
AI 기술이 발전하면서 단순히 질문에 답하거나 코드를 작성하는 것을 넘어, 실제 업무를 수행하고 팀의 작업 흐름을 관리하는 AI 에이전트에 대한 관심이 높아지고 있습니다. 하지만 AI를 업무에 도입하려면 데이터 관리, 사용자 권한 설정, 작업 자동화, 사람의 승인 절차 등을 함께 고려해야 합니다.
Lemma Platform은 사람과 AI 에이전트가 하나의 업무 환경에서 협업할 수 있도록 설계된 오픈소스 플랫폼입니다. 데이터, 에이전트, 워크플로, 애플리케이션, 권한 관리 기능을 하나의 환경에 통합하고, 반복되는 업무에서 얻은 지식과 절차를 재사용할 수 있도록 지원합니다.
이 글에서는 Lemma Platform의 핵심 개념과 아키텍처, 주요 기능, AI 에이전트의 협업 방식, 개발 및 운영 방법을 살펴봅니다. 또한 기존 AI 코딩 도구와 어떤 차이가 있는지, 실제 업무 환경에 적용할 때 어떤 점을 고려해야 하는지도 정리합니다.
1. Lemma Platform이란?
Lemma Platform은 사람과 AI 에이전트가 동일한 데이터와 업무 환경을 공유하며 함께 작업하도록 지원하는 오픈소스 플랫폼입니다.
일반적인 AI 도구가 사용자의 요청에 응답하거나 특정 작업을 수행하는 데 초점을 맞춘다면, Lemma Platform은 이러한 AI 작업을 팀의 지속적인 업무 흐름으로 연결하는 데 초점을 맞춥니다.
예를 들어 고객 지원 업무에 AI를 활용한다고 가정해 보겠습니다. AI가 고객 문의를 분류하는 것만으로는 업무가 완전히 자동화되지 않습니다. 분류 결과를 저장하고, 담당자를 지정하고, 답변 초안을 작성하고, 필요한 경우 담당자의 승인을 받은 다음 처리 결과를 기록해야 합니다.
Lemma Platform은 이러한 작업을 하나의 시스템 안에서 구성할 수 있도록 설계되었습니다.
주요 특징은 다음과 같습니다.
- 공유 업무 환경: 사람과 AI 에이전트가 동일한 데이터와 업무 기록을 사용합니다.
- 지속적인 상태 관리: 작업이 종료되거나 사용자가 로그아웃한 이후에도 데이터와 업무 상태를 유지할 수 있습니다.
- 워크플로 자동화: 일정, 데이터 변경, 웹훅 등의 이벤트를 기반으로 작업을 실행합니다.
- 권한 및 승인 관리: 사용자와 AI 에이전트의 접근 범위를 제한하고 중요한 작업에 사람의 승인을 적용합니다.
- 다양한 AI 모델 지원: 기존 AI 코딩 도구의 구독 환경이나 호환되는 모델 제공자를 활용할 수 있습니다.
- 오픈소스 및 배포 유연성: 로컬 환경, 직접 관리하는 서버, Lemma Cloud 등 다양한 운영 방식을 지원합니다.
핵심은 AI 에이전트를 일회성 도구로 사용하는 것이 아니라, 데이터와 규칙, 실행 절차를 갖춘 지속적인 업무 시스템의 일부로 활용한다는 점입니다.
2. AI 에이전트의 실행 환경인 Harness
Lemma Platform을 이해하려면 먼저 저장소에서 강조하는 Harness 개념을 살펴볼 필요가 있습니다.
Harness는 AI 모델 자체를 의미하지 않습니다. AI 모델이 어떤 도구를 사용할 수 있는지, 어떤 정보를 참고하는지, 작업 결과를 어디에 기록하는지, 어떤 순서로 실행되는지, 어디까지 행동할 수 있는지를 결정하는 주변 실행 환경을 뜻합니다.
예를 들어 AI 모델이 고객 문의를 분류한다고 가정해 보겠습니다. 모델만 있다면 문의 내용을 분석하고 분류 결과를 반환하는 수준에 머물 수 있습니다.
반면 Harness가 구성되어 있다면 다음과 같은 업무 흐름을 만들 수 있습니다.
- 업무 요청 수신: 채팅, 데이터 변경 또는 외부 이벤트
- AI 에이전트 실행: 업무 지침과 관련 데이터 확인
- 도구 및 업무 로직 실행: 분류, 데이터 갱신, 후속 작업 결정
- 권한 확인 및 승인: 필요한 경우 담당자에게 검토 요청
- 결과 기록 및 다음 단계 실행: 공유 데이터와 작업 이력에 반영
개념 이해를 위한 예시이며, 모든 작업이 반드시 동일한 순서로 실행되는 것은 아닙니다.
여기서 중요한 것은 모델의 성능만으로 업무 자동화의 품질이 결정되지 않는다는 점입니다. 실행 규칙과 데이터 구조, 권한, 승인 절차가 함께 설계되어야 실제 업무에 적용할 수 있습니다.
Lemma Platform은 이러한 실행 환경을 팀 단위로 구성할 수 있도록 지원합니다. 여러 사람과 에이전트가 같은 데이터를 사용하고, 작업이 끝난 뒤에도 상태를 유지하며, 반복적으로 수행하는 업무를 재사용 가능한 구조로 발전시킬 수 있습니다.
3. 핵심 아키텍처: Pod 중심의 업무 환경
Lemma Platform의 핵심 구조는 Pod입니다. Pod는 특정 사용자, 팀 또는 업무 프로세스를 위한 독립적인 업무 환경으로, 데이터와 파일, AI 에이전트, 워크플로, 권한, 애플리케이션을 함께 관리합니다.
일반적인 업무 시스템에서는 데이터베이스, 자동화 도구, AI 서비스, 사용자 인터페이스가 각각 분리되어 있을 수 있습니다. 이 경우 시스템 사이에서 데이터를 전달하고 권한을 일치시키는 작업이 추가됩니다.
Lemma Platform은 이러한 구성 요소를 Pod 안에서 연결해 사람과 AI가 같은 업무 상태를 공유하도록 설계했습니다.
3.1 Pod를 구성하는 주요 요소
| 구성 요소 | 역할 |
| Tables | 업무 데이터를 구조화해 저장하고 조회합니다. 행 단위 접근 제어도 지원합니다. |
| Files | 업무 지침, 선호 사항, 운영 정책, 메모 등을 Markdown 파일로 관리합니다. |
| Agents | 정해진 역할과 도구 권한, 데이터 접근 범위에 따라 작업하는 AI 에이전트입니다. |
| Workflows | 에이전트, 코드 실행, 조건 분기, 반복, 대기, 사람의 승인 등을 연결합니다. |
| Functions | 입력과 출력이 명확한 코드로 검증, 상태 변경, 외부 작업 등을 처리합니다. |
| Permissions | 사용자와 에이전트의 역할, 데이터 접근 범위, 리소스별 권한을 관리합니다. |
| Approvals | 중요한 작업을 담당자에게 전달하고 승인 결과에 따라 실행을 재개합니다. |
| Connectors | 외부 서비스와 연결하고 연결 계정 및 접근 범위를 관리합니다. |
| Apps | 사용자가 데이터를 확인하고 업무를 수행하는 애플리케이션입니다. |
| Surfaces | Slack, Microsoft Teams, Telegram, WhatsApp, 이메일 등에서 에이전트와 상호작용할 수 있도록 지원합니다. |
이 구조의 장점은 업무에 필요한 요소를 개별적으로 관리하는 대신 하나의 시스템으로 묶을 수 있다는 점입니다.
예를 들어 고객 지원용 Pod를 만든다면 문의 데이터는 Tables에 저장하고, 답변 작성 규칙은 Files에 기록할 수 있습니다. Agents는 문의를 분류하고, Workflows는 후속 작업을 실행하며, Approvals는 발송 전 담당자의 검토를 요청합니다. 담당자는 Apps나 연결된 메신저에서 진행 상황을 확인할 수 있습니다.
이처럼 각 요소의 역할을 분리하면서도 동일한 업무 환경에서 연결할 수 있습니다.
3.2 데이터와 실행 환경의 통합
Pod에서 중요한 개념은 에이전트가 단순히 대화 내용을 참고하는 데 그치지 않고, 업무 데이터와 지속적으로 연결된다는 것입니다.
예를 들어 문의 상태가 pending에서 resolved로 변경되면 해당 상태는 공유 데이터에 반영됩니다. 이후 다른 에이전트나 애플리케이션에서도 같은 기록을 확인할 수 있습니다.
또한 워크플로는 일정, 데이터 변경, 웹훅, 채팅, API 요청 등에 의해 실행될 수 있습니다. 따라서 사용자가 매번 직접 요청하지 않더라도 사전에 정의한 조건에 따라 업무를 진행하도록 구성할 수 있습니다.
단, 실제 자동화 범위는 설정한 워크플로와 연결된 서비스, 에이전트의 권한에 따라 달라집니다.
4. Lemma Platform의 주요 기능
4.1 여러 사람이 함께 사용하는 AI 에이전트
Lemma Platform은 여러 사용자가 하나의 AI 에이전트를 공유하면서도 각자의 역할에 맞는 접근 권한을 유지하도록 설계되었습니다.
개인용 AI 도구에서는 사용자 한 명의 대화와 작업 맥락을 중심으로 기능이 구성되는 경우가 많습니다. 반면 팀 업무에서는 같은 데이터에 접근하더라도 구성원마다 조회하거나 실행할 수 있는 작업이 달라야 합니다.
Lemma Platform은 사용자 역할과 리소스 접근 권한을 기반으로 이러한 요구사항을 처리합니다. 중요한 작업은 지정된 담당자의 승인을 받도록 구성할 수도 있습니다.
예를 들어 고객 지원팀에서 다음과 같이 역할을 나눌 수 있습니다.
- 일반 담당자: 문의 내역을 확인하고 답변 초안을 검토합니다.
- AI 에이전트: 문의를 분류하고 답변 초안을 작성합니다.
- 관리자: 환불과 같은 중요한 업무의 승인 여부를 결정합니다.
위 사례는 기능을 이해하기 위한 구성 예시입니다. 실제로 적용할 수 있는 범위는 Pod의 권한 및 워크플로 설정에 따라 결정됩니다.
4.2 공유 메모리와 개인 메모리
AI 에이전트를 반복적으로 사용하다 보면 매번 같은 지침을 입력하는 일이 번거로워질 수 있습니다. 특히 팀에서는 답변 형식, 업무 처리 기준, 예외 상황에 대한 규칙을 여러 사용자가 일관되게 적용해야 합니다.
Lemma Platform은 공유 메모리와 개인 메모리를 구분해 관리하는 방식을 제공합니다.
- 공유 메모리: 팀 구성원이 함께 참고하는 업무 지침과 기록
- 개인 메모리: 특정 사용자에게만 제공되는 선호 사항과 개인 메모
업무 처리 과정에서 반복적으로 수정하는 사항을 지침으로 정리하면 이후 작업에서도 재사용할 수 있습니다. 반복되는 절차는 워크플로로 만들고, 자주 요구되는 판단은 에이전트의 역할과 규칙으로 정리할 수 있습니다.
여기서 주의할 점은 메모리가 있다는 사실만으로 AI가 모든 경험을 자동으로 정확하게 학습한다는 의미는 아니라는 것입니다. 실제로 어떤 정보를 저장하고 언제 참고하는지는 메모리 파일과 에이전트의 설정에 달려 있습니다.
4.3 워크플로 자동화와 사람의 승인
워크플로는 여러 작업을 정해진 순서와 조건에 따라 연결하는 기능입니다.
Lemma Platform은 에이전트 실행뿐 아니라 일반 코드, 조건 분기, 반복, 대기, 사람의 승인 단계를 하나의 워크플로에 포함할 수 있습니다. 실행은 일정이나 데이터 변경, 외부 이벤트 등에 의해 시작될 수 있습니다.
예를 들어 환불 검토 프로세스는 다음과 같이 구성할 수 있습니다.
- 환불 요청 접수
- AI 에이전트의 요청 분류 및 정보 확인
- 담당자 승인 대기
- 승인 또는 반려 결정
- 결정에 따른 후속 처리 및 기록 갱신
개념 예시이며, 실제 분기 및 후속 처리 로직은 별도로 구성해야 합니다.
이 방식은 자동화와 사람의 판단을 함께 활용한다는 점에서 의미가 있습니다. 모든 업무를 무조건 자동으로 실행하는 대신, 위험이나 영향이 큰 단계에서 승인을 요구하도록 설계할 수 있기 때문입니다.
4.4 코드와 자연어 모델의 역할 분리
AI 에이전트는 문맥을 이해하고 상황에 맞는 판단을 내리는 작업에 활용할 수 있습니다. 반면 데이터 검증이나 상태 변경처럼 결과의 일관성이 중요한 작업은 명확한 규칙을 가진 코드로 처리하는 편이 적합할 수 있습니다.
Lemma Platform의 Functions는 이러한 역할 분리를 지원합니다.
예를 들어 AI 에이전트가 문의의 우선순위를 판단하고, 실제 상태 변경은 사전에 정의한 함수가 처리하도록 구성할 수 있습니다.
이렇게 하면 자연어 모델의 판단이 필요한 부분과 입력에 따라 예측 가능한 결과를 내야 하는 부분을 분리할 수 있습니다.
다만 함수로 구현했다고 해서 전체 시스템의 정확성이 자동으로 보장되는 것은 아닙니다. 입력값 검증, 오류 처리, 권한 확인 등은 각 함수와 워크플로에서 적절하게 설계해야 합니다.
4.5 채팅 기반 업무와 애플리케이션의 연결
Lemma Platform은 웹 애플리케이션뿐 아니라 Slack, Microsoft Teams, Telegram, WhatsApp, 이메일 등의 인터페이스에서 에이전트와 상호작용할 수 있도록 지원합니다. 각 인터페이스는 동일한 Pod의 데이터와 권한 체계를 사용하도록 설계되어 있습니다.
또한 Pages 기능을 통해 AI와 함께 문서를 작성하고, 테이블 데이터를 바탕으로 시각화를 만들거나, 실시간 데이터가 반영되는 테이블 뷰와 위젯을 활용할 수 있습니다.
Apps 기능은 업무에 맞는 사용자 인터페이스를 제공하며, 에이전트가 사용하는 것과 동일한 Pod의 데이터 및 API에 연결됩니다.
따라서 사용자는 특정 AI 도구의 대화창에만 의존하지 않고, 업무 특성에 맞는 화면이나 기존 메신저를 통해 작업을 이어갈 수 있습니다.
5. AI 코딩 도구를 활용한 시스템 구축
Lemma Platform의 차별화된 특징 중 하나는 기존 AI 코딩 도구를 활용해 업무 시스템 전체를 구성할 수 있다는 점입니다.
공식 저장소에서는 Claude Code, Codex, Cursor, OpenCode, Antigravity 등의 도구를 활용하는 방식을 안내합니다. 사용자는 구축하려는 시스템의 목적을 자연어로 설명하고, 코딩 에이전트가 테이블, 에이전트, 워크플로, 권한, 애플리케이션 등을 파일로 작성하도록 할 수 있습니다. 이후 CLI를 통해 구성을 가져오고 검증하는 방식입니다.
5.1 자연어 요구사항을 업무 시스템으로 변환
예를 들어 고객 문의 관리 시스템을 구축한다고 가정해 보겠습니다.
기존 개발 방식에서는 데이터 구조를 설계하고, API를 구현하고, 화면을 개발한 다음 자동화 로직과 권한을 연결해야 합니다.
Lemma Platform에서는 이러한 요구사항을 코딩 에이전트에게 설명하고, 플랫폼의 구성 요소에 맞게 구현하도록 요청할 수 있습니다.
요구사항은 다음과 같이 작성할 수 있습니다.
요구사항 작성 예시
고객 문의 관리 시스템을 만들어 주세요.
- 고객 문의를 저장하고 상태별로 조회할 수 있는 테이블을 구성합니다.
- AI 에이전트가 문의 내용을 분류하고 답변 초안을 작성하도록 합니다.
- 답변 발송 전 담당자의 승인을 받도록 합니다.
- 문의 처리 상태와 담당자 정보를 관리하는 화면을 제공합니다.
- 각 구성원의 역할에 따라 데이터 접근 권한을 설정합니다.
- 구축 전에 워크플로와 데이터 구조를 먼저 제안해 주세요.
이 요청은 실제 실행 결과가 아니라 시스템 설계 방향을 설명하기 위한 예시입니다. 구체적인 결과물은 에이전트의 구현 내용과 검증 과정에 따라 달라집니다.
5.2 CLI를 통한 시스템 구성 및 관리
Lemma Platform은 시스템을 파일로 관리하고 CLI를 통해 가져오거나 실행할 수 있도록 지원합니다.
대표적인 명령은 다음과 같습니다.
| 명령어 | 용도 |
lemma pod init support-ops |
초기 Pod 구성 파일 생성 |
lemma pod import ./support-ops |
로컬 구성 파일을 Pod로 가져오기 |
lemma table list |
테이블 목록 확인 |
lemma agent run classifier "classify ticket tkt_418" |
지정한 에이전트 실행 |
lemma workflow run refund-review |
워크플로 실행 |
lemma chat "what's left in the queue?" |
채팅으로 업무 상태 질의 |
lemma pod export ./support-ops |
Pod 구성을 파일로 내보내기 |
이 명령어는 저장소에서 안내하는 사용 예시이며, 해당 리소스와 구성이 실제 환경에 준비되어 있어야 합니다.
특히 Pod를 파일 형태로 내보내고 다시 가져올 수 있다는 점은 구성 관리와 재사용 측면에서 유용합니다. 기존 시스템을 복사해 새로운 업무에 맞게 수정하거나, 변경 사항을 검토한 뒤 다시 반영하는 방식으로 활용할 수 있습니다.
6. 설치 및 실행 방법
Lemma Platform은 클라우드 환경, 개인 컴퓨터의 로컬 환경, 직접 관리하는 서버 환경을 지원합니다. 다만 설치 방식에 따라 준비 과정과 운영 책임이 다릅니다.
6.1 Lemma Cloud에서 시작하기
공식 README에서는 Lemma Cloud를 사용하는 기본 절차를 다음과 같이 안내합니다.
uv tool install lemma-terminal
lemma servers select lemma-cloud
lemma auth login
lemma skills install
lemma pod create support-ops --with-starter
lemma chat "what can you do in this pod?"각 명령의 역할은 다음과 같습니다.
uv tool install lemma-terminal: CLI 도구를 설치합니다.lemma servers select lemma-cloud: 사용할 서버를 선택합니다.lemma auth login: 인증을 진행합니다.lemma skills install: 지원되는 코딩 에이전트용 Lemma 스킬을 설치합니다.lemma pod create support-ops --with-starter: 시작용 테이블과 에이전트가 포함된 Pod를 생성합니다.lemma chat ...: 생성한 Pod에 채팅으로 질문합니다.
이 절차는 기본적인 시작 예시입니다. 실제 사용에는 계정 인증과 AI 제공자 설정 등 필요한 환경 구성이 완료되어야 합니다.
6.2 로컬 환경에서 사용하기
개인 컴퓨터에서 실행하려면 공식 안내에 따라 Lemma Desktop을 설치하고 로컬 서비스를 구성해야 합니다. 그다음 CLI를 설치하고 로컬 서버를 등록한 뒤 인증과 스킬 설치를 진행합니다.
공식 문서에서 안내하는 CLI 설치 명령은 다음과 같습니다.
uv tool install lemma-terminal저장소는 pip install lemma-terminal 대신 uv tool install lemma-terminal을 사용하도록 안내합니다. README에 따르면 현재 CLI 설치 과정에서 Python 3.14가 요구되며, uv tool install은 필요한 Python 인터프리터를 함께 준비할 수 있습니다.
로컬 환경에서는 AI 제공자도 설정해야 합니다. API 키를 사용하는 모델 제공자뿐 아니라 지원되는 로컬 모델 환경을 선택할 수도 있습니다.
로컬 실행은 외부 서비스로 전달되는 데이터를 직접 통제하려는 경우 검토할 만한 선택지입니다. 다만 외부 모델이나 연동 서비스를 사용한다면 해당 서비스로 전송되는 데이터도 별도로 확인해야 합니다.
6.3 직접 관리하는 서버에 배포하기
팀 단위로 운영할 경우에는 직접 관리하는 가상 머신에 Docker Compose 기반으로 배포할 수 있습니다.
공식 저장소에서 안내하는 기본 명령은 다음과 같습니다.
git clone https://github.com/lemma-work/lemma-platform.git
cd lemma-platform/deploy/compose
./bootstrap.sh
docker compose up -d이 구성에는 API, 작업 처리 워커, PostgreSQL, Redis, SuperTokens, Caddy 프런트엔드 등이 포함됩니다.
다만 위 명령은 기본적인 배포 절차를 보여주는 예시입니다. 실제 운영 환경에서는 도메인, 네트워크 접근, 인증, 비밀정보 관리, 백업, 업데이트, 보안 설정 등을 함께 검토해야 합니다. 운영에 적용하기 전에는 공식 설치 문서의 최신 요구사항과 배포 구성을 확인하는 것이 좋습니다.
7. 개발자를 위한 기술 구성과 확장성
Lemma Platform 저장소는 여러 구성 요소로 나뉘어 있습니다. 이를 살펴보면 플랫폼이 어떤 기술적 역할을 수행하는지 이해하는 데 도움이 됩니다.
| 디렉터리 | 주요 역할 |
lemma-backend/ |
FastAPI 기반 백엔드, 런타임 및 인프라 구성 |
lemma-frontend/ |
웹 애플리케이션과 사용자 인터페이스 |
lemma-stack/ |
로컬 실행 환경의 설치 및 관리 |
desktop/ |
Tauri 기반 데스크톱 애플리케이션 |
lemma-cli/ |
CLI 및 터미널 인터페이스 |
lemma-python/ |
Python SDK |
lemma-typescript/ |
TypeScript 및 JavaScript SDK |
lemma-skills/ |
AI 코딩 에이전트용 스킬 |
lemma-pod-bundle/ |
Pod 구성을 파일로 표현하는 번들 형식 |
7.1 Python 및 TypeScript SDK
Lemma Platform은 Python과 TypeScript SDK를 제공해 플랫폼 기능을 프로그램에서 활용할 수 있도록 지원합니다.
특히 TypeScript SDK는 기존 프런트엔드 애플리케이션을 Lemma의 데이터, 에이전트, 워크플로, 권한 체계와 연결하는 데 활용할 수 있습니다. 공식 README에서는 React 훅도 제공한다고 설명합니다.
따라서 Lemma Platform의 기본 인터페이스만 사용하는 데 그치지 않고, 기존에 개발한 웹 애플리케이션을 유지하면서 필요한 업무 기능을 연결하는 방식도 고려할 수 있습니다.
7.2 오픈소스 라이선스
라이선스는 도입 전에 반드시 확인해야 하는 요소입니다.
Lemma Platform은 구성 요소에 따라 라이선스가 구분됩니다.
- AGPLv3: 핵심 백엔드와 웹 애플리케이션 등
- Apache-2.0: CLI, 로컬 스택 관리 도구, SDK, 에이전트 스킬, Pod 번들 형식 등
특히 AGPLv3가 적용된 코드를 수정해 네트워크를 통해 서비스를 제공하는 경우에는 라이선스에 따른 소스 코드 공개 의무 등이 발생할 수 있습니다. 상용 환경에서 사용하거나 수정한 버전을 서비스로 제공하려면 해당 구성 요소의 라이선스와 적용 조건을 확인해야 합니다.
8. 활용 사례와 도입 시 고려사항
Lemma Platform은 단일 작업을 처리하는 AI 도구보다 여러 단계로 구성된 업무를 지속적으로 운영하려는 경우에 특히 검토할 가치가 있습니다.
8.1 고객 지원 자동화
고객 문의를 분류하고, 관련 정보를 조회하고, 답변 초안을 작성한 다음 담당자의 승인을 받는 흐름을 구성할 수 있습니다.
문의 기록과 처리 상태를 동일한 Pod에서 관리하면 담당자와 에이전트가 같은 데이터를 참고할 수 있습니다.
8.2 팀 운영 및 업무 관리
반복되는 업무를 워크플로로 정의하고, 작업 결과를 테이블에 기록하며, 중요한 판단을 담당자에게 전달하도록 구성할 수 있습니다.
업무가 반복될수록 처리 절차와 지침을 재사용 가능한 구조로 정리할 수 있다는 점이 장점입니다.
8.3 문서 작성 및 지식 관리
Pages와 공유 메모리를 활용하면 문서 작성과 업무 지식 관리를 연결할 수 있습니다. 팀의 지침을 공유하고, AI가 문서 작성과 데이터 시각화를 지원하도록 구성할 수 있습니다.
8.4 개인 업무 보조
Pod는 팀뿐 아니라 개인을 위한 환경으로도 사용할 수 있습니다. 개인 메모와 업무 데이터를 관리하고, 여러 에이전트가 지속적인 상태를 공유하도록 구성할 수 있습니다.
도입 전에 확인할 사항
Lemma Platform을 도입할 때는 기능의 수보다 실제 업무에 필요한 구성이 가능한지 확인하는 것이 중요합니다.
- 권한 설계: 사용자와 에이전트가 접근할 수 있는 데이터 및 실행 권한을 명확하게 구분해야 합니다.
- 승인 절차: 중요한 작업에 사람의 검토가 필요한지, 어떤 단계에서 실행을 멈출지 정의해야 합니다.
- AI 모델 비용: 기존 구독, 외부 API, 관리형 모델, 로컬 모델 중 어떤 방식을 사용할지 검토해야 합니다.
- 외부 서비스 연동: 메신저와 모델 제공자 등에 어떤 데이터가 전달되는지 확인해야 합니다.
- 운영 및 유지보수: 자체 서버 운영 시 업데이트, 백업, 장애 대응, 보안 관리 등을 준비해야 합니다.
- 라이선스: 사용하려는 구성 요소와 배포 방식에 적용되는 라이선스 조건을 검토해야 합니다.
이러한 사항은 플랫폼 자체의 기능과 별개로 실제 업무 적용의 성공 여부를 결정하는 요소입니다.
Lemma Platform은 사람과 AI 에이전트가 같은 데이터와 업무 환경을 공유하면서 작업을 수행하도록 설계된 오픈소스 플랫폼입니다. 핵심은 AI 모델을 연결하는 데서 끝나지 않고, 업무 데이터와 지침, 워크플로, 권한, 승인, 사용자 인터페이스를 하나의 구조로 통합하는 데 있습니다.
특히 Pod 기반의 업무 환경, 지속적인 상태 관리, 코드와 AI 판단의 역할 분리, 사람의 승인 절차, 다양한 메신저와 애플리케이션 지원은 실제 업무 프로세스에 AI를 적용할 때 중요한 특징입니다.
또한 기존 AI 코딩 도구를 활용해 시스템을 구성하고 CLI와 SDK로 관리할 수 있어, 개발자가 업무 시스템을 구축하고 확장하는 과정에도 활용할 수 있습니다.
다만 플랫폼이 제공하는 기능만으로 업무 자동화의 정확성이나 보안이 자동으로 보장되는 것은 아닙니다. 데이터 접근 범위와 모델 사용 방식, 실행 조건, 승인 절차를 업무 특성에 맞게 설계하고 검증해야 합니다.
결국 Lemma Platform이 제시하는 방향은 AI를 필요할 때 호출하는 도구에서 벗어나, 업무 맥락을 유지하고 사람과 협업하며 반복적인 절차를 재사용하는 지속적인 업무 시스템으로 발전시키는 것입니다. AI 에이전트를 실제 조직의 업무 흐름에 통합하려는 개발자와 팀이라면 검토할 만한 프로젝트입니다.
https://github.com/lemma-work/lemma-platform
GitHub - lemma-work/lemma-platform: The open-source workspace where humans and AI agents work as one team.
The open-source workspace where humans and AI agents work as one team. - lemma-work/lemma-platform
github.com

'인공지능' 카테고리의 다른 글
| LLM 시대에 주목받는 Common Lisp: 빠른 개발 피드백과 코드 생성의 장점 (0) | 2026.10.12 |
|---|---|
| AI 에이전트의 도구 활용을 바꾸는 Codemode: 코드 기반 도구 실행과 MCP 연동의 핵심 (0) | 2026.10.12 |
| 상온에서 작동하는 차세대 스핀트로닉스 반도체: 러팅거 보상형 자성체 후보 2종 분석 (0) | 2026.10.11 |
| pg-jev: 자연어로 PostgreSQL 데이터를 필터링하고 분류하는 AI 확장 기능 (0) | 2026.10.11 |
| xAI Grok Bot 완벽 이해: AI 에이전트 구성, 업무 자동화, 다중 봇 협업과 템플릿 공유 (0) | 2026.10.10 |