Blobfish AI
Blobfish AI · 기타
Blobfish AI는 AI 에이전트가 모의 도구로 실제 업무 흐름을 연습하는 기업 환경을 만든다. 난이도는 조절되고 합격 여부는 결정론적 검증기가 판정한다.

Blobfish AI 소개
About
Blobfish AI란
Blobfish AI가 파는 것은 조금 특이하다. AI 에이전트가 연습할 장소다. 하나하나가 작은 사무실 세계이고, 서로 연결된 스프레드시트와 기록, 기업 시스템의 모의 버전이 들어 있다. 에이전트는 그것을 열고 고치고 때로는 망가뜨린다. 모의 기업 워크플로는 흔한 화요일 사무실처럼 움직인다. 목표는 더 친절한 채팅창이 아니다. 모델이 진짜 업무를 시도하고, 결과가 맞았는지 정확히 통보받는 안전한 자리다.
겨냥하는 문제는 구체적이다. 포스트트레이닝 현장에서는 전문가가 자기 일을 설명하고, 엔지니어가 도구를 다시 만들고, 연구자가 모델의 현재 역량에 가까운 몇 개의 과제를 찾아낸다. 이 작업에 석 달에서 여섯 달이 걸린다. 모델이 배우면 같은 과제는 쉬워지고 사이클은 처음으로 돌아간다. 한 프로젝트에서는 서른 개 워크플로를 정리했는데 역량 경계에 가까운 것은 여섯 개뿐이었다. Blobfish의 답은 이런 에이전트 학습 환경을 계속 생성해서 매 라운드에 새 커리큘럼을 대는 것이다.
제약도 똑같이 중요하다. 자기 모델을 학습하는 팀을 위한 서비스이고, 셀프서비스 앱이 아니다. 가격표도 가입 화면도 공개 체험판도 없다. 창업자와 직접 이야기한다. 세계는 기업 소프트웨어의 모의 버전이라 특정 벤더 API의 특유한 동작은 드러나지 않는다. 사이트가 앞세우는 벤치마크 역시 초기 내부 결과이며 제3자 재현은 아니다.
시작하는 방법
- 팀과 상담한다. 학습할 모델, 관심 있는 워크플로, 강화학습 루프 운영 방식 세 가지를 준비한다.
- 영역을 정한다. 결제, 법무, 고객지원, 재무 운영처럼 업종에 맞는 세계를 고르거나 새로 만든다.
- 환경을 받는다. 모의 데이터, 모의 MCP 서버, 에이전트용 명령줄 인터페이스, 과제 묶음이 함께 온다.
- 과제에 롤아웃을 돌린다. 시도마다 돌아오는 것은 모델의 감상이 아니라 결정론적 검증기 보고서다.
- 과제가 쉬워지면 새 생성을 요청하고, 이전 세트는 회귀 테스트로 남긴다.
제품 정보
Blobfish AI의 요금, 지원 플랫폼, 성능을 한눈에 확인해 보세요.
추천 대상
이 도구가 가장 잘 맞는 사용자, 작업, 상황입니다.
사용자
- 포스트트레이닝과 강화학습 엔지니어
- 대기업의 응용 연구 조직
- 기업에 에이전트를 파는 제품 팀
작업
- 지정한 난이도로 강화학습 과제 생성
- 여러 단계의 도구 사용 시험
- 에이전트 행동의 회귀 테스트 구축
- 전문가를 뽑지 않고 새 업종 진입
활용 상황
- 지난 과제 세트가 너무 쉬워진 학습 라운드
- 돈이나 고객 기록을 건드리는 에이전트의 출시 전 점검
- 보험금 청구나 인보이스 대사처럼 도구를 만들어 본 적 없는 영역
주요 기능
서로 맞물린 모의 데이터
모든 환경에는 실제 사무실처럼 연결된 기록과 파일, 상태가 들어 있다. 재무상태표는 그 뒤의 분개와 이어지고, 값을 하나 바꾸면 검증기가 기대하는 결과도 달라진다. 이 연결 덕분에 AI 에이전트 시뮬레이션이 소품만 있는 퀴즈가 아니라 학습 자료가 된다.
모의 MCP 서버와 공통 CLI
도구는 CRM, ERP, 스프레드시트용 모의 MCP 서버로 제공되고 모두 하나의 명령줄 인터페이스로 호출한다. 에이전트의 호출 방식이 모든 세계에서 같아서 하네스에 영역별 어댑터를 붙일 필요가 없다. 권한과 관계도 환경의 일부라, 잘못된 행을 골라서가 아니라 접근 권한이 없어서 실패하는 상황도 만든다.
난이도를 조절하는 과제
과제는 실제 워크플로에 기반하고 난이도별로 나뉘며 알려진 결과가 붙어 있다. 모델의 현재 한계에 가까운 과제를 지정할 수 있어 어떤 과제가 학습에 도움이 될지 감으로 고르지 않아도 된다. 늘 통과하거나 늘 실패하는 실행을 걸러내는 시간이 줄어든다.
결정론적 검증기
실행이 끝나면 기록을 언어 모델에 채점시키는 대신 규칙으로 세계 상태를 확인한다. 같은 동작이면 같은 결과가 나오므로 판정을 재현할 수 있다. 잡음 많은 심판 모델에 시달린 팀일수록 이 차이가 롤아웃 묶음에서 어디까지 읽을지를 바꾼다.
워크플로 그래프와 거꾸로 쓰는 과제
먼저 도구 흐름이 성립함을 증명하고, 그다음 그곳으로 가는 요청서를 쓴다. 세계를 만들고 도구 사이의 유효한 상호작용을 도식화하고, 최종 상태가 알려진 경로를 하나 뽑은 뒤에야 직원이 맡길 법한 과제로 옮긴다. 이상한 요청은 검토 대기로 표시되지만 실행 가능한 버전을 막지는 않는다.
규모를 갖춘 연속 생성
내세우는 것은 물량과 계속 움직이는 목표의 조합이다. 초기 실험에서 팀은 도메인별 환경 2천 개를 생성해 140억 파라미터 모델을 학습시켰고, 그 모델은 MCP 벤치마크에서 훨씬 큰 DeepSeek 모델을 앞섰다. 이 숫자는 기업 발표로 읽어야 한다. 폭넓은 독립 평가는 집필 시점에 진행 중이었다.
장단점
장점
- 결정론적 검증기가 모델 심판의 잡음을 걷어내므로 실패한 실행에서 구체적인 정보를 얻는다.
- 과제 공급 자체가 제품이라, 이미 해결된 환경 구축이 아니라 포스트트레이닝의 진짜 병목을 건드린다.
- 권한이 붙은 모의 기업 도구로 접근 권한 부족이나 오래된 기록 같은 실패 유형도 시험한다. 오답만 보는 것이 아니다.
- CRM, ERP, 스프레드시트에 CLI가 하나라 영역을 늘려도 하네스가 흔들리지 않는다.
- 이전 환경을 회귀 테스트로 돌릴 수 있어 새 체크포인트가 직전과 같은 세계를 상대한다.
단점
- 가격이 공개되지 않고 셀프서비스 체험도 없어서 상담 없이는 비용과 적합성을 비교할 수 없다.
- 모의 시스템은 실제 기업 소프트웨어의 근사치라 특정 벤더 API의 습성은 진짜 시스템에 시험하기 전까지 드러나지 않는다.
- 벤치마크 수치는 제공사 발표이며 대조할 독립 순위표가 없다.
- 로그인해서 쓰는 제품이 아니라 인프라다. 자체 학습 루프가 없으면 돌릴 것이 없다.
자주 묻는 질문
AI 에이전트 학습용 모의 업무 환경을 제공한다. 검증 가능한 강화학습 과제 생성, 여러 단계의 도구 사용 시험, 에이전트가 시스템을 올바로 바꿨는지 확인에 쓴다.
관련 콘텐츠
Blobfish AI와 관련된 도구, 스킬, 아티클을 살펴보세요.
Blobfish AI 대안
JarvisCore
Prescott Data · 코딩 · 생산성 · 기타JarvisCore는 AI 에이전트가 대등한 피어로 메시를 이루고 공유 원장에서 작업을 가져가며 제로트러스트 브로커를 통해 외부 서비스를 호출하는 오픈소스 Python 런타임이다.
Clef
Cloudflare · 비즈니스 · 기타Clef는 Workers AI에서 도는 Cloudflare의 오픈소스 의사결정 모델이다. 생성된 문장 대신 정해진 질문에 확률을 돌려주므로, 에이전트가 빠르게 분류하고 라우팅하고 행동한다.
iFixAi
iFixAi · 비즈니스 · 기타iFixAi는 AI 에이전트를 위한 오픈소스 감사 도구다. 업무 시뮬레이션 위에서 에이전트를 돌리고 응답을 하나씩 채점해 근거가 붙은 A~F 스코어카드를 내놓는다.
