AetherCrew: AI 직원 11명의 가상 회사.
직접 만든 오케스트레이터로 AI 직원 11명의 업무 배정, 모델 선택, 비용 추적을 구현한 가상 회사입니다. 에이전트 작업은 시뮬레이션이며 언어 모델 API는 호출하지 않습니다.
문제
여러 AI 직원이 역할별로 일을 나눠 맡으면 누가 어떤 모델을 쓰는지, 비용이 어디까지 갔는지, 외부 시스템에 무엇을 쓸 수 있는지 코드로 통제해야 합니다.
접근
CEO 지시를 비서(경영기획실장)가 받아 계획을 쓰고 역할별 Task로 나눕니다. 직원별로 Anthropic, OpenAI, Google, DeepSeek 모델의 우선순위를 두고 실패하면 다음 모델로 전환합니다. 예상 비용을 쌓아 80%와 95%에서 경고하고 100%에서 작업을 막습니다. 외부 쓰기는 기본 차단, 파일 접근은 프로젝트 루트로 제한합니다.
구현
- Python
- FastAPI
- WebSocket
- pytest
- Slack
- Jira
- GitHub
규모 · AI 직원 11명 · 3개 부서 · 대시보드 8페이지
AI 직원 11명이 경영, 기술, 영업 세 부서에 역할과 권한을 가지고 배치됩니다.
CEO의 지시를 비서(경영기획실장)가 받아 계획을 씁니다.
계획은 역할별 Task로 나뉘어 기술 조직에 배분됩니다.
Task마다 직원별 모델 우선순위로 에이전트를 고르고 예상 비용을 기록합니다.
공개 코드에서 에이전트 작업은 시뮬레이션이며 언어 모델 API는 호출하지 않습니다.
전체 단계 읽기
- AI 직원 11명이 경영, 기술, 영업 세 부서에 역할과 권한을 가지고 배치됩니다.
- CEO의 지시를 비서(경영기획실장)가 받아 계획을 씁니다.
- 계획은 역할별 Task로 나뉘어 기술 조직에 배분됩니다.
- Task마다 직원별 모델 우선순위로 에이전트를 고르고 예상 비용을 기록합니다.
- 공개 코드에서 에이전트 작업은 시뮬레이션이며 언어 모델 API는 호출하지 않습니다.
결과
FastAPI 웹 대시보드 8페이지에서 조직도, 비용, 로그, 픽셀 오피스 CCTV를 봅니다. API 키 없이 실행되고 언어 모델은 호출하지 않으므로 실제 작업 결과물은 나오지 않습니다. Slack, Jira, GitHub 클라이언트는 실제 코드이며 INTEGRATIONS_LIVE_WRITE를 켤 때만 동작합니다.
- 11
- AI 직원
- 3
- 부서
- 8
- 웹 대시보드 페이지
배운 점
실제로 에이전트끼리 일을 넘기게 해 보니, 한 에이전트의 잘못된 결과를 다음 에이전트가 검증 없이 그대로 믿었습니다. 그때 신뢰 경계와 권한 범위는 프롬프트의 당부가 아니라 코드 안에 있어야 한다는 것을 체감했습니다. 그래서 이 프로젝트에서는 모델 선택, 예산 차단, 외부 쓰기, 파일 접근 범위처럼 위험이 생길 수 있는 지점을 모두 코드의 규칙으로 두었습니다. 외부 쓰기는 기본으로 막고 설정을 켤 때만 허용하며, 예산은 80%와 95%에서 경고하고 100%에서 멈춥니다. AI가 많은 일을 맡을수록 사람이 정해야 하는 것은 무엇을 시킬지보다 어디까지 허용할지라는 점을 배웠습니다.
11 AI 직원 — 3개 부서, 예산 100%에서 작업 차단
공개 레포: pf-06-aethercrew-ai-company ↗