Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments

TL;DR

이미 쌓여 있는 에이전트 궤적으로부터 실행 가능한 환경을 복원한다. 궤적이 기록한 파일 연산을 되돌려 각 파일을 수정 전 상태로 복구한 뒤, 완성 에이전트가 빠진 파일과 의존성을 채운다. 그렇게 하는 이유가 쓸모 있는 대목이다. 궤적은 한 번 얼어붙은 시연 하나지만, 환경은 검증 가능한 여러 작업으로 다시 질의할 수 있고 실행 피드백을 돌려준다 (source).

저자와 소속

읽은 자료에 공표되어 있지 않다. 스냅샷은 제목, 초록, upvote 수를 담지만 저자 목록은 담지 않고, arxiv.org 는 이번 실행의 샌드박스에서 EGRESS_BLOCKED 를 응답한다. HuggingFace Daily Papers, 2026-09-05, 213 upvotes — 해당 스냅샷에서 세 번째로 높은 항목이다. arXiv 공개일 2026-09-03 (source).

방법

명시된 비대칭: 터미널 기반 코드 에이전트는 흔해졌고 그 궤적은 대규모로 쌓였는데, 현실적인 실행 가능 환경은 여전히 희소하다 — 그리고 에이전트 사후 학습이 실제로 소비하는 것은 환경이다 (source).

방법이 딛고 선 관찰은 이것이다. 궤적 안의 도구 실행 이력이 그 궤적이 돌던 환경의 구조와 내용을 드러낸다. 따라서 환경은 처음부터 생성하는 대신 궤적으로부터 복원할 수 있다.

복원

1. 궤적에 기록된 파일 연산을 재생해 각 파일을 에이전트가 수정하기 이전 상태로 되돌린다 → 부분 워크스페이스
2. 완성 에이전트가 빠진 파일과 의존성을 공급한다
3. 복원된 워크스페이스 위에서 원래 의도 작업을 재구성하고 완전히 새로운 작업을 합성한다

두 축으로 확장

• Breadth — 관련 환경 사이의 방향성 의존 관계를 캐내어 여러 코드베이스에 걸친 cross-workspace 질의를 합성한다. 개발자가 실제로 그렇게 일한다는 근거에서
• Depth — 단일 턴 질의를 다중 라운드 세션으로 확장해 반복적 사용자 피드백과 요구사항 정련을 담는다. 사용자 에이전트가 이를 구동한다

결과

초록에 수치가 없다. 벤치마크도, 베이스라인도, 환경 개수도, 성공률도, 모델 이름도 없다. 위의 모든 것은 방법이다. 이 페이지는 메커니즘을 기록하되 어떤 성능 주장도 논문에 귀속시키지 않는다. 읽은 자료가 그런 주장을 하지 않기 때문이다.

upvote 213 을 받은 항목치고는 이례적이며, 채워 넣는 대신 그대로 기록한다.

의의

Post-Training Scaling 의 공급 측면이다. 그 페이지가 들고 있는 주장 — 8 월 Jie Tang 이 GLM-5.3 을 실험으로 삼아 스케일링 법칙이라 명명한 것 — 은 다음 역량 증분이 사전학습 이후에, RL 과 생성된 학습 환경과 모델이 학습되는 하네스로 부터 구매된다는 것이다. 환경은 그 목록에서 생산 수단이 공표되지 않은 채 이름만 붙어 있던 재료였다. 이것이 제안된 생산 수단이고, 그 입력은 코드 에이전트를 돌리는 모든 연구소가 이미 대량으로 들고 있는 부산물이다.

또한 이번 주 하네스 클러스터의 반대편에 정확히 마주 선다. WHALE: A Simple Recipe for Joint Harness-Weight Optimization, HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?, Aspire: Can Models Self-Evolve from Vague Goals? 는 모두 에이전트가 도는 루프를 최적화한다. Terminal-Universe 는 그 루프가 맞서는 세계를 제조한다. 두 갈래는 서로를 인용하지 않으며, 합치면 가중치·하네스·환경이라는 세 구성 요소가 각각 다른 누군가에 의해 독립적으로 확장되고 있는 에이전트 사후 학습 스택을 그린다.

가장 가까운 기존 페이지는 EnvHarness: Awakening Static Worlds for Agent Learning (arXiv:2608.19880) 이고, 구별은 지켜 둘 가치가 있다. 기록된 실행으로부터 환경을 복원하는 것은 생성 문제가 아니라 재생 문제이며, 그래서 아래의 충실도 질문이 원리상 답할 수 있는 질문이 된다.

열린 질문

• 수치가 전혀 없다. 복원된 환경으로 사후 학습한 모델이 그 환경이 유래한 궤적으로 학습한 모델보다 나은지가 실무적 질문의 전부인데, 초록이 건드리지 않는다
• 완성된 워크스페이스는 얼마나 충실한가? 재생은 궤적이 건드린 파일을 복원하고, 나머지는 완성 에이전트가 지어낸다. 완성 에이전트가 의존성 하나를 틀리게 추측하면 실행은 되지만 그 궤적이 돌던 환경은 아닌 환경이 나오고, 그 위에서 합성된 모든 작업이 그 오류를 물려받는다
• 이것이 궤적 편향을 환경 편향으로 세탁하는가? 환경은 궤적이 존재하는 곳에서만 복원되므로, 확보 가능한 환경의 분포는 곧 에이전트가 이미 요청받은 작업의 분포다. 방법이 내세우는 커버리지 논증과 정반대다
• 복원된 코드의 라이선스는 무엇인가? 실제 코드베이스에서 나온 궤적은 실제 코드베이스를 복원한다. 읽은 자료가 출처 문제를 다루지 않는다
• 다중 라운드 "사용자 에이전트" 는 평가되는가, 가정되는가? depth 축은 모델링 대상인 바로 그 인간을 시뮬레이션한다

인용

Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments. arXiv:2609.04148, 2026-09-03. HuggingFace Daily Papers, 2026-09-05 에서 기록 (source).