출처
- 원문: https://discuss.pytorch.kr/t/adala/11240
- 작성자: 9bow
- 원문 보존: raw source:
web-2026-07-15-pytorchkr-topic-11240-adala - 원문 주의사항: 게시글은 GPT 모델로 정리한 글을 바탕으로 했으며, 원문 내용과 다를 수 있다고 밝힌다.
개요
Adala는 Autonomous DAta (Labeling) Agent를 만들기 위한 Python 프레임워크로, 데이터 라벨링 작업에 특화된 에이전트를 구현한다. 사용자가 정답 데이터셋을 환경으로 제공하면 에이전트가 예측을 정답과 비교하고, 오류를 분석해 스킬의 지시문을 반복해서 다듬는다. 학습한 스킬은 새 데이터에 적용되어 분류·요약·질의응답·번역·텍스트 생성 등의 구조화된 결과를 만든다. 게시글은 OpenAI 런타임을 사용한 감정 분류 예제와 OpenRouter를 통한 OpenAI 호환 LLM 연결 방법을 소개한다.
핵심 포인트
- 정답 기반 학습 루프: 환경이 정답 데이터셋을 제공하고, 에이전트는 예측·검증·오류 분석·지시문 개선을 반복한다. 오류에서 얻은 경험은 장기 메모리에 저장된다.
- 스킬과 런타임 분리: 스킬은 지시문과 입출력 형식을 정의하고, 런타임은 스킬이 학습·실행되는 공간이다. 하나의 스킬을 여러 런타임에 배치하거나 학생·교사 런타임으로 나눌 수 있다.
- 새 데이터 실행: 데이터프레임이나 비정형 데이터를 입력으로 받아 분류, 요약, 데이터 생성 등을 수행하고 예측 결과와 점수를 표 형태로 출력한다. 필요하면 라벨링 도구, Slack, 외부 지식 등에 피드백을 요청할 수 있다.
- 기본 스킬: 사전 정의 라벨 분류, Chain-of-Thought 기반 분류, 요약, 질의응답, 번역, 텍스트 생성, 스킬 연결, 예시에서 온톨로지 추론 등을 제공한다.
- 기본 사용 흐름:
StaticEnvironment로 정답 학습 데이터를 만들고ClassificationSkill을 정의한 뒤,agent.learn(learning_iterations=3, accuracy_threshold=0.95)로 학습하고agent.run(test_df)로 새 데이터에 적용한다. - 설치와 라이선스: Python 3.8~3.11을 지원하며
pip install adala로 설치한다. 기본 OpenAI 런타임에는OPENAI_API_KEY가 필요하고, Apache License 2.0으로 공개되어 있다.
왜 중요한가
대규모 데이터셋 라벨링처럼 반복적이고 비용이 드는 작업을, 사람이 매번 프롬프트를 수정하는 방식 대신 정답 데이터와 피드백 루프로 개선하는 에이전트 구조로 다룬다는 점이 핵심이다. 특히 스킬, 런타임, 환경을 나누면 라벨링 규칙과 실행 모델을 분리해 실험할 수 있어 데이터 전처리·후처리나 프로덕션 에이전트 설계의 참고점이 된다. 다만 이 페이지는 게시글 한 편을 요약한 것이며, 실제 성능이나 최신 API 상태를 별도로 검증한 결과는 아니다.
후속으로 볼 링크와 키워드
- Adala Docs: https://humansignal.github.io/Adala/
- GitHub: https://github.com/HumanSignal/Adala
- 예제: https://github.com/HumanSignal/Adala/tree/master/examples
- 라이선스: https://github.com/HumanSignal/Adala/blob/master/LICENSE
- 관련 위키: moc-ai-agents, moc-ai-agents-harness, moc-ai-agents-memory, openrouter
- 키워드:
Autonomous Data Labeling Agent,ground truth dataset,skill,environment,runtime,reflection,student/teacher runtime,ClassificationSkill,OpenAI-compatible LLM