DAPPOS가 일반 AI와 다른 이유 하나의 AI가 아니라 전문 에이전트 팀이 움직인다 2편

Web3 프로젝트 하나만 분석해도 공식 문서, 온체인 데이터, 시장 흐름, 토큰 구조와 리스크를 함께 봐야 함. 하나의 범용 AI가 모든 분야를 같은 깊이로 처리하기 어려운 이유임.

DAPPOS의 Multi-Agent Framework, 줄여서 MAF는 약 300~400개의 전문 에이전트와 200개 이상의 도구를 조정하도록 구성됐습니다. 요청에 필요한 에이전트와 도구를 선택하고, 각각의 작업 결과를 하나의 답으로 연결하는 구조임.

회사에서 조사·데이터·전략 담당자가 역할을 나누듯 AI도 전문 분야별로 일을 맡는 방식임. 복잡한 질문일수록 범용 답변 하나보다 전문 에이전트를 조율하는 구조가 유용할 수 있다는 점이 두 번째 차이임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드


#DAPPOS #MAF #MultiAgent #Web3AI #스토리텔러

DAPPOS가 요청을 결과로 바꾸는 10가지 여러 전문 에이전트를 하나의 결과로 조율한다 8편

Web3 프로젝트 하나를 조사해도 공식 문서·온체인 데이터·시장 흐름·토큰 구조·보안 이력을 함께 봐야 함. 하나의 범용 AI가 모든 분야를 같은 깊이로 처리하기 어려운 이유임.

DAPPOS의 Multi-Agent Framework, 줄여서 MAF는 약 300~400개의 전문 에이전트와 200개 이상의 도구를 조정하도록 구성됐습니다. 요청에 필요한 에이전트를 골라 역할을 나누고, 결과를 하나의 판단과 보고서로 통합하는 구조임.

회사에서 조사·데이터·전략·보안 담당자가 협업하듯 AI도 전문 역할을 나눠 맡는 방식임. 복잡한 요청일수록 전문 작업을 조율하는 DAPPOS 구조가 유용한 이유임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MAF #MultiAgent #Web3AI #스토리텔러

DAPPOS로 프로젝트 하나를 시작한다면 흩어진 자료를 한곳에 모아 조사한다 2편

프로젝트를 구체화하려면 공식 문서·시장 자료·온체인 데이터·경쟁 서비스·커뮤니티 반응을 함께 봐야 함. 자료마다 위치와 형식이 달라 수집만 하다가 시간이 지나기도 함.

DAPPOS의 Multi-Agent Framework는 약 300~400개의 전문 에이전트와 200개 이상의 도구를 조정하도록 구성됐습니다. 요청에 따라 조사·정량 분석·시장 인사이트 같은 역할을 나눠 맡고 결과를 하나로 합치는 방식임.

“경쟁 프로젝트를 찾아주세요”보다 공식 문서·최근 30일 지표·주요 사용자·경쟁사 3개·커뮤니티 반응을 함께 정리해주세요처럼 조사 범위를 정하면 좋음. 자료를 찾기 위해 여러 창을 오가는 시간을 줄이는 게 두 번째 활용법임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MAF #MultiAgent #AIResearch #스토리텔러

DAPPOS가 일반 AI와 다른 이유 하나의 AI가 아니라 전문 에이전트 팀이 움직인다 2편

Web3 프로젝트 하나만 분석해도 공식 문서, 온체인 데이터, 시장 흐름, 토큰 구조와 리스크를 함께 봐야 함. 하나의 범용 AI가 모든 분야를 같은 깊이로 처리하기 어려운 이유임.

DAPPOS의 Multi-Agent Framework, 줄여서 MAF는 약 300~400개의 전문 에이전트와 200개 이상의 도구를 조정하도록 구성됐습니다. 요청에 필요한 에이전트와 도구를 선택하고, 각각의 작업 결과를 하나의 답으로 연결하는 구조임.

회사에서 조사·데이터·전략 담당자가 역할을 나누듯 AI도 전문 분야별로 일을 맡는 방식임. 복잡한 질문일수록 범용 답변 하나보다 전문 에이전트를 조율하는 구조가 유용할 수 있다는 점이 두 번째 차이임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MAF #MultiAgent #Web3AI #스토리텔러

DAPPOS로 여행을 준비한다면 숙소는 별점보다 내 일정과 맞는지 비교한다 5편

평점이 높은 숙소도 내 여행에는 불편할 수 있음. 관광지와 멀거나 늦은 체크인이 어렵고, 엘리베이터·세탁·조식·짐 보관처럼 필요한 조건이 없을 수도 있기 때문임.

xBubble에 숙소 후보를 전달할 때는 “가장 좋은 곳”보다 동일한 기준으로 비교해달라고 하는 게 좋음.

공항 이동
주요 일정과의 거리
대중교통 접근성
체크인·짐 보관
방 크기와 소음 관련 후기
취소 조건
최종 결제금액

DAPPOS의 Multi-Agent Framework는 다양한 전문 에이전트와 도구를 조정해 조사와 분석을 처리하는 구조로 설명됩니다. 여러 자료를 모을 수 있는 만큼, 사용자가 평가 기준을 먼저 고정하는 게 중요함.

예약 자체를 AI 답변만 믿고 확정하기보다 최종 가격과 취소 규정은 예약 화면에서 다시 확인해야 함. 평점이 아니라 내 동선과 조건에 맞는지 비교하는 것이 다섯 번째 활용법임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MAF #xBubble #숙소비교 #스토리텔러

DAPPOS AI가 대화 한 번으로 끝나는 구조가 아니다

일반적인 챗봇은 질문을 받고 답변을 생성하면 한 번의 흐름이 끝나는 경우가 많음. 하지만 Web3 리서치는 검색→데이터 확인→계산→비교→검증처럼 앞 단계 결과가 다음 판단에 계속 영향을 줌.

DAPPOS의 Multi-Agent Framework, MAF는 공식 문서상 stateful graph backbone을 기반으로 구성됐습니다. 작업의 현재 상태를 유지하면서 다음 단계와 필요한 에이전트를 연결할 수 있는 구조임.

예를 들어 프로젝트 분석 중 온체인 지표에서 이상한 변화가 발견되면 처음 정해놓은 순서만 따라가는 게 아니라 추가 조사 단계로 이어지는 식임.

단순한 질문→답변보다 작업 상태를 가진 그래프로 복잡한 AI 업무를 이어간다는 점이 DAPPOS Intelligence Layer를 이해하는 첫 번째 포인트임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MAF #StatefulGraph #Web3AI #스토리텔러

DAPPOS 모든 에이전트를 매번 돌리지 않는다

전문 AI가 수백 개 있다고 해서 질문 하나마다 전부 실행하면 오히려 느리고 비효율적임. 가격 하나를 묻는데 보안·마케팅·전략 에이전트까지 모두 움직일 이유는 없음.

DAPPOS 공식 문서는 MAF가 deterministic routing을 사용한다고 설명합니다. 요청과 현재 작업 상태를 기준으로 어떤 경로와 에이전트가 필요한지 정해 작업을 보내는 구조임.

따라서 간단한 질문은 짧은 흐름으로 처리하고, 여러 데이터와 판단이 필요한 요청은 더 복잡한 흐름으로 확장할 수 있음.

에이전트 수 자체보다 중요한 건 이번 질문에 필요한 작업자만 골라 연결하는 라우팅 구조라는 얘기임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MAF #StatefulGraph #Web3AI #스토리텔러

DAPPOS AI 큰 작업은 작은 Subgraph로 나눠 처리한다

“이 프로젝트를 분석해주세요”라는 요청 하나에도 팀·기술·시장·온체인 데이터·경쟁사처럼 서로 다른 조사 영역이 들어 있음.

DAPPOS의 MAF는 공식 문서상 작업별 Subgraph를 사용합니다. 하나의 거대한 AI 흐름에 모든 단계를 넣는 대신, 특정 목적을 가진 작은 작업 그래프들을 조합하는 방식임.

예를 들어 프로젝트 분석이라는 큰 요청 안에서도:

공식 문서 조사
온체인 데이터 확인
경쟁사 비교
위험 요인 검토

처럼 별도 작업 단위로 나눈 뒤 최종 결과에서 다시 합칠 수 있음.

큰 문제를 작은 전문 워크플로로 쪼갤 수 있다는 점이 복잡한 작업에서 DAPPOS MAF가 확장될 수 있는 이유임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #Subgraph #MAF #AIArchitecture #스토리텔러

DAPPOS AI 검색도 한 AI가 혼자 하는 방식이 아니다

Web3에서는 같은 사건이라도 공식 발표·온체인 데이터·시장 가격·소셜 반응에서 서로 다른 정보가 나옴. 검색 하나만 잘한다고 전체 상황을 보기 어려운 이유임.

DAPPOS 공식 문서에는 MAF의 고급 기능 중 하나로 Multi-Agent Search가 명시돼 있습니다. 서로 다른 전문 영역의 에이전트가 자료를 찾고 판단한 뒤 결과를 연결할 수 있는 구조임.

예를 들어 신규 프로토콜을 조사한다면 한쪽에서는 공식 문서를 보고, 다른 쪽에서는 온체인 데이터를 확인하고, 또 다른 작업에서는 시장 반응을 살펴보는 식으로 나눌 수 있음.

중요한 건 검색 결과를 많이 쌓는 게 아니라 서로 다른 관점의 조사를 하나의 판단으로 모으는 것임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #MultiAgentSearch #MAF #AIResearch #스토리텔러

DAPPOS 모델의 기억만 쓰지 않고 외부 도구를 호출한다

AI 모델이 아무리 강해도 자신의 학습 데이터 안에 없는 실시간 가격·온체인 데이터·계산 결과까지 머릿속에서 정확히 만들어낼 수는 없음.

DAPPOS MAF는 약 300~400개의 전문 에이전트와 200개 이상의 통합 도구를 조정하고, 공식 문서에서는 tool-augmented generation을 지원한다고 설명합니다.

즉 AI가 답을 추측하는 대신 필요한 경우 외부 도구를 사용해 데이터를 가져오거나 계산하고, 그 결과를 다시 추론에 활용하는 방식임.

Web3 AI에서 중요한 건 모델 하나의 지식량보다 어떤 데이터와 도구를 언제 호출할 수 있는가라는 점이 다섯 번째 기술 포인트임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #ToolAugmentedAI #MAF #AITools #스토리텔러

DAPPOS Marketing 태그는 글쓰기 AI 하나를 부르는 기능이 아니다

Web3 프로젝트의 마케팅 콘텐츠를 만들려면 문장만 예쁘게 쓰는 것보다 프로젝트 구조·최근 이슈·사용자 관심사까지 이해해야 할 때가 많음.

DAPPOS Quick Start에는 프로젝트 팀과 KOL의 마케팅 콘텐츠 제작을 위한 Marketing Tag가 별도 옵션으로 제공됩니다.

DAPPOS의 Intelligence Layer 자체가 리서치·시장 인사이트 등을 처리하는 전문 에이전트와 도구를 조정하는 구조이기 때문에, Marketing Tag는 단순 카피 생성보다는 마케팅 목적에 맞게 전체 AI 처리 방향을 지정하는 입력 신호로 볼 수 있음.

예를 들어 같은 프로젝트 자료라도:

기술 분석
초보자 설명
캠페인 콘텐츠

에서는 필요한 결과가 달라짐.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #Marketing #Web3Marketing #MAF #스토리텔러

DAPPOS, 자율성과 통제 사이에 Interrupt를 넣는 이유 1/10

AI Agent가 발전하면 자연스럽게 “사람이 개입하지 않아도 알아서 끝까지 해주는 것”을 떠올리게 됨.

그런데 Web3에서는 분석 결과 하나가 실제 자산 이동이나 온체인 실행으로 이어질 수 있음. 이런 상황에서 처음부터 끝까지 AI에게 무조건 맡기는 것만이 좋은 설계라고 보기는 어려움.

DAPPOS의 MAF는 그래서 AI Interrupt와 Human-in-the-Loop 구조를 포함합니다. 내부 Controller가 작업을 진행하면서 필요한 지점에서는 AI 흐름을 멈추거나 사용자 확인을 받을 수 있도록 설계돼 있습니다. 공식 기술 자료는 이를 자율적인 AI 판단에 자유를 주면서도 오류를 줄이는 safety rail로 설명합니다.

즉 목표는

완전 자동화

하나가 아니라

자동화할 곳은 자동화하고, 중요한 순간에는 사람이 다시 개입할 수 있게 만드는 것

AI Agent가 실제 업무와 자산을 다룰수록 이런 경계 설계가 더 중요해질 수 있음

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드
#DAPPOS #MAF #HumanInTheLoop #AIInterrupt #Web3AIOS #스토리텔러

DAPPOS, UI Interrupt를 별도 기능이 아니라 구조로 다루는 방식 2/10

AI가 이미 작업을 끝낸 다음 사람이 결과만 확인하는 것과, 작업 도중 필요한 순간에 사람이 개입하는 것은 완전히 다름.

DAPPOS의 MAF 기반 상태 구조에는 Agent 간 메시지나 계획뿐 아니라 UI Interrupt, Error, Conditional Flag 같은 변수도 포함​됩니다.

즉 사용자 개입이 예상 밖의 예외 상황으로만 취급되는 게 아니라, 처음부터 작업 흐름 안에서 다룰 수 있는 상태 중 하나로 설계된 것임.

예를 들어 AI가 어떤 단계에서 사용자 승인이 필요하다고 판단하면,

작업 상태 저장
→ UI Interrupt
→ 사용자 확인
→ 이후 작업 재개

같은 흐름을 만들 수 있음.

Human-in-the-Loop를 AI 바깥에 붙인 확인창이 아니라 Agent workflow의 일부로 보는 것이 기술적으로 중요한 포인트임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #UIInterrupt #HumanInTheLoop #MAF #AIWorkflow #스토리텔러

DAPPOS, Confidence Gate를 통과할 때까지 다시 조사하는 구조 3/10

AI 검색에서 흔한 문제는 자료가 부족한데도 일단 그럴듯한 답을 만들어내는 것임.

DAPPOS의 Search Subgraph에는 검색 결과를 합친 뒤 relevance를 필터링하고, 다시 Enhanced Review Loop를 거치는 과정이 있습니다.

공식 백서에서는 enhanced_search_review_node가 source diversity나 accuracy score 같은 confidence criteria가 충족됐는지 검사하고, 충분하지 않으면 검색 과정을 다시 반복하는 구조를 설명합니다.

즉

검색 완료
≠
조사 완료

임.

검색
→ 결과 병합
→ 필터링
→ Confidence 검사
→ 부족하면 다시 검색 이 되는 것.

AI가 스스로 “자료를 찾았다”와 “이제 답해도 충분하다”를 구분하도록 만드는 일종의 Quality Gate임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #ConfidenceGate #AgenticSearch #MAF #AIEvaluation #스토리텔러

DAPPOS, Source Diversity를 Confidence 기준으로 사용하는 이유 4/10

검색 결과가 20개라고 해서 항상 근거가 충분한 것은 아님.

20개가 모두 하나의 주장만 반복한다면 실제 정보 다양성은 낮을 수 있음.

DAPPOS 공식 기술 설명에서는 Search Subgraph의 Enhanced Review가 판단할 수 있는 confidence criteria의 예로 source diversity와 accuracy score를 제시합니다.

즉 단순히

자료 20개 확보 → 완료

가 아니라,

“서로 다른 관점이나 출처가 충분히 확보됐는가”

까지 검사 대상으로 둘 수 있는 구조임.

Web3처럼 루머 하나가 여러 계정과 사이트를 통해 빠르게 복제되는 환경에서는 특히 의미가 있음.

AI 검색 기술이 결국 검색량 경쟁에서 조사를 끝내도 되는 조건을 정의하는 문제로 이어지는 이유임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #SourceDiversity #ConfidenceScore #MAF #Web3Research #스토리텔러

DAPPOS, Strategy Validator를 중간에 두는 이유 5/10

AI가 “이 전략이 좋아 보입니다”라고 분석하는 것과 실제 자산을 움직이는 것은 다른 문제임.

그래서 DAPPOS의 DeFi Subgraph는 시장 데이터를 가져오고 strategy_generator가 계획을 만든 뒤 strategy_validator를 거치도록 구성돼 있습니다.

공식 백서는 이 Validator가 위험을 평가하고, 결과를 시뮬레이션하며, 필요한 경우 사용자 선택까지 반영한다고 설명합니다.

흐름은 대략

Market Data
↓
Strategy Generation
↓
Risk Check
↓
Simulation
↓
Validation

임.

즉 Intelligence Layer에서 좋은 아이디어를 만드는 것과 실행 가능한 계획으로 승인하는 것을 분리함.

Web3 AI에서 “생각을 잘하는 Agent”와 “실제로 실행해도 되는 판단” 사이에 하나의 검증 계층이 필요한 이유임

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #StrategyValidator #DeFiAI #RiskValidation #MAF #스토리텔러

DAPPOS, Clarification Interrupt가 필요한 순간 8/10

사용자가 항상 완벽한 프롬프트를 입력할 수는 없음.

예를 들어

“내 상황에 맞게 포트폴리오 구성해줘”

라고 했는데 기간이나 위험 선호도처럼 중요한 정보가 빠져 있을 수도 있음.

DAPPOS 공식 백서에서는 사용자의 질문이나 제공된 정보가 정확한 분석을 하기 부족할 경우 AI가 실행을 일시정지하고 targeted question을 통해 추가 정보를 요청하는 구조를 설명합니다.

이게 꽤 중요한 차이임.

정보 부족
→ AI가 임의로 가정
→ 결과 생성

이 아니라,

정보 부족
→ Interrupt
→ 필요한 항목 질문
→ 답변 수신
→ 작업 계속

이라는 방식임.

Low-Prompt AI라고 해서 무조건 사용자의 입력을 짧게 받아 추측하는 것이 아니라, 꼭 필요한 정보만 다시 물어볼 수 있어야 함.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #Clarification #AIInterrupt #LowPromptAI #MAF #스토리텔러

DAPPOS, Streaming Progress가 중요한 이유 9/10

AI가 10초 정도 생각하는 작업이라면 기다려도 큰 문제가 없음.

그런데 여러 Agent가 검색하고 분석하고 검증하는 장기 작업이 몇 분 이상 이어지면 사용자는 지금 AI가 정상적으로 일하고 있는지 알기 어려움.

DAPPOS의 MAF는 이를 위해 long-running task 동안 메시지를 streaming해 진행 상황을 실시간으로 사용자에게 전달하는 구조를 포함합니다.

Streaming은 단순히 로딩 화면을 예쁘게 만드는 기능만은 아님.

사용자가 작업 흐름을 보고 있다가 필요하면 개입할 수 있다는 점에서 Interrupt 구조와 함께 Human-in-the-Loop를 가능하게 하는 인터페이스가 됨.

자동화가 길고 복잡해질수록

“끝나면 알려줘”

만큼이나

“지금 어디까지 진행됐는지 보여줘”

가 중요해지는 이유임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #Streaming #HumanAI #MAF #AIWorkflow #스토리텔러

DAPPOS, Human-in-the-Loop 전체 구조 정리 10/10

이번 기술을 한 흐름으로 연결하면 이렇게 볼 수 있음.

사용자 요청
↓
AI 작업 진행
↓
Search Confidence Check
↓
정보 부족 시 Clarification Interrupt
↓
Strategy 생성
↓
Risk Validation + Simulation
↓
필요 시 UI Approval
↓
Validated Plan
↓
Execution Layer

장시간 작업에서는 중간 진행 상황도 Streaming으로 전달됨. DAPPOS는 이런 구조를 composable autonomy와 safety rails를 결합하는 방식으로 설명하며, 최신 공식 문서에서도 HCI Interrupt, streaming progress, safety rail을 MAF의 human-in-the-loop 요소로 제시합니다.

결국 강한 AI Agent는 무조건 사람 없이 끝까지 움직이는 시스템일 필요는 없음.

확실할 때는 스스로 진행하고,
불확실하면 더 검증하고,
정보가 부족하면 질문하고,
중요한 행동 앞에서는 사람에게 결정권을 돌려주는 것.

DAPPOS가 AI Interrupt를 두는 기술적 이유를 가장 쉽게 설명하면 이 구조임.

🔗스토리텔러 공지 l 웹사이트 l 트위터 l 링크트리 l 스토리텔러 대시보드

#DAPPOS #HumanInTheLoop #AIInterrupt #MAF #Web3AIOS #스토리텔러