Show HN: Ante, 오프라인에서도 도는 단일 바이너리 코딩 에이전트

Who Should Read

Claude Code·Codex의 무게와 모델 종속이 부담스러워 로컬 모델이나 여러 provider를 섞어 쓰고 싶은 개발자

Core Mechanics

• 약 15MB 바이너리 하나로 끝난다
  • 압축 다운로드 약 15MB이고 풀면 34.1 MiB짜리 Rust 실행 파일 하나다.
  • Grep과 git이 같은 프로세스 안에 들어 있어 런타임 의존성이 없다.
• GGUF 파일만 있으면 오프라인이다
  • 내장 llama.cpp에 GGUF 파일을 지정하면 API 키·계정·인터넷 없이 돈다.
  • `ante --offline-model <경로> -p "..."` 형태로 실행한다.
• Terminal-Bench 2.1 83.9%
  • 오픈 웨이트 DeepSeek V4.1 Flash로 445번 시도 중 370번 성공했고 추론 비용은 약 $18이다.
  • 공식 리더보드 조건인 89개 과제, 과제당 5회 시도로 측정했다.
• Claude Code 대비 자원 사용량이 적다
  • Docker에서 같은 20개 병렬 과제 기준으로 Claude Code보다 최대 메모리 약 7배, 평균 CPU 약 9배, 디스크 I/O 약 5배 적다.
• 프로필 하나로 에이전트 성격을 바꾼다
  • `--profile <name>`이 시스템 프롬프트·도구·스킬·메모리를 통째로 교체한다.
  • pi 프로필은 Read·Write·Edit·Bash 네 도구와 짧은 시스템 프롬프트만 남긴다.

Community Reactions

• 소스가 없다는 지적이 여럿이었다는 반응
  • 깃허브 링크인데 에이전트 소스 없이 바이너리 릴리스만 있어 헷갈린다는 의견이 나왔다.
  • 이에 작성자는 README에 소스 위치와 텔레메트리 질문을 답변으로 추가했다고 밝혔다.
• 텔레메트리가 기본 켜짐이라 불만이라는 의견
  • 끄려면 매번 ANTE_TELEMETRY=off를 줘야 하는데 한 번 끄면 유지돼야 한다는 비판이 있었다.
• 메모리 절감 주장에 의문이라는 의견
  • 하니스는 단순한 루프라 Python이나 TypeScript로 써도 메모리를 거의 안 쓸 텐데, pi agent가 그 예라는 의견이 있었다.
• 로컬 모델 성능은 격차가 있다는 작성자 설명
  • 작성자는 Qwen3.6 27B(17GB)가 Terminal-Bench 2.1에서 56.2%라 프론티어 모델과 격차가 크다고 밝혔다.
  • 민감한 저장소나 대량 작업은 로컬로, 어려운 문제는 프론티어로 섞어 쓰는 것이 설계 방향이라고 했다.

How to Apply

• 오늘 로컬 모델로 한 번 돌려 보기
  • 설치 스크립트를 실행하고 이미 가진 GGUF 파일을 `--offline-model`로 지정해 작은 수정 작업을 시켜 보자.
  • 결과를 Claude Code 같은 호스티드 에이전트와 비교해 품질 차이를 기록하자.
• 민감 저장소는 로컬, 어려운 작업은 호스티드로 나누기
  • 코드 유출이 걱정되는 저장소에는 오프라인 모드를 쓰자.
  • 어려운 작업만 `/providers`로 호스티드 모델로 바꿔 쓰자.
• CI에서 헤드리스로 diff 리뷰 붙이기
  • 파이프라인에 `git diff | ante -p "review this for security issues"`를 넣자.
  • 먼저 로컬 브랜치에서 출력 품질을 확인한 뒤 CI에 올리자.
• 프로필로 최소 에이전트 만들기
  • `cp curated/pi.settings.json ~/.ante/` 후 `ante --profile pi`로 도구 4개짜리 에이전트를 돌려 보자.
  • 같은 과제를 기본 프로필과 비교해 시스템 프롬프트 교체 효과를 보자.

Try It

# 터미널에 붙여넣기 (macOS/Linux, 베타 프리뷰)

curl -fsSL https://ante.run/install.sh | bash

# 로컬 GGUF 모델로 오프라인 실행 ({{모델경로}}는 본인 GGUF 파일 경로)
ANTE_TELEMETRY=off ante --offline-model {{모델경로}} \
  -p "add error handling to src/main.rs"

# 이어서 해 볼 것: 호스티드 provider와 비교
git diff | ante -p "review this for security issues"

Terminology

관련 논문

• 같은 시뮬레이션, 다른 근거: 도구 출력을 파일로 넘기면 LLM 에이전트 정확도가 어디서 깎이나

  긴 툴 출력을 파일로 넘기자 GPT-5.1은 정확도 11.3%p 하락, 정식 출력 지정하니 회복

• 가짜 뉴스가 진짜 폭락을: LLM 트레이딩 에이전트 대상 정보 주입 공격

  가짜 헤드라인 한 줄로 LLM 트레이딩 에이전트 62%를 조종했다(프롬프트 주입은 14%)

• Harness Engineering 101: LLM은 뇌, harness는 몸

  에이전트는 JSON 배열을 관리하는 루프이고, 16개 챕터로 직접 만들어 본다

• Harness²: 에이전트 harness를 스스로 고쳐 쓰는 재귀 최적화 프레임워크

  모델은 고정하고 harness를 재귀로 고쳤더니 벤치마크 점수가 최대 11.8%p 올랐다

• 해고된 Savannah 경찰관, ICE 요원 남편에게 Flock 계정 공유

  경찰관이 Flock 계정을 남편(ICE 요원)에게 공유했고, 감사에서 983건 검색이 드러나 해고됐다

• tmux와 Claude Code: 세션, send-keys, 그리고 한계선

  tmux로 Claude Code 여러 개를 돌리면 편하지만 에이전트 4개쯤에서 한계가 온다

• Hybrid Reasoning Agents: 잠재 공간에서 생각하고 텍스트로 행동하는 LLM 에이전트

  잠재 공간 추론과 텍스트 도구 호출을 섞었더니 성능 10.4%↑, 토큰 최대 54.7%↓

Related Resources

• https://github.com/AntigmaLabs/ante
• https://ante.run/install.sh
• https://antigma.ai/eval
• https://ante.run/local/overview
• https://docs.antigma.ai