로 읽어오게 해줄 데이터 수집 계층이 필요한 경우에 맞습니다.

참가 레포 · 4곳

각자 무엇을 잘하고, 무엇을 포기했나

레포명을 누르면 착한밥상은 심층 해설로, 관찰 중은 레포 상세로

affaan-m/ECC관찰 중

Claude Code 등 AI 코딩 에이전트에 '계획→테스트→구현→리뷰' 작업 순서와 전문 에이전트·스킬을 추가하는 플러그인.

👍 장점

Claude Code에 바로 얹는 플러그인이라 설치가 가볍습니다
계획→테스트→구현→리뷰 순서를 강제해 작업 품질을 표준화합니다
전문 에이전트·스킬 단위로 역할을 나눠 쓸 수 있습니다

👎 단점

아직 '후보(관찰중)' 단계로 신뢰도 지표가 낮습니다
독립 실행형 에이전트가 아니라 호스트 도구(Claude Code)에 종속됩니다
대규모 운영이나 멀티 채널 대화에는 쓰이지 않습니다

JavaScriptMIT신뢰도 1.67심층 해설 →

NousResearch/hermes-agent🍚 착한밥상

자체 학습 루프를 갖춘 자가 개선형 AI 에이전트로, 경험으로부터 스킬을 생성하고 대화 기록을 검색하며 사용자 모델을 구축한다.

👍 장점

대화 경험에서 스킬을 생성·검색하는 자기학습 루프를 갖췄습니다
텔레그램·디스코드·슬랙 등을 하나의 게이트웨이로 묶어 어디서든 같은 에이전트와 대화할 수 있습니다
LLM 제공사·실행 백엔드를 코드 변경 없이 바꿔 쓸 수 있습니다
lint/test/e2e/공급망 감사까지 CI가 구성돼 있습니다

👎 단점

어댑터·학습 그래프·ACP·LSP 등 구성요소가 많아 전체 구조 파악에 시간이 걸립니다
Docker 빌드에서 SQLite를 직접 빌드하는 등 초기 셋업이 무겁습니다
신뢰도 지표가 아직 초기 단계(1.62)에 머물러 있습니다

PythonMIT신뢰도 1.62심층 해설 →

shareAI-lab/learn-claude-code🍚 착한밥상

Claude 기반 AI 에이전트의 실제 동작 원리를 배우는 20단계 하네스 엔지니어링 교과서

👍 장점

20단계로 난이도를 점진적으로 설계해 처음 배우기 친절합니다
Claude 기반 에이전트의 실제 동작 원리(하네스 엔지니어링)를 직접 익힐 수 있습니다
운영 인프라 없이 클론만으로 시작할 수 있습니다

👎 단점

실제 서비스나 운영에 바로 쓸 수 있는 제품이 아닙니다
성능·규모 측면에서 평가할 대상이 아닙니다
콘텐츠 보완 위주라 기능적 업데이트 활력은 기대하기 어렵습니다

PythonMIT신뢰도 1.56심층 해설 →

firecrawl/firecrawl🍚 착한밥상

웹사이트를 마크다운·JSON·스크린샷 등 AI가 바로 쓸 수 있는 형식으로 변환하는 웹 크롤러

👍 장점

HTML 파싱·크롤링 스코프 필터링을 Rust 네이티브 모듈로 처리해 성능을 확보했습니다
마크다운/JSON/스크린샷 등 LLM이 바로 쓸 형태로 결과를 변환해줍니다
검색·스크래핑·크롤링을 API 하나로 통합 제공합니다
크레딧·과금 로직까지 테스트로 커버된 서비스형 구조입니다

👎 단점

셀프호스팅 시 Redis·FoundationDB·ClickHouse 등 스토리지 의존성이 많습니다
AGPL-3.0 라이선스라 상용 배포 시 라이선스 검토가 필요합니다
에이전트 자체가 아니라 에이전트에게 데이터를 공급하는 도구라 단독으로 '에이전트' 역할을 하지는 않습니다

TypeScriptAGPL-3.0신뢰도 1.55심층 해설 →

이럴 땐 이거

용도별 추천

Claude Code를 쓰는데 매번 계획-구현-리뷰 순서를 손으로 챙기기 귀찮다면?

affaan-m/ECC

기존 Claude Code에 플러그인으로 얹어 작업 순서와 전문 에이전트/스킬을 자동으로 붙여주므로, 별도 인프라 없이 바로 워크플로를 표준화할 수 있습니다.

여러 메신저·LLM을 넘나들며, 경험으로 스스로 똑똑해지는 에이전트를 원한다면?

NousResearch/hermes-agent

텔레그램·디스코드·슬랙 등을 하나의 게이트웨이로 묶고, 대화에서 스킬을 생성·검색하는 학습 루프를 갖춰 장기 운영형 에이전트에 적합합니다.

에이전트 프레임워크를 고르기 전에 하네스가 내부에서 실제로 무엇을 하는지부터 이해하고 싶다면?

shareAI-lab/learn-claude-code

20단계로 쪼갠 커리큘럼을 따라가며 Claude 기반 에이전트의 동작 원리를 직접 구현해보고 체득할 수 있습니다.

에이전트가 웹 페이지를 읽고 판단할 수 있도록 깨끗한 마크다운·JSON 컨텍스트가 필요하다면?

firecrawl/firecrawl

크롤링·스크래핑 결과를 LLM이 바로 소비할 수 있는 형태로 변환해주는 전용 '웹 컨텍스트 API'로, 에이전트의 눈 역할을 맡길 수 있습니다.

어떤 기준으로 견줬나

맛대결은 순위표가 아닙니다. 아래 여섯 차원은 “설치해서 실제로 쓸 때 결과가 갈리는 지점”만 골랐고, 등급은 검증단이 각 레포를 실제 설치·실행해 남긴 기록과 공개 저장소 데이터에 근거합니다.

설치 난이도문서만 보고 첫 응답까지 도달하는 데 걸린 시간과 실패 지점 수

성능 · 규모동시 요청 처리 구조(배칭·캐시)와 저사양 대응 범위

유지보수 활력최근 커밋 빈도, 릴리스 주기, 이슈 응답 시간

라이선스상업적 사용·사내 배포 시 제약 여부

학습곡선사전 지식 요구량, 예제·문서의 언어별 완결성

용도 적합개인·팀·엣지 중 어디에 설계 의도가 맞춰져 있는가

등급은 절대 점수가 아니라 이 대결 안에서의 상대 비교입니다 · 착한밥상 배지는 4개 관문(안전·실속·살아있음·숙성)을 통과한 레포에만 붙습니다 · 관찰 중 표기는 숙성 기간이 아직 차지 않은 경우입니다.

지난 맛대결

4회차

지금 보고 있는 최신 회차는 무료입니다. 그 앞의 4회차는 깃밥 PRO에서 열립니다 — 같은 카테고리가 회차를 거치며 어떻게 바뀌었는지 견주는 기록입니다.

깃밥 PRO 전용 · 지난 회차 맛대결 전문 — 회차별 6차원 비교 · 간판 선정 이유 · 참가 레포 장단점

최신 회차 맛대결 전문 — 지금처럼 무료로 열립니다.

깃밥 PRO 알아보기 →