AutoML Papers
Source: https://github.com/hibayesian/awesome-automl-papers at
0317821496b4
License: Apache-2.0
Read the English original
This edition is an AI-assisted translation.
Awesome-AutoML-Papers
섹션 제목: “Awesome-AutoML-Papers”Awesome-AutoML-Papers는 자동 머신러닝 분야의 논문, 기사, 튜토리얼, 슬라이드 및 프로젝트를 엄선해 모은 목록입니다. 이 저장소에 Star를 눌러 빠르게 발전하는 연구 분야의 최신 동향을 확인하세요. 프로젝트에 기여해 주신 모든 분께 감사드립니다. 함께 참여해 기여해 주세요.
AutoML이란?
섹션 제목: “AutoML이란?”자동 머신러닝(AutoML)은 머신러닝 비전문가도 머신러닝을 활용하고 효율성을 높이며 머신러닝 연구를 가속할 수 있도록 방법과 프로세스를 제공합니다.
머신러닝(ML)은 최근 상당한 성과를 거두었고 점점 더 많은 분야가 이를 활용합니다. 그러나 이러한 성과는 다음 작업을 수행하는 머신러닝 전문가에게 크게 의존합니다.
- 데이터를 전처리합니다,
- 적절한 특성을 선택합니다,
- 적절한 모델 계열을 선택합니다,
- 모델 하이퍼파라미터를 최적화합니다,
- 머신러닝 모델을 후처리합니다,
- 결과를 비판적으로 분석합니다,
이 작업들은 ML 비전문가에게 복잡한 경우가 많습니다. 머신러닝 애플리케이션이 빠르게 늘면서 전문 지식 없이도 쉽게 사용할 수 있는 기성 머신러닝 방법에 대한 수요가 생겼습니다. 머신러닝의 점진적 자동화를 목표로 하는 연구 분야를 AutoML이라 합니다. 머신러닝의 새로운 하위 분야인 AutoML은 머신러닝뿐 아니라 컴퓨터 비전, 자연어 처리, 그래프 컴퓨팅 분야에서도 주목받고 있습니다.
AutoML의 공식적인 정의는 없습니다. 대부분 논문의 설명을 바탕으로 하면 AutoML의 기본 절차는 다음과 같습니다.
AutoML 접근법은 머신러닝 전문가와 경쟁하고 때로는 능가할 만큼 성숙했습니다. 간단히 말해 머신러닝 전문가는 찾기 어렵고 비용도 많이 들기 때문에 AutoML은 성능을 높이는 동시에 상당한 시간과 비용을 절약할 수 있습니다. 그 결과 최근 AutoML에 대한 상업적 관심이 크게 늘었고, 여러 대형 기술 기업과 스타트업이 자체 AutoML 시스템을 개발하고 있습니다. 아래 표는 그중 일부를 개괄적으로 비교합니다.
| 기업 | AutoFE | HPO | NAS |
|---|---|---|---|
| 4paradigm | √ | √ | × |
| Alibaba | × | √ | × |
| Baidu | × | × | √ |
| Determined AI | × | √ | √ |
| √ | √ | √ | |
| DataCanvas | √ | √ | √ |
| H2O.ai | √ | √ | × |
| Microsoft | × | √ | √ |
| MLJAR | √ | √ | √ |
| RapidMiner | √ | √ | × |
| Tencent | × | √ | × |
Awesome-AutoML-Papers는 AutoML에 필요한 핵심 기법을 최신 내용으로 개괄합니다.
- 자동 데이터 정제(Auto Clean)
- 자동 특성 엔지니어링(Auto FE)
- 하이퍼파라미터 최적화(HPO)
- 메타 학습
- 신경망 아키텍처 탐색(NAS)
서베이
섹션 제목: “서베이”- 2019 | AutoML: A Survey of the State-of-the-Art | Xin He, et al. | arXiv |
PDF - 2019 | Survey on Automated Machine Learning | Marc Zoeller, Marco F. Huber | arXiv |
PDF - 2019 | Automated Machine Learning: State-of-The-Art and Open Challenges | Radwa Elshawi, et al. | arXiv |
PDF - 2018 | Taking Human out of Learning Applications: A Survey on Automated Machine Learning | Quanming Yao, et al. | arXiv |
PDF - 2020 | On Hyperparameter Optimization of Machine Learning Algorithms: Theory and Practice | Li Yang, et al. | Neurocomputing |
PDF - 2020 | Automated Machine Learning—a brief review at the end of the early years | Escalante, H. J. | arXiv |
PDF - 2022 | IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective | Li Yang, et al. | arXiv |
PDF - 2024 | Automated machine learning: past, present and future | Baratchi. M, et al. | Artificial Intelligence Review |
Springer
자동 특성 엔지니어링
섹션 제목: “자동 특성 엔지니어링”-
확장 및 축소
섹션 제목: “확장 및 축소”
- 2022 | BERT-Sort: A Zero-shot MLM Semantic Encoder on Ordinal Features for AutoML | Mehdi Bahrami, et al. | AutoML |
PDF - 2017 | AutoLearn — Automated Feature Generation and Selection | Ambika Kaul, et al. | ICDM |
PDF - 2017 | One button machine for automating feature engineering in relational databases | Hoang Thanh Lam, et al. | arXiv |
PDF - 2016 | Automating Feature Engineering | Udayan Khurana, et al. | NIPS |
PDF - 2016 | ExploreKit: Automatic Feature Generation and Selection | Gilad Katz, et al. | ICDM |
PDF - 2015 | Deep Feature Synthesis: Towards Automating Data Science Endeavors | James Max Kanter, Kalyan Veeramachaneni | DSAA |
PDF
-
변환의 계층적 구성
섹션 제목: “변환의 계층적 구성”- 2016 | Cognito: Automated Feature Engineering for Supervised Learning | Udayan Khurana, et al. | ICDMW |
PDF
- 2016 | Cognito: Automated Feature Engineering for Supervised Learning | Udayan Khurana, et al. | ICDMW |
-
메타 학습
섹션 제목: “메타 학습” -
강화 학습
섹션 제목: “강화 학습”
아키텍처 탐색
섹션 제목: “아키텍처 탐색”-
진화 알고리즘
섹션 제목: “진화 알고리즘”- 2019 | Evolutionary Neural AutoML for Deep Learning | Jason Liang, et al. | GECCO |
PDF - 2017 | Large-Scale Evolution of Image Classifiers | Esteban Real, et al. | PMLR |
PDF - 2002 | Evolving Neural Networks through Augmenting Topologies | Kenneth O.Stanley, Risto Miikkulainen | Evolutionary Computation |
PDF
- 2019 | Evolutionary Neural AutoML for Deep Learning | Jason Liang, et al. | GECCO |
-
지역 탐색
섹션 제목: “지역 탐색”- 2017 | Simple and Efficient Architecture Search for Convolutional Neural Networks | Thomoas Elsken, et al. | ICLR |
PDF
- 2017 | Simple and Efficient Architecture Search for Convolutional Neural Networks | Thomoas Elsken, et al. | ICLR |
-
메타 학습
섹션 제목: “메타 학습”- 2016 | Learning to Optimize | Ke Li, Jitendra Malik | arXiv |
PDF
- 2016 | Learning to Optimize | Ke Li, Jitendra Malik | arXiv |
-
강화 학습
섹션 제목: “강화 학습”- 2018 | AMC: AutoML for Model Compression and Acceleration on Mobile Devices | Yihui He, et al. | ECCV |
PDF - 2018 | Efficient Neural Architecture Search via Parameter Sharing | Hieu Pham, et al. | arXiv |
PDF - 2017 | Neural Architecture Search with Reinforcement Learning | Barret Zoph, Quoc V. Le | ICLR |
PDF
- 2018 | AMC: AutoML for Model Compression and Acceleration on Mobile Devices | Yihui He, et al. | ECCV |
-
전이 학습
섹션 제목: “전이 학습”- 2017 | Learning Transferable Architectures for Scalable Image Recognition | Barret Zoph, et al. | arXiv |
PDF
- 2017 | Learning Transferable Architectures for Scalable Image Recognition | Barret Zoph, et al. | arXiv |
-
네트워크 변형
섹션 제목: “네트워크 변형”- 2019 | Auto-Keras: An Efficient Neural Architecture Search System | Haifeng Jin, et al. | KDD |
PDF
- 2019 | Auto-Keras: An Efficient Neural Architecture Search System | Haifeng Jin, et al. | KDD |
-
연속 최적화
섹션 제목: “연속 최적화”
프레임워크
섹션 제목: “프레임워크”- 2019 | Auptimizer — an Extensible, Open-Source Framework for Hyperparameter Tuning | Jiayi Liu, et al. | IEEE Big Data |
PDF - 2019 | Towards modular and programmable architecture search | Renato Negrinho, et al. | NeurIPS |
PDF - 2019 | Evolutionary Neural AutoML for Deep Learning | Jason Liang, et al. | arXiv |
PDF - 2017 | ATM: A Distributed, Collaborative, Scalable System for Automated Machine Learning | T. Swearingen, et al. | IEEE |
PDF - 2017 | Google Vizier: A Service for Black-Box Optimization | Daniel Golovin, et al. | KDD |
PDF - 2015 | AutoCompete: A Framework for Machine Learning Competitions | Abhishek Thakur, et al. | ICML |
PDF
하이퍼파라미터 최적화
섹션 제목: “하이퍼파라미터 최적화”-
베이지안 최적화
섹션 제목: “베이지안 최적화”- 2020 | Bayesian Optimization of Risk Measures | NeurIPS |
PDF - 2020 | BOTORCH: A Framework for Efficient Monte-Carlo Bayesian Optimization | NeurIPS |
PDF - 2020 | Tuning Hyperparameters without Grad Students: Scalable and Robust Bayesian Optimisation with Dragonfly | JMLR |
PDF - 2019 | Bayesian Optimization with Unknown Search Space | NeurIPS |
PDF - 2019 | Constrained Bayesian optimization with noisy experiments |
PDF - 2019 | Learning search spaces for Bayesian optimization: Another view of hyperparameter transfer learning | NeurIPS |
PDF - 2019 | Practical Two-Step Lookahead Bayesian Optimization | NeurIPS |
PDF - 2019 | Predictive entropy search for multi-objective bayesian optimization with constraints |
PDF - 2018 | BOCK: Bayesian optimization with cylindrical kernels | ICML |
PDF - 2018 | Efficient High Dimensional Bayesian Optimization with Additivity and Quadrature Fourier Features | Mojmír Mutný, et al. | NeurIPS |
PDF - 2018 | High-Dimensional Bayesian Optimization via Additive Models with Overlapping Groups. | PMLR |
PDF - 2018 | Maximizing acquisition functions for Bayesian optimization | NeurIPS |
PDF - 2018 | Scalable hyperparameter transfer learning | NeurIPS |
PDF - 2016 | Bayesian Optimization with Robust Bayesian Neural Networks | Jost Tobias Springenberg， et al. | NIPS |
PDF - 2016 | Scalable Hyperparameter Optimization with Products of Gaussian Process Experts | Nicolas Schilling, et al. | PKDD |
PDF - 2016 | Taking the Human Out of the Loop: A Review of Bayesian Optimization | Bobak Shahriari, et al. | IEEE |
PDF - 2016 | Towards Automatically-Tuned Neural Networks | Hector Mendoza, et al. | JMLR |
PDF - 2016 | Two-Stage Transfer Surrogate Model for Automatic Hyperparameter Optimization | Martin Wistuba, et al. | PKDD |
PDF - 2015 | Efficient and Robust Automated Machine Learning |
PDF - 2015 | Hyperparameter Optimization with Factorized Multilayer Perceptrons | Nicolas Schilling, et al. | PKDD |
PDF - 2015 | Hyperparameter Search Space Pruning - A New Component for Sequential Model-Based Hyperparameter Optimization | Martin Wistua, et al. |
PDF - 2015 | Joint Model Choice and Hyperparameter Optimization with Factorized Multilayer Perceptrons | Nicolas Schilling, et al. | ICTAI |
PDF - 2015 | Learning Hyperparameter Optimization Initializations | Martin Wistuba, et al. | DSAA |
PDF - 2015 | Scalable Bayesian optimization using deep neural networks | Jasper Snoek, et al. | ACM |
PDF - 2015 | Sequential Model-free Hyperparameter Tuning | Martin Wistuba, et al. | ICDM |
PDF - 2013 | Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms |
PDF - 2013 | Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures | J. Bergstra | JMLR |
PDF - 2012 | Practical Bayesian Optimization of Machine Learning Algorithms |
PDF - 2011 | Sequential Model-Based Optimization for General Algorithm Configuration(extended version) |
PDF
- 2020 | Bayesian Optimization of Risk Measures | NeurIPS |
-
진화 알고리즘
섹션 제목: “진화 알고리즘”- 2020 | Delta-STN: Efficient Bilevel Optimization for Neural Networks using Structured Response Jacobians | Juhan Bae, Roger Grosse | Neurips |
PDF - 2018 | Autostacker: A Compositional Evolutionary Learning System | Boyuan Chen, et al. | arXiv |
PDF - 2017 | Large-Scale Evolution of Image Classifiers | Esteban Real, et al. | PMLR |
PDF - 2016 | Automating biomedical data science through tree-based pipeline optimization | Randal S. Olson, et al. | ECAL |
PDF - 2016 | Evaluation of a tree-based pipeline optimization tool for automating data science | Randal S. Olson, et al. | GECCO |
PDF
- 2020 | Delta-STN: Efficient Bilevel Optimization for Neural Networks using Structured Response Jacobians | Juhan Bae, Roger Grosse | Neurips |
-
Lipschitz Functions
섹션 제목: “Lipschitz Functions”- 2017 | Global Optimization of Lipschitz functions | C´edric Malherbe, Nicolas Vayatis | arXiv |
PDF
- 2017 | Global Optimization of Lipschitz functions | C´edric Malherbe, Nicolas Vayatis | arXiv |
-
지역 탐색
섹션 제목: “지역 탐색”- 2009 | ParamILS: An Automatic Algorithm Configuration Framework | Frank Hutter, et al. | JAIR |
PDF
- 2009 | ParamILS: An Automatic Algorithm Configuration Framework | Frank Hutter, et al. | JAIR |
-
메타 학습
섹션 제목: “메타 학습”- 2019 | OBOE: Collaborative Filtering for AutoML Model Selection | Chengrun Yang, et al. | KDD |
PDF - 2019 | SMARTML: A Meta Learning-Based Framework for Automated Selection and Hyperparameter Tuning for Machine Learning Algorithms |
PDF - 2008 | Cross-Disciplinary Perspectives on Meta-Learning for Algorithm Selection |
PDF
- 2019 | OBOE: Collaborative Filtering for AutoML Model Selection | Chengrun Yang, et al. | KDD |
-
입자 군집 최적화
섹션 제목: “입자 군집 최적화”- 2017 | Particle Swarm Optimization for Hyper-parameter Selection in Deep Neural Networks | Pablo Ribalta Lorenzo, et al. | GECCO |
PDF - 2008 | Particle Swarm Optimization for Parameter Determination and Feature Selection of Support Vector Machines | Shih-Wei Lin, et al. | Expert Systems with Applications |
PDF
- 2017 | Particle Swarm Optimization for Hyper-parameter Selection in Deep Neural Networks | Pablo Ribalta Lorenzo, et al. | GECCO |
-
무작위 탐색
섹션 제목: “무작위 탐색” -
전이 학습
섹션 제목: “전이 학습”- 2016 | Efficient Transfer Learning Method for Automatic Hyperparameter Tuning | Dani Yogatama, Gideon Mann | JMLR |
PDF - 2016 | Flexible Transfer Learning Framework for Bayesian Optimisation | Tinu Theckel Joy, et al. | PAKDD |
PDF - 2016 | Hyperparameter Optimization Machines | Martin Wistuba, et al. | DSAA |
PDF - 2013 | Collaborative Hyperparameter Tuning | R´emi Bardenet, et al. | ICML |
PDF
- 2016 | Efficient Transfer Learning Method for Automatic Hyperparameter Tuning | Dani Yogatama, Gideon Mann | JMLR |
- 2020 | Automated Machine Learning Techniques for Data Streams | Alexandru-Ionut Imbrea |
PDF - 2018 | Accelerating Neural Architecture Search using Performance Prediction | Bowen Baker, et al. | ICLR |
PDF - 2017 | Automatic Frankensteining: Creating Complex Ensembles Autonomously | Martin Wistuba, et al. | SIAM |
PDF - 2018 | Characterizing classification datasets: A study of meta-features for meta-learning | Rivolli, Adriano, et al. | arXiv |
PDF - 2020 | Putting the Human Back in the AutoML Loop | Xanthopoulos, Iordanis, et al. | EDBT/ICDT |
PDF
튜토리얼
섹션 제목: “튜토리얼”베이지안 최적화
섹션 제목: “베이지안 최적화”- 2018 | A Tutorial on Bayesian Optimization. |
PDF - 2010 | A Tutorial on Bayesian Optimization of Expensive Cost Functions, with Application to Active User Modeling and Hierarchical Reinforcement Learning |
PDF
메타 학습
섹션 제목: “메타 학습”- 2008 | Metalearning - A Tutorial |
PDF
블로그
섹션 제목: “블로그”| 유형 | 블로그 제목 | 링크 |
|---|---|---|
| HPO | Bayesian Optimization for Hyperparameter Tuning | Link |
| Meta-Learning | Learning to learn | Link |
| Meta-Learning | Why Meta-learning is Crucial for Further Advances of Artificial Intelligence? | Link |
| 출판 연도 | 유형 | 도서 제목 | 저자 | 출판사 | 링크 |
|---|---|---|---|---|---|
| 2009 | Meta-Learning | Metalearning - Applications to Data Mining | Brazdil, P., Giraud Carrier, C., Soares, C., Vilalta, R. | Springer | Download |
| 2019 | HPO, Meta-Learning, NAS | AutoML: Methods, Systems, Challenges | Frank Hutter, Lars Kotthoff, Joaquin Vanschoren | Download | |
| 2021 | Learning | Automated Machine Learning in Action | Qinquan Song, Haifeng Jin, Xia Hu | Manning Publications | Download |
동영상
섹션 제목: “동영상”| 제목 | 저자 | 링크 | | AutoML Basics: Automated Machine Learning in Action | Qinquan Song, Haifeng Jin, Xia Hu | (https://www.youtube.com/watch?v=9KpieG0B7VM) |
프로젝트
섹션 제목: “프로젝트”| 프로젝트 | 유형 | 언어 | 라이선스 | 링크 |
|---|---|---|---|---|
| AdaNet | NAS | Python | Apache-2.0 | Github |
| Advisor | HPO | Python | Apache-2.0 | Github |
| AMLA | HPO, NAS | Python | Apache-2.0 | Github |
| ATM | HPO | Python | MIT | Github |
| Auger | HPO | Python | Commercial | Homepage |
| auptimizer | HPO, NAS | Python (support R script) | GPL-3.0 | Github |
| Auto-Keras | NAS | Python | License | Github |
| AutoML Vision | NAS | Python | Commercial | Homepage |
| AutoML Video Intelligence | NAS | Python | Commercial | Homepage |
| AutoML Natural Language | NAS | Python | Commercial | Homepage |
| AutoML Translation | NAS | Python | Commercial | Homepage |
| AutoML Tables | AutoFE, HPO | Python | Commercial | Homepage |
| AutoPyTorch | HPO, NAS | Python | Apache-2.0 | Github |
| HyperGBM | HPO | Python | Python | Github |
| HyperKeras | NAS | Python | Python | Github |
| Hypernets | HPO, NAS | Python | Python | Github |
| auto-sklearn | HPO | Python | License | Github |
| auto_ml | HPO | Python | MIT | Github |
| BayesianOptimization | HPO | Python | MIT | Github |
| BayesOpt | HPO | C++ | AGPL-3.0 | Github |
| comet | HPO | Python | Commercial | Homepage |
| DataRobot | HPO | Python | Commercial | Homepage |
| DEvol | NAS | Python | MIT | Github |
| DeepArchitect | NAS | Python | MIT | Github |
| Determined | HPO, NAS | Python | Apache-2.0 | Github |
| Driverless AI | AutoFE | Python | Commercial | Homepage |
| FAR-HO | HPO | Python | MIT | Github |
| H2O AutoML | HPO | Python, R, Java, Scala | Apache-2.0 | Github |
| HpBandSter | HPO | Python | BSD-3-Clause | Github |
| HyperBand | HPO | Python | License | Github |
| Hyperopt | HPO | Python | License | Github |
| Hyperopt-sklearn | HPO | Python | License | Github |
| Hyperparameter Hunter | HPO | Python | MIT | Github |
| Katib | HPO | Python | Apache-2.0 | Github |
| MateLabs | HPO | Python | Commercial | Github |
| Milano | HPO | Python | Apache-2.0 | Github |
| MLJAR | AutoFE, HPO, NAS | Python | MIT | Github |
| mlr3automl | HPO | R | LGPL-3.0 | GitHub |
| nasbot | NAS | Python | MIT | Github |
| neptune | HPO | Python | Commercial | Homepage |
| NNI | HPO, NAS | Python | MIT | Github |
| Oboe | HPO | Python | BSD-3-Clause | Github |
| Optunity | HPO | Python | License | Github |
| R2.ai | HPO | Commercial | Homepage | |
| RBFOpt | HPO | Python | License | Github |
| RoBO | HPO | Python | BSD-3-Clause | Github |
| Scikit-Optimize | HPO | Python | License | Github |
| SigOpt | HPO | Python | Commercial | Homepage |
| SMAC3 | HPO | Python | License | Github |
| TPOT | AutoFE, HPO | Python | LGPL-3.0 | Github |
| TransmogrifAI | HPO | Scala | BSD-3-Clause | Github |
| Tune | HPO | Python | Apache-2.0 | Github |
| Xcessiv | HPO | Python | Apache-2.0 | Github |
| SmartML | HPO | R | GPL-3.0 | Github |
| MLBox | AutoFE, HPO | Python | BSD-3 License | Github |
| AutoAI Watson | AutoFE, HPO | Commercial | Homepage | |
| AUtoML | AutoML | Python | MIT | Github |
| Optuna | HPO | Python | MIT | Github |
슬라이드
섹션 제목: “슬라이드”| 유형 | 슬라이드 제목 | 저자 | 링크 |
|---|---|---|---|
| AutoFE | Automated Feature Engineering for Predictive Modeling | Udyan Khurana, etc al. | Download |
| HPO | A Tutorial on Bayesian Optimization for Machine Learning | Ryan P. Adams | Download |
| HPO | Bayesian Optimisation | Gilles Louppe | Download |
감사의 말
섹션 제목: “감사의 말”이 프로젝트에 기여해 주신 모든 분께 진심으로 감사드립니다.
| 이름 | 소개 |
|---|---|
| Alexander Robles | 브라질 UNICAMP 박사과정 학생 |
| derekflint | |
| endymecy | Tencent 선임 연구원 |
| Eric | |
| Erin LeDell | H2O.ai 최고 머신러닝 과학자 |
| fwcore | |
| Gaurav Mittal | |
| Hernan Ceferino Vazquez | 박사, MercadoLibre 데이터 과학 전문가 |
| Kaustubh Damania | |
| Lilian Besson | CentraleSupélec 박사과정 학생 |
| 罗磊 | |
| Marc | |
| Mohamed Maher | |
| Neil Conway | Determined AI 최고기술책임자 |
| Richard Liaw | UC Berkeley 박사과정 학생 |
| Randy Olson | LifeEGX 수석 데이터 과학자 |
| Slava Kurilyak | Produvia 창립자 겸 CEO |
| Saket Maheshwary | AI 연구원 |
| shaido987 | |
| sophia-wright-blue | |
| tengben0905 | |
| xuehui | @Microsoft |
| Yihui He | 카네기멜런대학교 대학원생 |
연락 및 피드백
섹션 제목: “연락 및 피드백”제안(누락되거나 새로운 논문, 주요 연구자, 오탈자 등)이 있으면 풀 리퀘스트를 보내 주세요. 다음 주소로 이메일을 보내셔도 됩니다.
- Mark Lin (hibayesian@gmail.com).
라이선스
섹션 제목: “라이선스”Awesome-AutoML-Papers는 Apache License 2.0에 따라 제공됩니다.
HagiCode
HagiCode는 에이전트 코딩 작업 공간입니다. 풍부하고 편리한 UI 상호작용으로 계획 수립, 에이전트 실행, 프로젝트 작업을 쉽게 시작하고 따라가며 개발을 더 흥미로운 경험으로 만듭니다.
풍부하고 편리한 UI 상호작용으로 계획부터 프로젝트 작업까지 쉽게 따라갈 수 있습니다.
- 스마트OpenSpec 워크플로는 의도를 제안, 설계, 작업을 거쳐 배포까지 이어지는 실행 가능한 경로로 바꿉니다.
- 효율적다중 에이전트 실행으로 조사, 구현, 검토를 병렬로 진행하며 여러 저장소와 익숙한 Agent CLI를 지원합니다.
- 흥미로운풍부하고 편리한 UI 상호작용으로 계획 수립, 에이전트 실행, 프로젝트 작업을 쉽게 시작하고 따라갈 수 있습니다.
Windows용 다운로드
HagiCode 공유
아이디어를 실제로 배포되는 소프트웨어로.
HagiCode는 에이전트 코딩 작업 공간입니다. OpenSpec 워크플로로 변경을 계획하고, 다중 에이전트 실행으로 진행하며, Hero Scenario로 긴 작업의 진행 상황을 한눈에 보여 아이디어를 실제로 배포되는 소프트웨어로 만듭니다.
- 스마트
- OpenSpec 워크플로는 의도를 제안부터 배포까지 이어지는 실행 가능한 경로로 바꿉니다.
- 효율적
- 다중 에이전트 실행으로 조사, 구현, 검토를 병렬로 진행합니다.
- 즐거운
- 편리한 UI 상호작용으로 계획, 에이전트 실행, 프로젝트 작업을 쉽게 따라갈 수 있습니다.
© 2026 HagiCode | Powered By hagilight-starlight@0.21.0 | Branch: main | Commit: 745b50b | Built: