One
내 컴퓨터에서 돌아가는 개인 에이전트
요청을 받으면 Work 세션을 만들어 에이전트에게 작업을 배정합니다. 결정이 필요한 지점에서는 질문 카드를 보내고, 결과물은 파일로 대화에 첨부합니다.
요청 → Work 세션 → 질문 카드 → 결과 파일
One 자세히 보기Model-agnostic · Runtime-free · Long-horizon agent infrastructure
작업을 넘어, 프로젝트를 리딩하는 에이전트.
어떤 모델이든, 어느 런타임에서든. 기업의 프로젝트도 개인의 프로젝트도, 스스로 전문가 팀을 헤드헌팅해 끝까지 완주하는 장기 자율 에이전트 인프라.
Claude Code · Codex · Cursor · Antigravity · Agentlas Desktop에서 실행 · 지원되는 실행에서는 쿼터가 소진되면 다음 모델로 전환
연출된 데모입니다. 화면 속 앱과 이름은 예시입니다.
여러 생태계를 오가도록 만들었습니다
OPENAI
ANTHROPIC
DEEPSEEK
Z.AI
META
SPACEX
UPSTAGE
NVIDIA
NOTION
TELEGRAMProducts
개인 업무부터 회사 조직까지, 다섯 가지 제품.
개인 에이전트 One, 모바일 앱, 투자 리서치용 Finance, 연구용 Science, 조직용 Business.
Mobile
데스크탑 작업을 폰에서 확인하고 결정
페어링한 컴퓨터의 Agentlas Desktop이 작업을 실행합니다. 폰에서는 같은 대화를 읽고, 질문 카드에 답하고, 프로젝트와 메일을 확인합니다.
페어링 → 폰에서 요청 → 데스크탑 실행 → 폰에서 확인
모바일 앱 자세히 보기Finance
투자 리서치 기준을 Analyst로 저장
가치, 성장, 배당, ETF 프로필에서 시작해 내 기준으로 고칩니다. 자산과 내 데이터, 출처를 확인해 보고서를 만들고, 계산에 쓴 입력값을 함께 남깁니다.
기준 저장 → 분석 실행 → 입력값이 포함된 보고서
Finance 자세히 보기Science
분자 구조 탐색과 논문 원고 작성을 한 앱에서
분자를 3D로 보고, 문헌 근거와 그림을 모아 조판된 원고로 정리합니다. Agentlas Desktop의 서명 확장으로 설치합니다.
구조 탐색 → 근거 정리 → 조판 원고
Science 자세히 보기Business
구성원, 키, 정책, 청구를 팀 단위로 관리
구성원을 초대하고 API 키와 사용 정책을 조직 단위로 정합니다. 좌석당 월 $18, 2석부터 시작합니다.
조직 생성 → 구성원 초대 → 키와 정책 설정
Business 자세히 보기화면 속 이름과 수치는 예시입니다.
01 / Autonomous headhunting
다른 곳에서 쪼개진 업무는 ‘프롬프트’지만, 이곳에서는 ‘채용 공고’입니다.
호스트 모델이 브리프를 역할별로 나누고, 역할마다 후보를 검색해 이번 프로젝트 전용 Task Force를 구성합니다.
브리프신제품 출시 프로젝트를 맡아 줘
Local내 컴퓨터의 에이전트
Agent Cloud내 비공개 보관함
Public Hub공개 에이전트
이번 프로젝트의 Task Force
시장 리서처Single agentLocal
가격 전략가Single agentAgent Cloud
출시 팀Packaged TeamPublic Hub
설명을 위한 예시입니다.
3-tier talent scouting
세 곳에서 후보 검색
내 컴퓨터의 에이전트, 비공개 Agent Cloud, 공개 Hub를 역할마다 검색합니다.
3-level org chart
세 가지 단위로 편성
단일 에이전트, 이번 프로젝트용 Task Force, 자체 매니저가 있는 Packaged Team을 섞어 씁니다.
Accountable selection
선택 이유를 기록
선택은 내가 고른 모델이 합니다. 역할마다 이유와 릴리스 버전을 기록하고, 모자란 도구는 화면에 표시합니다.
Work 세션 화면. 역할별 서브에이전트의 실행 기록을 열어 볼 수 있습니다.
Agent Hub 화면. 공개 에이전트와 팀을 검색합니다.
02 / Long-horizon project leading
장기 프로젝트를 위한 Goal Tree, 체크포인트, 별도 검증.
긴 목표는 전략목표와 하위목표의 트리로 나뉘고, 진행 상태는 체크포인트에 저장되며, 결과는 작업과 분리된 실행이 확인합니다.
목표 트리의 구조를 설명하는 예시 그림입니다.
- ① Goal Tree
실행 중에도 수정되는 목표 트리
긴 목표를 전략목표와 하위목표로 나눕니다. 막히는 지점이 생기면 가지를 고치고 새 하위목표를 추가합니다.
- ② Checkpoints
저장된 지점부터 재개
기획, 실행, 종합을 나눠 돌리고 진행 상태를 저장합니다. 앱을 닫아 멈춘 목표는 다시 켜면 저장된 지점부터 재개합니다. 실행 중에는 컴퓨터를 켜 두어야 합니다.
- ③ Receipt & Verifier
작업과 분리된 결과 확인
별도 실행이 결과를 확인하고 증거를 기록합니다. 실패가 확인된 목표는 완료로 닫히지 않습니다.
- ④ Agent Learning
반복된 교훈은 파일 변경안으로
서로 다른 실행 세 번에서 같은 교훈이 나오면 에이전트 파일의 변경안을 제안합니다. 적용 여부는 diff를 읽고 직접 정합니다.
Agentlas Desktop의 목표 패널. 최종목표, 전략목표, 하위목표와 진행 상황을 표시합니다.
03 / Zero lock-in architecture
모델은 추론할 뿐, 프로젝트를 이끄는 건 방법론입니다.
LLM, Runtime, Agent를 분리했습니다. 모델이나 코딩 환경을 바꿔도 에이전트 패키지는 그대로 씁니다.
01 / LLM
Claude, GPT, Gemini, 로컬 모델 연결
쿼터가 소진되면 지원되는 대화 실행은 우선순위상 다음 모델로 전환합니다. 장기 목표는 다음 체크포인트에서 전환합니다.
Claude Code쿼터 소진
Codex전환되어 작업 중
Ollama대기
02 / Runtime
구독 CLI, API 키, 로컬 모델에서 실행
내 파일과 도구가 있는 컴퓨터에서 돌아갑니다. 지금 쓰는 도구에 그대로 설치합니다.
Claude CodeCodexCursorAntigravityGrokKimiGitHub Copilot CLIAgentlas DesktopOllamaLM StudioMLX
03 / Agent
에이전트는 패키지로 소유
스킬, 검증 루프, 메모리가 한 패키지에 들어갑니다. 패키지마다 A2A Agent Card가 생성되고, 다른 호스트로 옮겨도 같은 절차로 일합니다.
- Skills작업 절차
- Verification loop검증 절차
- Memory경험과 기억
- A2A Agent Card에이전트 정보
모델 선택 화면. 대화마다 다른 모델을 고를 수 있습니다.
04 / Local-first layered memory
매번 처음부터 설명할 필요 없는 4계층 메모리.
기억은 내 컴퓨터의 SQLite와 프로젝트 파일에 저장됩니다. Project Soul, Code Map, 지난 결정 중 작업과 관련된 부분만 자동으로 불러옵니다.
Personal
나에 대한 정보와 작업 습관
Project
Project Soul, Code Map, 지난 의사결정
Agent
에이전트별 작업 경험
Team
팀이 공유하는 맥락
One의 기억 화면. 저장된 기억을 항목별로 확인합니다.
첫 번째 프로젝트를 위임하세요.
Agentlas Desktop을 설치하고 로그인한 뒤 모델을 연결하면 시작할 수 있습니다.
AGENTLAS / UPDATES
Last updated
Save your research criteria as an Analyst, choose a supported AI connection, and keep the inputs behind a financial calculation. See the English Analyst interface and an illustrative Finance report export.
Agentlas Finance: build an Analyst around your investment method
Save your research criteria as an Analyst, choose a supported AI connection, and keep the inputs behind a financial calculation. See the English Analyst interface and an illustrative Finance report export.
Agentlas Team · Oct 20, 2026
MemorySphere: how session compaction connects to long-term memory
How structured checkpoints, automatic curation and scoped recall help an agent continue its work, with clear ownership and cache dependencies.
Agentlas Engineering · Oct 14, 2026
Agent Strategy: when the numbers move, the plan moves
Long-running Goals now keep their key results as host-checked numbers. A strategy changes only when a confirmed change in pace calls for it, within limits, and every change records the samples behind it.
Agentlas Engineering · Oct 11, 2026
AI Toolchains: Build Once, Reuse Across Tasks
Meet Agentlas AI Toolchains: turn recurring work into reusable capabilities, with AI-designed inputs, verified versions, and a clear boundary from task Graphs.
Agentlas Team · Oct 8, 2026
Creator Source Graph: trace sources and find where to publish
Trace Instagram, YouTube, X and Threads sources with your Codex or Claude Code subscription, then evaluate channels for publishing or listing your product.
Agentlas Engineering · Oct 4, 2026
Agent Mail: The First Step of Agent-to-Agent Communication
Alive Agents need a way to reach one another that survives a chat session. Agent Mail gives eligible One accounts an address and introduces verified Agentlas-to-Agentlas mail exchanges. Email as their main communication channel is the direction; this is the first step.
Agentlas Engineering · Sep 27, 2026
What Is an Alive Agent?
A purpose it cannot change, a body of pressures, two drives, a heartbeat, sleep, and an action record let the agent decide when to work within the owner's approved research contract. This essay explains those controls, their connection to biology, and their limits.
Agentlas Engineering · Sep 20, 2026
Automation Tools Are Not AI
n8n, Zapier, and Make splice a disposable LLM call into a deterministic pipeline and sell it as an agent. Agentlas Graph puts a real agent in that seat, runs free on your desktop, and packages the finished graph so anyone can install it with one button.
Agentlas Engineering · Aug 7, 2026
The AI talent companies need is a team leader, not just a developer
The hard part of an agent system is not choosing a model. It is defining the work, staffing the roles, setting authority, designing handoffs, and reviewing the result. Here is how Agentlas turns that management problem into an executable workforce.
Agentlas Engineering · Jul 28, 2026
Context Map: Keeping multi-session AI work globally coherent
A dependency-aware approach to preserving goals, constraints, decisions, and interfaces as complex AI work moves across sessions and agents.
Agentlas Research · Jul 26, 2026
How Agentlas remembers
Agentlas splits memory by who owns it and how long it stays true. Scoped local storage, lexical and vector recall, and governed experience let an agent reuse relevant learning without treating every past observation as universal context.
Agentlas Engineering · Jul 25, 2026
How Agentlas assembles a workforce
A host LLM can form a temporary task force from private Cloud packages, public Hub specialists, and local agents—while packaged teams, user-composed groups, and direct single agents keep different reporting structures.
Agentlas Engineering · Jul 15, 2026
Turn the agent you own into an app
Agentlas Site is connecting an owned agent, a purpose-built interface, and a publishable application without splitting them into separate products.
Agentlas Team · Jul 13, 2026
Stormbreaker turns one goal into a verified execution system
Goal holds the outcome. UltraCode turns it into concrete work. Stormbreaker assigns each packet to a connected runtime, model, and effort level, then keeps the final answer behind an evidence gate.
Agentlas Team · Jul 13, 2026
Stop moving agent folders between computers
Save the agents, skills, and experience you own to Agent Cloud, then route back to them from another supported, signed-in computer instead of rebuilding your setup from Drive, USB, or email attachments.
Agentlas Team · Jul 13, 2026