2월에 별 250,000개를 받은 프로젝트와, 나머지 99개의 공통점

Posted on by — No Comments ↓

2026년 2월, 하나의 GitHub 레포지토리가 60일 만에 별 250,000개를 찍었다.
React가 10년 걸려 도달한 숫자다.

OpenClaw라는 이름의 이 프로젝트는 “개인 AI 비서”라고 소개되어 있다.
근데 GitHub 트렌딩을 2~3월 내내 추적하면서 깨달은 건,
OpenClaw 혼자만의 이야기가 아니라는 거다.

이 기간에 트렌딩에 오른 프로젝트 100개를 분석해봤더니,
거의 전부가 같은 방향을 가리키고 있었다.

그 방향이 뭔지, 그리고 그 안에서 어떤 구조가 반복되는지 정리해봤다.

먼저, 숫자부터

2~3월 트렌딩 상위 프로젝트들의 스케일을 보면 감이 온다.

OpenClaw는 263k stars에 TypeScript로 작성됐다.
Shannon이라는 AI 해킹 도구는 월간 21,665개의 별을 받으며 31k까지 올라갔다.
Ollama는 162k를 넘겼고, Dify는 130k, n8n은 150k를 찍었다.
시스템 프롬프트를 수집한 문서 레포는 122k stars다.

GitHub Octoverse 리포트에 따르면 AI 관련 레포가 현재 430만 개를 넘었다.
전년 대비 178% 증가.

이 숫자들이 말해주는 건 하나다.
오픈소스 AI가 더 이상 실험이 아니라 메인스트림이라는 것.

이 프로젝트들을 카테고리로 나눠보면 이렇게 된다.
개인 AI 에이전트, AI 코딩 도구, 보안 자동화, 로컬 LLM 추론, 워크플로우 빌더,
RAG/검색, MCP 생태계, 시스템 프롬프트 분석, 토큰 최적화, 브라우저 자동화.

10개 카테고리인데, 이걸 관통하는 공통점은 5개로 수렴한다.

공통점 하나. 챗봇은 죽었고, 에이전트가 왔다

트렌딩 100개 중 순수한 “챗봇”은 거의 없다.
전부 에이전트다.

챗봇과 에이전트의 차이는 간단하다.
챗봇은 물어보면 답한다.
에이전트는 스스로 판단하고 행동한다.

“서울 날씨 알려줘”에 “13도입니다”라고 답하는 건 챗봇이다.
“내일 비 오면 미팅 장소를 실내로 바꾸고 참석자에게 알려줘”를 알아서 처리하는 건 에이전트다.

OpenClaw는 100개 이상의 사전 구성된 스킬로 쉘 커맨드 실행, 파일 관리, 웹 자동화를 수행한다.
Shannon은 취약점을 “알려주는” 게 아니라 실제로 익스플로잇을 실행하고 증거를 수집한다.
Claude Code는 코드를 읽고, 수정하고, 테스트하고, git 커밋까지 한다.

구조적으로 보면, 모든 에이전트가 같은 루프를 돈다. 

while 목표 미달성:
    plan = LLM("현재 상황 보고 다음 할 일 계획")
    result = execute_tool(plan)  # 실제 행동
    observe = LLM("결과 분석")
    if 실패:
        adjust_plan()

Plan → Act → Observe → Reflect.

이 루프가 2026년 AI 프로젝트의 사실상 표준 아키텍처다.
차이가 나는 건 “Act” 단계에서 어떤 도구를 쓰느냐,
그리고 실패했을 때 어떻게 복구하느냐 뿐이다.

Shannon의 경우 이 루프를 Temporal이라는 워크플로우 오케스트레이터 위에서 돌린다.
펜테스트가 2시간 넘게 걸리는데, 중간에 컴퓨터가 꺼져도 정확히 끊긴 지점부터 재개된다.
“자동 세이브 + 이어하기”인 셈이다.

공통점 둘. 클라우드에서 내 컴퓨터로 돌아오고 있다

Ollama가 162k stars를 받은 이유는 단순하다. 

ollama run deepseek-r1

한 줄이면 내 컴퓨터에서 LLM이 돌아간다.
API 비용 $0, 데이터 유출 없음.

llama.cpp는 GPU 없이 CPU만으로 고급 모델을 실행할 수 있게 해줬고,
2026년 3월 초에 속도와 하드웨어 지원을 대폭 개선했다.

Open WebUI는 Ollama 위에 ChatGPT 같은 인터페이스를 씌워주는데,
Docker 다운로드가 2.7억 건을 넘었다.

OpenClaw 자체도 로컬 퍼스트다.
모델 불가지론적(model-agnostic)이고 프라이버시에 집중한 설계라서,
자체 인프라에서 로컬 모델을 완전히 실행할 수 있다.

API 키를 가져오든, 로컬 모델을 쓰든, 선택은 사용자 몫이다.

이 움직임의 배경에는 비용이 있다.
Claude Opus 4로 에이전트를 하루 종일 돌리면 $50~100이 나올 수 있다.
개인 개발자에게는 부담이다.

간단한 분류, 요약, 기본 코드 생성은 DeepSeek R1이나 Qwen 3.5 같은 오픈 모델로도 충분하다.
아직 로컬 모델이 Claude Opus나 GPT-5 수준은 아니다.
하지만 격차가 빠르게 줄고 있다.

Zhipu AI의 GLM-5는 744B 파라미터 MoE 모델인데,
MIT 라이선스로 풀렸고, SWE-bench에서 77.8점을 찍었다.
Ollama로 돌릴 수 있다.

비용 구조의 변화: 

2024: [모든 요청] → [클라우드 API] → $$$
2026: [간단한 요청] → [로컬 모델] → $0
      [복잡한 요청] → [클라우드 API] → $$

이 하이브리드 구조가 트렌딩 프로젝트 대부분의 기본 전제다.

공통점 셋. 하나의 거대한 프로그램이 아니라, 코어 + 스킬이다

OpenClaw의 ClawHub에는 커뮤니티가 만든 스킬이 5,700개 이상 등록되어 있다.
HuggingFace는 공식 에이전트 스킬 레포를 공개했다.
claude-skills 프로젝트는 “66개의 전문 스킬로 Claude Code를 전문가 페어 프로그래머로 변환”하겠다는 컨셉인데,
월간 3,668개의 별을 받았다.

에이전트 아키텍처: 

[에이전트 코어] ← 가볍고 안정적
  ├── [스킬: Gmail 관리]
  ├── [스킬: GitHub PR 리뷰]
  ├── [스킬: 웹 스크래핑]
  └── [스킬: 사주 해석]

superpowers(obra)라는 프로젝트가 주간 7,000 stars를 지속적으로 받으면서
월간 트렌딩에 계속 올라있다.

이건 스킬 프레임워크 자체를 방법론으로 만든 프로젝트다.
단순 도구가 아니라 “에이전트와 협업하는 개발 방법론”을 정의한 것.

이 구조가 stars 폭발의 핵심이다.
코어 엔진은 한 팀이 만들고, 기능 확장은 커뮤니티 수천 명이 한다.
사용자 입장에서는 필요한 스킬만 골라 끼우면 된다.

MCP(Model Context Protocol)가 이 흐름을 가속시키고 있다.
MCP는 Anthropic이 만든 오픈 표준인데, 쉽게 말하면 “AI 도구용 USB”다.

MCP 서버 하나만 있으면 Claude든 GPT든 어떤 AI가 그 서버를 쓸 수 있다.
MCP 커리큘럼 프로젝트가 14.7k stars를 받으며 트렌딩에 올라있다.

공통점 넷. AI 도구의 “속”을 보고 싶어한다

system-prompts-and-models-of-ai-tools라는 레포가 122k stars를 받았다.
하루에 3,600개씩 별이 붙었다.

Cursor, Claude Code, Windsurf, Devin AI, Lovable, Manus, NotionAI 등
30개 이상 AI 도구의 시스템 프롬프트를 수집해 공개한다.
30,000줄이 넘는다.

왜 보냐고?
실무적 가치가 있기 때문이다.

awesome-ai-system-prompts는 단순 수집이 아니라 구조 비교 분석을 했다.
도구마다 다르지만, 공통 골격은 같다. 

[Identity Block]
[Capability Block]
[Constraint Block]
[Output Format]
[Domain Knowledge]
[Error Recovery]
[Planning Protocol]

이 골격을 알면 자기만의 에이전트를 만들 때
0에서 시작하지 않고, 검증된 패턴 위에서 시작할 수 있다.

공통점 다섯. API 비용과의 전쟁

Claude Opus는 입력 100만 토큰 $15, 출력 100만 토큰 $75다.
에이전트가 복잡한 작업을 하면 한 번에 수만 토큰이 나간다.

이 문제를 해결하는 프로젝트들이 2~3월에 한꺼번에 트렌딩에 올라왔다.

  • PageIndex: 벡터 DB 없이 목차 트리 기반 추론 탐색
  • Tokenomics: 캐시 + 버짓 최적화 + bandit으로 90.7% 절감
  • save-llm-api-cost: 대화 “사실”만 유지해 40% 절감
  • free-llm-api-resources: 무료 API 리소스 큐레이션

핵심은 같다.
성능 경쟁만큼이나 비용 구조 설계가 중요해졌다는 것.

그래서, 이 다음은 뭔가

5가지 공통점을 합치면 다음이 보인다.

  1. MCP 서버가 폭발한다
  2. AI 보안 자동화가 급성장한다
  3. 비용 최적화가 통합 제품으로 나온다
  4. 비개발자용 1클릭 에이전트가 터진다

2~3월 트렌딩을 한 문장으로 요약하면 이렇다.

AI는 “대화하는 도구”에서 “일하는 동료”가 됐고,
그 동료를 고용하는 비용을 줄이는 방법을 모두가 찾고 있다.

Leave a Reply