[심층분석] AI 에이전트를 과학자로 변신시키는 135개의 스킬 모음, K-Dense의 시도가 의미하는 것

AI가 논문을 읽고, 실험을 설계하고, 데이터를 분석하는 시대

요즘 AI 코딩 도구를 쓰다 보면 신기한 순간이 많아요. Cursor나 Claude Code 같은 도구한테 "이 코드 리팩토링해줘" 하면 척척 해주잖아요. 그런데 만약 이렇게 물어보면 어떨까요? "이 암 환자의 유전체 데이터를 분석해서 의미 있는 변이를 찾아줘", "이 단백질이 약물 후보와 잘 결합할지 시뮬레이션해줘", "RNA 시퀀싱 데이터로 세포 분화 과정을 추적해줘".

지금까지는 AI 에이전트가 이런 작업에서 좀 약했거든요. 일반적인 코딩이야 학습 데이터가 워낙 많으니까 잘하는데, 생물정보학(bioinformatics)이나 신약 개발 같은 전문 분야는 라이브러리도 까다롭고 워크플로우도 복잡해서 제대로 못 다루는 경우가 많았어요. 그런데 최근 K-Dense AI라는 팀이 GitHub에 공개한 scientific-agent-skills라는 저장소가 이 판을 바꾸려고 하고 있어요.

이게 뭐냐면, 과학·연구·공학·금융·분석·작문 분야에서 AI 에이전트가 바로 쓸 수 있도록 만든 135개의 '스킬(Skill)' 모음이에요. 단순한 프롬프트 모음이 아니라, 'Agent Skills'라는 열린 표준에 맞춰서 만들어진 구조화된 능력 패키지인 거죠. 더 흥미로운 건 처음엔 'Claude Scientific Skills'라는 이름이었는데, 이제는 Claude뿐 아니라 Cursor, Codex 등 Agent Skills 표준을 지원하는 모든 AI 에이전트에서 작동하도록 확장됐다는 점이에요. 오늘은 이 프로젝트가 왜 중요한지, 어떻게 동작하는지, 그리고 한국 개발자 입장에서 이걸 어떻게 활용할 수 있을지 차근차근 풀어볼게요.

Agent Skills이라는 게 도대체 뭔가요?

먼저 'Agent Skill'이라는 개념부터 짚고 갈게요. 처음 듣는 분들도 많을 거예요. 쉽게 말하면, AI 에이전트한테 특정 분야의 전문 지식을 모듈처럼 끼워 넣어주는 방식이에요.

지금까지 AI한테 뭔가를 시킬 때 우리가 했던 방법을 떠올려 볼까요? 보통 두 가지였어요. 첫 번째는 프롬프트에 직접 다 적어주는 거예요. "너는 생물정보학자고, 이런 라이브러리를 쓸 줄 알고, 이런 워크플로우를 따라야 해" 하고 길게 설명하는 거죠. 두 번째는 RAG(Retrieval-Augmented Generation, 검색 증강 생성)로 외부 문서를 그때그때 가져와서 참고하게 하는 방법이고요.

Agent Skill은 이 둘의 중간쯤에 있어요. 특정 작업을 잘하기 위한 "큐레이션된 지식 + 실행 방법 + 예제 코드"를 하나의 패키지로 묶어서, 에이전트가 필요할 때 꺼내 쓰도록 만든 거예요. 비유하자면, 일반 개발자(GPT 같은 범용 모델)에게 "신약 개발 부트캠프 자료"를 한 권 쥐어주는 셈이에요. 그 자료에는 어떤 라이브러리를 어떤 순서로 호출해야 하는지, 흔히 빠지는 함정은 뭔지, 결과 해석은 어떻게 하는지 다 들어 있고요.

중요한 건 이게 개방형 표준(open standard)이라는 거예요. 즉, 특정 회사의 AI 도구에만 묶이지 않아요. 한 번 만든 스킬을 Claude에서도, Cursor에서도, Codex에서도 쓸 수 있다는 뜻이에요. 마치 USB가 표준이라서 어느 컴퓨터에 꽂아도 동작하는 것처럼요.

135개 스킬, 도대체 뭐가 들어있길래

그럼 K-Dense가 만든 135개 스킬에는 구체적으로 어떤 것들이 있는지 살펴볼게요. 분야별로 정리해보면 이래요.

🧬 생물정보학 & 유전체학

• 시퀀스 분석(Sequence Analysis): DNA, RNA, 단백질 서열을 비교하고 분석하는 작업
• 단일 세포 RNA 시퀀싱(scRNA-seq): 세포 하나하나의 유전자 발현을 측정해서 어떤 세포 타입인지, 어떻게 분화하는지 추적
• 유전자 조절 네트워크(Gene Regulatory Networks): 어떤 유전자가 어떤 유전자를 켜고 끄는지 그 관계망을 분석
• 변이 주석(Variant Annotation): 환자의 유전체에서 발견된 돌연변이가 어떤 의미인지 해석
• 계통 분석(Phylogenetic Analysis): 종 간의 진화적 관계를 추적

생물학 전공이 아니면 단어부터 낯설죠? 쉽게 말해서, 병원에서 환자 유전자 분석하고, 신약 후보 찾고, 코로나 변이 추적하고 하는 그 모든 작업들이 여기 들어간다고 보면 돼요.

🧪 화학정보학 & 신약 개발

• 분자 특성 예측: 어떤 화합물이 물에 잘 녹는지, 독성은 없는지 등을 예측
• 가상 스크리닝: 수백만 개 후보 분자 중에서 유망한 것을 골라내는 작업
• ADMET 분석: 약물이 몸에 흡수(Absorption), 분포(Distribution), 대사(Metabolism), 배설(Excretion), 독성(Toxicity)이 어떨지 예측
• 분자 도킹(Molecular Docking): 약 후보 분자가 목표 단백질에 어떻게 결합할지 시뮬레이션

신약 하나 개발하는데 10년에 1조 원 든다는 얘기 들어보셨죠? 이 과정의 초기 단계를 AI가 대신해줄 수 있다면 비용과 시간이 크게 줄어드는 거예요.

🔬 단백질체학 & 질량 분석

• LC-MS/MS 데이터 처리, 펩타이드 식별 같은 실험실에서 나오는 데이터 분석

🌍 그 외

• 분자 동역학 시뮬레이션: 분자들이 시간에 따라 어떻게 움직이는지 물리 시뮬레이션
• RNA velocity: 세포가 앞으로 어떤 상태로 변할지 예측
• 지리공간 과학(Geospatial science): 위성 데이터, 지도 데이터 분석
• 시계열 예측: 주식, 기후, 트래픽 같은 시간 흐름 데이터 예측
• 78개 이상의 과학 데이터베이스 접근: PubMed, UniProt, PDB 같은 전문 DB와 자동 연동

특히 'Hugging Science'라는 이름으로 과학 분야의 머신러닝 모델을 자동으로 찾아주는 스킬도 있는데, Hugging Face의 과학 버전이라고 보면 돼요.

K-Dense BYOK, 내 컴퓨터가 AI 공동연구자가 되다

이 저장소에서 또 하나 주목할 부분은 K-Dense BYOK라는 오픈소스 도구예요. BYOK는 "Bring Your Own Key"의 줄임말로, 내가 가진 API 키를 직접 가져와서 쓰는 방식을 말해요.

이게 왜 중요하냐면요. 보통 AI 연구 도구를 쓰면 그 회사 서버를 거치잖아요. 그러면 내 데이터가 외부로 나가는 셈이에요. 환자 데이터처럼 민감한 정보를 다루는 연구자한테는 이게 큰 걸림돌이었거든요. K-Dense BYOK는 내 데스크톱에서 직접 돌아가요. 데이터가 내 컴퓨터 밖으로 안 나간다는 뜻이에요.

주요 특징을 정리하면 이래요.

• 40개 이상의 모델 선택 가능: GPT, Claude, Gemini, 오픈소스 모델 등 원하는 거 골라서 사용
• 100개 이상의 과학 데이터베이스 통합: 논문, 단백질 구조, 유전체 정보 등에 바로 접근
• 135개 스킬 모두 활용: 위에서 본 그 스킬들을 다 쓸 수 있어요
• 선택적 클라우드 확장: 무거운 계산(예: 분자 동역학 시뮬레이션)이 필요하면 Modal이라는 서비스를 통해 클라우드 GPU를 빌려 쓸 수도 있어요

이 구조가 영리한 게, 평소엔 내 컴퓨터에서 안전하게 작업하다가 정말 큰 계산이 필요할 때만 클라우드로 옮겨가는 거예요. 비용도 줄고 보안도 챙기는 거죠.

기존 방식과 뭐가 다른가요?

여기서 한 가지 의문이 들 수 있어요. "어차피 ChatGPT한테도 생물정보학 코드 짜달라고 하면 잘 해주던데, 굳이 이런 스킬 패키지가 왜 필요해?"

맞아요. 범용 AI도 잘해요. 그런데 "잘하는 것"과 "믿을 만한 것"은 다르거든요. 비유를 들어볼게요.

동네 카페 알바생한테 "커피 한 잔 줘" 하면 만들어줘요. 그런데 스타벅스 바리스타한테 시키면 레시피대로, 일관된 품질로, 빠르게 만들어주죠. 두 사람의 차이는 "매뉴얼화된 절차"가 있느냐 없느냐예요.

범용 AI는 동네 알바생 같아요. 매번 물어볼 때마다 조금씩 다른 답을 줄 수 있고, 가끔은 라이브러리 함수 이름을 헷갈리거나, 옛날 API를 쓰거나, 잘못된 파라미터를 넣어요. 특히 전문 분야로 갈수록 이런 'hallucination(환각, 사실이 아닌 것을 그럴듯하게 만들어내는 것)'이 많이 발생해요.

Agent Skill은 매뉴얼이에요. "이 작업을 할 때는 정확히 이 라이브러리의 이 함수를, 이런 파라미터로, 이런 순서로 호출해야 한다"라는 큐레이션된 지식이 들어 있어요. 그래서 결과가 일관되고 신뢰할 수 있는 거예요.

비슷한 시도들과 비교해 볼게요.

• LangChain Tools / Agents: 도구 호출 인터페이스는 있지만, 도메인 특화 스킬은 사용자가 직접 만들어야 해요. 학습 곡선이 가파르죠.
• OpenAI GPTs / Custom Actions: OpenAI 생태계에만 묶여요. 다른 도구로 옮기기 어려워요.
• MCP(Model Context Protocol): 도구 연결 표준이라는 점에서 비슷하지만, MCP는 "AI가 외부 시스템에 접근하는 방법"에 초점이 있고, Agent Skills는 "특정 작업을 잘하는 방법" 자체를 패키징하는 데 초점이 있어요. 사실 둘은 보완 관계라고 볼 수 있어요.

K-Dense의 접근은 개방형 표준 + 도메인 특화 큐레이션이라는 두 마리 토끼를 잡으려는 시도예요.

한국 개발자에게 이게 왜 의미 있나

이제 우리 입장에서 생각해 볼 차례예요. 한국 개발 생태계에서 이걸 어떻게 활용할 수 있을까요?

1. 바이오·헬스케어 스타트업이라면

한국에도 신약 개발, 디지털 헬스케어 스타트업이 많이 생기고 있죠. 보통 데이터 사이언티스트와 도메인 전문가(생물학자, 약학 박사)가 같이 일해야 하는데, 인력 구하기가 진짜 어려워요. 이런 스킬 모음을 활용하면, 상대적으로 적은 인력으로도 복잡한 분석 워크플로우를 자동화할 수 있어요. 예를 들어 신입 연구원이 "이 화합물 라이브러리에서 COVID-19 표적 단백질에 결합할 만한 후보 100개만 골라봐"라고 AI에게 시킬 수 있는 거죠.

2. 연구실·대학원생이라면

논문 쓸 때 데이터 분석 파이프라인 구축하다가 일주일 날리는 경우 많잖아요? 특히 처음 다뤄보는 라이브러리(예: Scanpy, RDKit)는 사용법 익히는 데만도 시간이 오래 걸려요. 이미 잘 만들어진 스킬을 가져다 쓰면 연구의 본질에 더 시간을 쓸 수 있어요. "분석 방법을 익히는 시간"이 아니라 "결과를 해석하는 시간"에 집중할 수 있는 거죠.

3. 일반 개발자도 배울 게 많아요

과학 도메인이 아니더라도, 이 저장소 자체가 "잘 만든 Agent Skill"의 레퍼런스예요. 본인 회사의 특수한 도메인(예: 금융 리스크 분석, 물류 최적화)에 맞는 스킬을 만들고 싶다면, 여기 구조를 참고하면 좋아요. 어떻게 디렉토리를 구성하는지, 메타데이터는 어떻게 작성하는지, 예제 코드는 어떻게 포함시키는지 등을 배울 수 있죠.

도입 시 고려할 점

다만 무작정 도입하기 전에 몇 가지는 생각해봐야 해요.

• API 비용: BYOK 방식이지만 결국 LLM API는 본인이 결제해요. 복잡한 워크플로우는 토큰을 많이 잡아먹어요.
• 결과 검증: AI가 만든 분석 결과를 그대로 믿으면 안 돼요. 특히 의료·생명 분야는 검증 절차가 필수예요.
• 한국어 지원: 스킬 문서는 영어 기준이에요. 팀 내 영어 장벽이 있다면 가이드 한글화가 필요할 수 있어요.

학습 로드맵 제안

관심 있다면 이 순서로 접근해 보세요.

1. Claude Code나 Cursor 같은 에이전트 도구에 익숙해지기
2. Agent Skills 표준 문서 한 번 훑어보기
3. K-Dense 저장소에서 본인 도메인과 가까운 스킬 하나를 골라 직접 실행해보기
4. 회사·연구실의 반복 작업 중 자동화할 만한 것을 찾아 간단한 커스텀 스킬 만들기

AI 에이전트의 진짜 시작은 지금부터

지금까지 LLM이라는 '뇌'는 빠르게 발전했어요. 그런데 이 뇌에 "손과 발", 그리고 "전문 지식 매뉴얼"을 어떻게 붙일 것인가는 아직 정리되지 않은 영역이었거든요. Agent Skills 같은 표준은 그 빈자리를 메우려는 시도예요.

특히 흥미로운 건, 이게 단순한 "AI 코딩 도우미"를 넘어서 AI 공동 연구자(co-scientist)라는 개념을 현실로 만들고 있다는 점이에요. 노벨 화학상이 AI 단백질 구조 예측에 갔던 게 2024년이었죠. 앞으로는 더 많은 과학적 발견이 사람과 AI의 협업으로 이루어질 거예요. 그리고 그 협업의 인터페이스가 바로 이런 스킬 패키지들이 될 가능성이 높아요.

한 가지 더 짚자면, 이런 흐름은 결국 "전문성의 민주화"로 이어져요. 예전엔 박사급 인력 없이는 못 했던 분석을, 이제는 잘 만들어진 스킬을 가져다 쓰면 누구나 할 수 있어요. 물론 그 결과를 해석하고 책임지는 건 여전히 사람의 몫이지만, 진입 장벽이 크게 낮아지는 건 확실해요.

반대로 우려도 있어요. 너무 쉬워지면 결과를 비판적으로 검토할 능력이 부족한 상태에서 "AI가 그렇대"하고 받아들이는 일이 많아질 수 있어요. 그래서 도메인 지식의 중요성은 오히려 더 커질 거라고 봐요. 도구를 쓰는 사람과 도구에 휘둘리는 사람의 차이가 더 벌어지는 시대가 오는 거죠.

여러분은 어떻게 생각하세요? 본인 도메인에 적용해 보고 싶은 스킬이 있나요? 아니면 이런 "공용 스킬 마켓플레이스"가 등장한다면, 어떤 카테고리가 가장 먼저 활성화될까요? 그리고 한국 개발 생태계에서도 한국어 기반의 도메인 스킬(법률, 의료, 한국 특유의 금융 규제 등) 모음이 나오면 어떨까요? 댓글로 의견 나눠봐요.