안녕하세요! 사랑받는 IT 프로덕트의 첫 스텝, 똑똑한개발자입니다 :)

저희 똑똑한개발자 팀에서는 매주 AI 활용방식 공유회를 진행하고 있는데요, 팀원들이 실무에서 직접 써본 AI 활용 방식을 공유하고 함께 피드백하는 자리인데요, 이번에는 프론트엔드 개발자 손은경님이 OMO(Oh-my-opencode)라는 멀티 에이전트 오케스트레이션 도구를 주제로 발표해 주셨습니다.

클로드, GPT, 제미나이… 요즘 AI 코딩 모델은 정말 다양합니다. 그런데 모델이 많아질수록 오히려 관리할 게 늘어나고, 모델을 바꿀 때마다 맥락을 처음부터 다시 전달해야 하는 번거로움이 생깁니다. 이 글에서는 발표 내용을 바탕으로, 여러 AI 모델을 하나의 작업 체계 안에서  역할별로 연결해 주는 오픈소스 도구 OMO의 구조와 실무에 적용하는 방법까지 정리해드리겠습니다.

AI 모델은 늘었는데 개발 속도는 그대로

클로드는 긴 지시문과 다단계 흐름 처리에 강하고, GPT 계열은 깊은 추론 기반 문제 해결에, 제미나이 계열은 UI/UX 및 프론트엔드 작업에 각각 강점이 있습니다. 문제는 모델 수가 늘수록 어떤 작업에 어떤 모델을 쓸지 매번 판단해야 하고, 전환할 때마다 컨텍스트를 다시 세팅해야 한다는 점입니다. 이 전환 비용이 쌓이면 모델이 많다는 게 오히려 부담이 됩니다.

OMO란 무엇일까?

OMO는 원래 Oh-my-opencode라는 이름으로 시작했는데, 현재는 Oh-my-openagent로 리네이밍되었습니다. 

OMO는 하나의 환경 안에서 작업 성격에 따라 AI 모델과 에이전트가 자동 배정되는 오픈소스 플러그인입니다. 핵심은 여러 모델을 역할별로 묶어서 하나의 워크플로우로 운영할 수 있게 해준다는 점입니다.

기존 단일 에이전트 방식은 하나의 AI가 조사부터 설계, 구현, 검증까지 전부 처리합니다. 작업이 작을 때는 괜찮지만 규모가 커지면, 방향이 중간에 바뀌거나 검증이 부실해지는 문제가 자주 생깁니다. OMO는 이 문제를 플래닝·익스큐션·워커 레이어로 역할을 나눠서 해결합니다.

OMO를 구성하는 4가지 에이전트

시지푸스(Sisyphus), 메인 오케스트레이터

사용자 요청을 가장 먼저 받아서, 즉시 처리할지 설계가 필요한지 판단하고 실행 경로를 결정합니다.

프로메테우스(Prometheus), 플래닝 에이전트

코드 작성 전에 요구 사항을 정리하고, 범위와 제약 조건을 설계 문서로 남겨서 작업 방향이 흔들리지 않도록 잡아줍니다.

아틀라스(Atlas), 플랜 실행 관리자

프로메테우스가 만든 플랜을 넘겨받아, 체크리스트 형태로 진행 상태를 추적하고 완료 순서를 관리합니다. 병렬 실행 자체는 시지푸스가 담당하고, 아틀라스는 그 실행이 계획대로 흘러가는지 감독하는 역할입니다.

헤파이스토(Hephaestus), 딥 디버깅 에이전트

여러 파일에 걸친 버그 추적이나 깊은 코드 분석이 필요할 때, 하나의 문제에 온전히 집중합니다.

역할이 분리되어 있으니, 설계 담당은 구현을 걱정하지 않고 구현 담당은 방향을 다시 고민하지 않아도 됩니다.

OMO 실무 적용 방법 총정리

핵심 명령어와 모델 설정

OMO의 핵심 명령어는 네 가지입니다. Ultra Work(자동 완료), Plan(설계 및 범위 정의), /start-work(플랜 실행 전환), /init-deep(프로젝트 구조 분석 및 계층적 컨텍스트 생성). 이 명령어들은 특정 에이전트를 직접 호출하는 게 아니라, 작업 방식 자체를 설정하는 인터페이스입니다.

모델 설정도 유연합니다. 에이전트마다 어떤 모델을 붙일지 직접 지정할 수 있어서, 추론이 필요한 역할에는 GPT 계열을, 빠른 탐색에는 경량 모델을 배치하는 식으로 성능과 비용 균형을 조절할 수 있습니다.

기존 자산 재활용과 상태 관리

OMO는 클로드에서 쓰던 스킬 에이전트를 그대로 재활용할 수 있고, 새 서브 에이전트를 MD 파일로 정의해 추가하면 바로 통합됩니다. 또한 플랜(설계서), 홀더.json(진행 상태), 노트패드(작업 메모)를 통해 세션이 끊겨도 이전 작업을 이어갈 수 있어서, 긴 작업에서도 맥락이 유지됩니다.

OMO가 적합한 작업, 그렇지 않은 작업

모든 작업에 OMO를 쓸 필요는 없습니다. 간단한 수정이나 이미 워크플로우가 잡혀 있는 작업에는 클로드 코드 같은 단일 에이전트가 더 빠릅니다. 반면 대규모 리팩토링이나 아키텍처 변경, 복합 작업 계획에는 역할이 분리된 멀티 에이전트 구조가 잘 맞습니다. OMO 외에도 OMX, OMC 같은 유사 플러그인들이 있고, 기본 작동 원리는 공통적입니다.

AI 개발 생산성, 구조 설계에서 차이가 납니다

이번 공유회를 통해 저희 똑똑한개발자 팀에서도 AI 활용에 대한 관점이 넓어졌습니다. 어떤 모델을 쓰는지보다, 모델들을 어떤 구조로 운영하는지가 결과물의 품질을 좌우한다는 점을 다시 한번 확인할 수 있었습니다.

똑똑한개발자는 매주 이런 AI 활용방식 공유회를 운영하면서, 실무에서 검증한 경험을 팀 전체에 축적하고 있습니다.

AI 기반 프로덕트 개발이나 AX(AI 전환)를 함께 고민할 수 있는 개발 파트너가 필요하시다면, 똑똑한개발자에게 문의해 주세요.

[비즈니스 AX 컨설팅 문의]

똑똑한개발자 프로젝트 문의

AI Native 조직 워크플로우 자세히 보기