Autonomous Multi-Agent Enterprise Virtualized Automation
Orchestrating Intelligence Beyond the Cloud.
🎨 Official Brand & Design System Guide | 🌐 GitHub Organization
The AMEVA ecosystem identity is defined by a clean Aqua-Cyan Universe & Dynamic Asymmetric Organic Automation aesthetic.
- Agentic — Self-reasoning and autonomous decision-making AI agents.
- Multi-agent & Multimedia — Hierarchical agent orchestration & rich media authoring.
- Ecosystem — Integrated enterprise platform bridging Desktop, Cloud, and Edge.
- Virtualized — Isolated offline WASM/Electron sandboxes & inference runtimes.
- Automation — Self-executing pipelines with real-time visual output.
Tip
For complete color tokens, SVG assets, and design system guidelines, see assets/brand/BRAND_GUIDE.md.
AMEVA 에코시스템은 다음 세 가지 핵심 Paradigm 위에 구축되었습니다:
- Hierarchical Control: 단순한 Prompt-response 패턴을 넘어, 구조화된 "Nobles & Workers" 계층형 제어를 지향합니다.
- Hardware-Software Co-Design: 각 Edge device의 Power/Compute profile을 고려하여 Inference 과정을 최적화합니다.
- Reliability by Design: AI 추론 과정을 하나의 Mission-critical utility로 간주하고, Site Reliability Engineering (SRE) 원칙을 적용합니다.
| Project | Role in Ecosystem | Core Innovation |
|---|---|---|
| Agent Orchestra | Orchestrator | Hierarchical task decomposition & Agent management |
| Model Nexus | Infrastructure | Unified API gateway with SRE-based dynamic throttling |
| Benchmark Suite | Validation | Empirical power/performance profiling for edge hardware |
| Doc AI | Interface | Privacy-first offline document intelligence pipeline |
| Conductor | Control | Remote cross-platform UI for human-agent interaction |
| Data Harvester | Data Layer | Hyper-resilient, zero-loss edge forwarder with multi-transport backup |
| Database | Analytics | Lightweight SQLite & log inspector for distributed AMEVA ecosystem |
| STT Trainer | Perception | Whisper-based Korean STT with LoRA fine-tuning |
| STT Agent | Perception | Speech recognition agent integration |
| Window Assistant | Interface | Windows-native local AI desktop assistant with OCR-first screen understanding |
| Dead Internet Theatre | Simulation | Fully autonomous Docker-based multi-agent simulation |
| BitNet | Optimization | BitNet inference framework with ARM/Exynos scalar fallback |
- 🚀 AMEVA OS Workspace & Playground (WASM OS): 로컬 호스트 자원과 브라우저 격리 샌드박스를 결합한 가속 하이브리드 가상 운영체제 개발 환경 (로컬 프록시 구동 시 연동 작동)
- ✨ AMEVA OS 프로모션 & 인터랙티브 체험 페이지 (Promo URL): Node Flow 및 가상 쉘 데모 시뮬레이터를 직접 체험해볼 수 있는 공식 랜드마크 페이지
🔍 AMEVA Core MCP Specifications (두 가지 핵심 MCP 연동 스펙 보기)
- 역할: 로컬 기기 자원을 안전하게 보존하면서, 크롤러나 동적 파이썬 스크립트 등 위험도가 높은 연산을 100% 격리된 웹 브라우저 WASM(Pyodide) 샌드박스로 우회하여 안전하게 처리합니다.
- 특징:
https://uno-km.github.io/MCP-Wasm-Toolkit/frontend/ameva_os.html페이지와 로컬 포트9000프록시 브릿지 간 웹소켓 통신을 보장합니다.
- 역할: GitHub 원격 리포지토리에 저장된
mcp_manifest.json설정과 도구 코드를 SSE(ntfy.sh) 실시간 핫리로드 채널을 통해 active 브라우저 세션에 3초 이내에 자동 업데이트 및 동적 등록합니다. - 특징: 패키지 재설치나 서버 재부팅 없이 AI 에이전트의 실행 가능한 도구 셋을 동적으로 확장합니다.
💡 인터랙티브 대시보드 활용 팁:
- Graph Exploration: 중앙의 캔버스를 드래그하여 에이전트 노드들을 관찰하세요.
- RAG Query: 오른쪽 하단 채팅창에
아메바란?이라고 치면 RAG 엔진이 프로젝트 문서를 검색합니다. -PC에서 최적화- Edge Optimization: 설정 탭에서 모델 가중치(양자화)를 실시간으로 조정해 보세요.
This repository now includes the "AMEVA Setup Universe" — a single installer and UX layer to bootstrap the full AMEVA ecosystem on macOS, Linux, and Windows.
bash <(curl -fsSL https://raw.githubusercontent.com/uno-km/uno-km/setup-universe-feature/setup.sh)Run PowerShell as Administrator and execute:
irm https://raw.githubusercontent.com/uno-km/uno-km/setup-universe-feature/setup.ps1 | iexGit all clone execute:
irm https://raw.githubusercontent.com/uno-km/uno-km/setup-universe-feature/git/clone_ameva.ps1 | iexGit all fetch execute:
irm https://raw.githubusercontent.com/uno-km/uno-km/setup-universe-feature/git/fetch_ameva.ps1 | iexpython setup.py- Creates a unified AMEVA home:
~/amevaorC:\ameva - Creates canonical model folders:
ameva/models/llm,ameva/models/stt,ameva/models/tts - Offers interactive selection of components (LLM / STT / TTS / All)
- Diagnoses system environments: OS, CPU/GPU, PowerShell execution policies, Git installation, Windows Long Path support, and C++ Build Tools (MSVC compiler).
- Performs temporary CUDA/GPU validation: Sets up an isolated temporary environment (
temp_env_ai) to verify PyTorch CUDA acceleration and instantly cleans it up after validation. - Delegates library installation: Python library installs are delegated to each cloned project's local virtual environment (e.g.
venv) to keep the global environment clean and stable. - Generates a unified
config.jsonat AMEVA home. - Integrates with PowerShell profiles: Automates environment variables initialization and provides dynamic virtual environment scanning activation commands (
act/activate/env_ai).
Note
- Installer files live on branch
setup-universe-feature(raw links above). You can inspect or copy them to run locally. - All installer prompts and printed progress are in English; inline comments in the scripts are written in Korean.
현대 LLM은 Long-context 내에서의 "망각" 현상을 겪습니다. Agent Orchestra는 User intent를 **Nobles (의사결정 레이어)**로 추상화하고, 이를 원자 단위의 서브 태스크로 쪼개어 전문화된 Workers에게 위임함으로써 이를 해결합니다.
- Research Focus: Multi-turn 오케스트레이션 과정에서의 "Semantic Drift" 최소화
- Key Implementation: 로컬 GGUF 모델에 최적화된 Graph-based state management 시스템
제한된 리소스 환경에서 어떻게 안정적으로 AI를 서빙할 것인가? Model Nexus는 모델을 가상화된 리소스로 취급합니다.
- Dynamic Scoped-Throttling: 현재 하드웨어의 온도 및 Power draw를 실시간으로 감지하여 Context window와 Sampling 파라미터를 동적으로 조절합니다
- High-Availability Serving: 복잡한 Agent 요청이 단순 질의보다 우선 처리될 수 있도록 스케줄링합니다
"측정할 수 없으면 개선할 수 없다." 본 Suite는 모든 AMEVA 최적화의 기술적 근거(Empirical foundation)를 제공합니다.
- Synchronized Power Tracking: TPS(Tokens Per Second)와 mW(Milliwatt) 소모량을 동기화하여 분석하는 "Greener AI"의 첫걸음입니다
데이터 손실 없는 극도의 복원력. 데이터베이스 없이 엣지에서 직접 하이브리드 전송 경로를 통해 데이터를 수집합니다.
- Multi-Transport Backup: SCP, HTTPS, Telegram Bot을 통한 자동 폴백
- Payload Validation: 제로 로스 검증 메커니즘으로 데이터 무결성 보장
Whisper 기반 LoRA 파인 튜닝으로 한국어 특화 음성 인식을 구현합니다.
- STT Trainer: 데이터 스크래핑부터 모델 병합까지 전체 파이프라인 제공
- STT Agent: Edge device에서 실시간 음성 처리 및 통합
Windows 데스크톱 AI 어시스턴트로, 화면 이해를 OCR 기반으로 우선 처리합니다.
- Multimodal Fallback: OCR 실패 시 Vision 모델로 자동 전환
- Offline Voice I/O: 완전 오프라인 음성 입출력
- llama.cpp Integration: 로컬 추론 엔진 통합
복잡한 Agentic workflow를 100% 오프라인 환경에서 구현 완료. Local model fine-tuning을 통한 Data sovereignty 확보.
Federated Inference 도입. 로컬 네트워크 내의 여러 엣지 디바이스 가용 VRAM을 풀링(Pooling)하여, 단일 기기에서 불가능했던 대형 모델(30B+)을 분산 처리하는 기술 연구.
단순한 수행을 넘어, Benchmark Suite의 과거 데이터를 학습하여 스스로 코드와 인프라를 최적화(Self-optimization)하는 자율형 Self-healing AI 에이전트 시스템 구축.
| Term | Definition |
|---|---|
| Orchestration | 복잡한 시스템이나 여러 에이전트의 동작을 조화롭게 제어하고 관리하는 과정 |
| Hierarchical | 계층적인 시스템 구조. 상위 레이어가 전략을 짜고 하위 레이어가 실행하는 방식 |
| Edge-AI | 데이터 센터(클라우드)가 아닌 사용자와 가까운 기기(엣지)에서 직접 AI를 구동하는 기술 |
| Inference | 학습된 AI 모델을 통해 결과값을 도출해내는 추론(실행) 과정 |
| SRE | Site Reliability Engineering - 시스템의 안정성과 신뢰성을 높이기 위해 소프트웨어 공학 기법을 인프라 운영에 적용하는 방법론 |
| Sovereignty | 데이터나 시스템에 대한 완전한 통제권 및 주권 |
| Throttling | 자원 과부하를 막기 위해 의도적으로 처리 속도나 요청을 조절하는 기술 |
| Semantic Drift | 대화나 작업이 길어질수록 AI가 원래의 맥락이나 의도에서 벗어나는 현상 |
| Empirical | 실제 실험이나 관찰을 통해 얻은 데이터에 기반한 실증적인 접근 |
| Federated | 여러 곳에 분산되어 있지만 하나처럼 협력하는 연합 방식 |
- Core Runtime: Python 3.9+, GGUF (llama.cpp), Ollama
- Agent Framework: Custom hierarchical orchestration
- Data Pipeline: SQLite, pandas, Arrow
- Communication: Telegram Bot API, HTTPS, SCP
- AI/ML: Whisper, LoRA, BitNet, llama.cpp
- Containerization: Docker, Docker Compose
- UI/UX: Tkinter, Web-based dashboards
- Monitoring: Custom power/performance tracking
저는 Multi-Agent Systems, Edge Computing, 그리고 AI SRE 분야에 대한 학술적 담론을 언제나 환영합니다.
- GitHub: @uno-km
- Email: zhfldk014745@naver.com
- Tstory : my-blog
- Research Focus: Hierarchical AI Orchestration, Edge-native Inference, Data Sovereignty
Generated with ❤️ by AMEVA Ecosystem Builder
Last Updated: July 27, 2026