Show HN: Oak – Git alternative designed for agents
TL;DR Highlight
AI 에이전트가 코드 작업을 더 효율적으로 수행할 수 있도록 설계된 새로운 버전 관리 시스템(VCS)으로, lazy mount, JSON-first CLI, 멀티 레포 에이전트 워크스페이스 등을 제공한다. 다만 커뮤니티에서는 Git 대비 실질적 우위가 충분히 증명되지 않았다는 회의적 반응이 많다.
Who Should Read
AI 에이전트(Claude, Codex 등)를 코드 작업에 활용 중인 개발자, 또는 멀티 레포 환경에서 여러 에이전트를 동시에 운용하려는 팀.
Core Mechanics
- Oak는 Git을 대체하는 새로운 VCS로, AI 에이전트가 코드를 읽고 쓰는 워크플로우에 최적화되어 설계됐다. 단순히 Git 위에 레이어를 얹은 게 아니라 독립적인 데이터 모델을 가진다.
- 핵심 기능 중 하나가 'lazy mount'(지연 마운트)로, 전체 레포를 clone하지 않고 실제로 필요한 파일만 그때그때 가져오는 방식이다. Google 내부의 Piper/CitC나 Meta의 EdenFS와 유사한 개념이며, 오픈소스에서는 드문 구현이라고 커뮤니티에서 언급됐다.
- CLI가 JSON-first로 설계되어 있어 에이전트가 명령 결과를 파싱하기 쉽다. 예를 들어 `oak commit --push`의 실패 시맨틱도 JSON으로 돌아오며, diff 페이징/라인 통계도 JSON 형식으로 정렬되어 있다.
- 'oak space'라는 개념으로 여러 레포를 묶어 에이전트 전용 멀티 레포 워크스페이스를 만들 수 있다. 에이전트가 서로 간섭하지 않고 독립적으로 브랜치를 생성하고 커밋할 수 있는 격리 환경을 제공한다.
- 에이전트 전용 'agent-state'라는 개념을 도입해 `recommended_action.kind`를 closed enum으로 관리한다. 에이전트가 다음에 무엇을 해야 할지 명시적으로 알 수 있게 구조화된 상태 정보를 제공한다.
- 'finish saga'라는 프리플라이트(preflight, 사전 검증) 워크플로우가 있어 에이전트가 커밋/푸시/브랜치 종료를 하기 전에 인증과 원격 연결 가능 여부를 먼저 확인한다. 로컬 변경 전에 검증을 완료하는 fail-closed 방식이다.
- Windows에서도 CLI가 빌드되고 실행되도록 지원이 추가됐으며, SQLite 데이터베이스의 파일 권한을 0600으로 강화하는 등 보안 개선도 병행하고 있다.
- 레포 자체가 거의 AI로 작성됐다고 README에 명시되어 있으며('written almost entirely using AI with human oversight'), 실제로 Oak 자체를 Oak로 개발하는 'dogfooding' 방식으로 운영 중이다.
Evidence
- '에이전트를 위한 도구'라는 마케팅에 대한 회의적 시각이 가장 많은 공감을 받았다. 모델들은 이미 Git에 대한 방대한 학습 데이터를 갖고 있는 반면, Oak 같은 새 도구는 컨텍스트 창을 통해 별도로 가르쳐야 하므로 오히려 토큰 비용이 더 드는 역설이 생긴다는 지적이다.
- 유사한 문제를 직접 해결한 개발자의 경험 공유도 있었다. 'gitnow'라는 간단한 툴을 만들어 에이전트마다 독립된 워크스페이스를 주고 여러 레포를 pull해서 작업하게 했더니, 에이전트들이 서로 간섭하지 않고 잘 동작했다는 실사용 경험이다. Zellij, Zed, tmux와 조합해서 쓴다고도 언급됐다.
- lazy mount 기능은 오픈소스에서 드문 구현이라 흥미롭다는 긍정적 반응도 있었다. Google의 CitC(Clients in the Cloud), Meta의 EdenFS, Microsoft의 GVFS(VFS for Git)와 유사한 개념이지만, 오픈소스로는 처음 보는 구현이라는 평가다. 다만 WAN 환경에서의 레이턴시(지연) 문제와 FUSE(사용자 공간 파일시스템)의 UX 이슈를 어떻게 처리하는지 묻는 기술적 질문도 제기됐다.
- 문서와 마케팅에 대한 비판이 많았다. 'Git과 뭐가 다른지 몇 문장으로 설명하는 링크조차 없다', '커밋/브랜치 데이터 모델이 Git과 동일하다면 왜 Git 위에 만들지 않았는지 설명이 없다', '중요한 기술인데 설득력이 너무 부족하다'는 의견들이 있었다.
- 커뮤니티 일부에서는 이 프로젝트가 실제 팀 도입을 위해서는 스타트업 수준의 투자와 마케팅이 필요하다고 봤다. 이미 Google, Meta 등 빅테크에는 비슷한 내부 시스템이 있고, 공개된 유사 제품도 여럿 있으며, 비공개 개발 중인 경쟁 제품도 수십 개일 것이라는 의견이다.
How to Apply
- 여러 에이전트를 동시에 다른 레포나 다른 태스크에 투입하는 경우, `oak space new <이름>`으로 에이전트별 격리 워크스페이스를 만들어주면 에이전트 간 충돌 없이 병렬 작업이 가능하다.
- 레포 크기가 크고 에이전트가 일부 파일만 접근하는 작업이라면, `oak mount <레포>`로 lazy mount를 활용하면 전체 clone 없이 필요한 파일만 on-demand로 받아 초기 세팅 시간을 줄일 수 있다.
- 에이전트 워크플로우에 Oak를 도입하기 전에, AGENTS.md에 명시된 'isolated-worker rule'과 'finishing checklist(commit → describe → push reviewable branch)'를 에이전트 시스템 프롬프트에 그대로 추가해 에이전트가 Oak 규칙을 따르도록 먼저 설정해볼 수 있다.
- 완전히 Oak로 전환하기 부담스럽다면, 커뮤니티에서 언급된 gitnow(https://github.com/kjuulh/gitnow)처럼 Git 위에서 에이전트별 프로젝트 워크스페이스를 구성하는 경량 대안도 검토해볼 만하다.
Code Example
# Oak 기본 사용법
# 레포 clone
$ oak clone oak/oak
# Lazy mount (전체 clone 없이 필요한 파일만 on-demand)
$ oak mount oak/oak
# 멀티 레포 에이전트 워크스페이스 생성
$ oak space new oak
# 브랜치 머지 (checkout 없이 직접)
$ oak merge <branch>
# 커밋 + 푸시 (JSON 결과 반환)
$ oak commit --push
# 에이전트 상태 확인 (recommended_action 포함 JSON 반환)
$ oak agent-stateTerminology
Related Papers
Show HN: ctx – Search the coding agent history already on your machine
Claude Code, Cursor, Codex 등 코딩 에이전트가 이전 세션의 논의·결정·실패 시도를 잊지 않도록 SQLite로 인덱싱해 재사용할 수 있게 해주는 오픈소스 CLI 도구다.
Micro-Agent: Beat Frontier Models with Collaboration Inside Model API
vLLM 팀이 단일 모델 API 호출 뒤에서 여러 모델이 협업하는 'Micro-Agent' 개념을 공개했습니다. 별도의 에이전트 코드 없이 라우터 레이어에서 모델 조합을 실행해 GPT-4급 결과를 더 저렴하게 낼 수 있다는 아이디어입니다.
Ornith-1.0: self-improving open-source models for agentic coding
Gemma 4와 Qwen 3.5를 기반으로 파인튜닝한 코딩 특화 오픈소스 모델로, RL(강화학습)을 통해 스캐폴드(에이전트 실행 구조)까지 함께 최적화하는 방식을 주장하지만, 커뮤니티에서는 벤치마크 과최적화에 불과하다는 의심을 받고 있다.
Entity Binding Failures in Tool-Augmented Agents
AI 에이전트가 올바른 도구를 선택해도 잘못된 대상에 실행하는 'Entity Binding 실패' 문제를 정의하고, 이를 막는 실행 정책을 평가한 논문.
Herdr: Agent multiplexer that lives in your terminal
여러 AI 코딩 에이전트(Claude, Codex 등)를 하나의 터미널에서 동시에 실행·관리할 수 있는 Rust 기반 오픈소스 툴로, tmux처럼 세션이 유지되고 SSH로 원격 접속도 가능해 멀티 에이전트 워크플로우를 크게 단순화해준다.
Ornith-1.0: Self-scaffolding LLMs for agentic coding
모델이 문제 풀이 전략(scaffold)을 직접 생성하고 개선하는 자기강화 학습 프레임워크를 적용한 오픈소스 코딩 특화 LLM으로, 9B 소형 모델부터 397B 대형 모델까지 라인업을 갖추고 SWE-Bench 등 주요 벤치마크에서 Claude Opus 4.7을 능가하는 성능을 보여줬다.