버전: 1.0.0
저자: Charlie (심층 분석가), Alex (AB Support 플리트 코디네이터), Bravo (리서치), Editor (콘텐츠 검토)
연락처: alex@vibeagentmaking.com
날짜: 2026-03-26
상태: 출판 전 초안
라이선스: Apache 2.0
기관: AB Support LLC
자율 에이전트 경제는 통합되기도 전에 파편화되고 있다. 2026년 초 현재, 에이전트 마켓플레이스들은 폐쇄형 생태계로 운영되고 있다 — Google Cloud의 AI Agent Marketplace는 Vertex AI 에이전트만 검증하고[1], Salesforce AgentExchange는 Agentforce 통합을 요구하며[2], AWS Marketplace는 에이전트를 Bedrock AgentCore에 종속시키고[3], ServiceNow의 AI Agent Marketplace는 자체 플랫폼에 잠겨 있다[4]. 한 마켓플레이스에 등록된 에이전트는 다른 모든 마켓플레이스의 고객에게는 보이지 않는다. 오픈 대안도 존재한다 — UC Berkeley의 Gorilla 마켓플레이스에는 150개 이상의 에이전트가 있고[5], ClawHub의 스킬 레지스트리에는 13,729개의 커뮤니티 스킬이 있으며[6], AI Agent Store에는 1,300개 이상의 항목이 큐레이션되어 있다[7] — 그러나 이들은 서로 간에도, 기업 플랫폼과도 단절되어 있다. 크로스 플랫폼 검색은 존재하지 않는다. 탐색, 매칭, 신뢰 검증, 가격 협상을 단일 오픈 표준으로 결합하는 프로토콜도 없다.
이 파편화는 웹 이전의 정보 사일로 문제를 재현한다. 검색 엔진 이전에는 정보를 찾으려면 어느 데이터베이스를 쿼리해야 하는지 알아야 했다. Kayak 같은 여행 통합 서비스 이전에는 가장 저렴한 항공권을 찾으려면 각 항공사를 개별적으로 확인해야 했다[8]. 에이전트 경제도 동일한 구조적 문제에 직면해 있다: 특정 작업에 최적인 에이전트를 찾으려면 모든 마켓플레이스를 개별적으로 검색하고, 호환되지 않는 역량 설명을 비교하며, 표준화된 평판 데이터 없이 신뢰 판단을 내려야 한다.
Agent Matchmaking Protocol (AMP)은 이 공백을 채운다. AMP는 자율 에이전트 상거래의 완전한 매칭 레이어를 구성하는 다섯 가지 기능을 명시한다:
AMP는 AB Support 신뢰 생태계의 상업적 정점으로 설계되었다 — 모든 하위 레이어 프로토콜의 데이터를 소비하는 레이어 4(시장/탐색) 프로토콜. 경쟁 우위는 매칭 알고리즘 자체(매칭은 충분히 연구된 문제)가 아니라 신뢰 통합의 깊이에 있다: 기존 마켓플레이스가 기업 게이트키핑을 통해 등록 시 한 번만 에이전트를 검증하는 반면, AMP는 전체 신뢰 스택으로 검증된 운영 이력을 통해 지속적으로 검증한다.
이 프로토콜은 신원 시스템, 마켓플레이스, 결제 수단에 무관하다. 에이전트가 어떻게 매칭되는지를 명시하며, 누구인지, 어디에 등록되었는지, 어떻게 결제하는지는 명시하지 않는다. 이 아키텍처적 중립성은 어떤 마켓플레이스도 통제권을 포기하지 않고도 파편화된 생태계 전반에서의 채택을 가능하게 한다.
이 백서는 프로토콜 전체를 명시한다: 역량 프로파일과 매치 요청을 위한 데이터 모델, 안정성과 최적성 트레이드오프의 형식적 분석을 포함한 매칭 알고리즘, 연합 탐색 아키텍처, 가격 발견 메커니즘, 신뢰 신호 통합, 닭-달걀 문제에 대한 마켓플레이스 부트스트래핑 전략, 조작 저항성과 프라이버시 보존 매칭을 포함한 보안 분석, 9개 이상의 기존 마켓플레이스와 40개 이상의 출처를 다루는 경쟁 환경 조사.
에이전트 경제는 탐색 기능을 갖추고 있다. 2025년 중반 기준 150개 이상의 조직이 채택한 Google의 Agent-to-Agent (A2A) 프로토콜[9]은 에이전트가 /.well-known/agent.json에서 Agent Cards를 통해 역량을 게시하는 방법을 표준화한다. 2025년 12월 Agentic AI Foundation(Linux Foundation)에 기증된 Model Context Protocol(MCP)은 에이전트가 런타임에 툴을 동적으로 탐색할 수 있게 한다[10]. AgentDNS[20]와 Agent Name Service(ANS)[21]는 에이전트 엔드포인트에 대한 DNS 유사 명명 및 해석을 제안한다. Agent Communication & Discovery Protocol(ACDP)[22]은 실용적인 탐색을 위해 기존 DNS SRV 레코드를 기반으로 구축된다.
에이전트 경제는 상거래 기능도 갖추고 있다. OpenAI의 Agentic Commerce Protocol(Stripe 협력)은 ChatGPT를 통한 구매를 가능하게 한다[13]. Google의 Universal Commerce Protocol(Shopify, Etsy, Wayfair, Target, Walmart 협력)은 20개 이상의 파트너와 에이전트-상거래 상호작용을 표준화한다[14]. ERC-8183은 온체인 에이전트 트랜잭션을 위한 프로그래밍 가능 에스크로를 정의한다[23]. x402 결제 프로토콜은 2025년 중반 이후 3,500만 건 이상의 트랜잭션을 보고하지만, 분석에 따르면 이 볼륨의 약 절반은 진정한 상거래가 아닌 인프라 테스트를 반영한다[24].
에이전트 경제에 없는 것은 매칭 레이어다 — 작업 설명을 받아 파편화된 생태계를 검색하고, 역량, 신뢰, 비용, 호환성으로 가중된 에이전트 추천 순위를 반환하는 프로토콜 수준 메커니즘.
이것은 편의의 문제가 아니다. 시장 실패다.
마켓플레이스가 사일로화될 때, 세 가지 병리가 나타난다:
검색 비용이 거래 비용을 압도한다. 코드 리뷰 에이전트를 찾는 기업은 Google Cloud의 AI Agent Marketplace, Salesforce AgentExchange, AWS Marketplace, ServiceNow의 AI Agent Marketplace, Berkeley의 오픈소스 마켓플레이스, ClawHub의 스킬 레지스트리, 일반 디렉토리를 확인해야 한다 — 호환되지 않는 검색 인터페이스, 서로 다른 역량 분류 체계, 결과를 비교할 방법이 없는 7개 플랫폼. 인간 사용자에게는 번거롭지만 감당할 수 있다. 프로그래밍 방식으로 기계 속도로 다른 에이전트를 고용해야 하는 자율 에이전트에게는 구조적인 상거래 장벽이다.
플랫폼 종속이 경쟁을 억압한다. Salesforce AgentExchange에서 평판을 쌓은 에이전트는 그 평판을 AWS Marketplace로 이전할 수 없다. 에이전트의 실적 — 미래 성과의 가장 유익한 신호 — 이 단일 플랫폼에 갇힌다. 이는 기득권자에게 유리하고 여러 플랫폼에서 고객을 서비스하는 에이전트에게 불이익을 주는 인위적인 전환 비용을 만든다. Uber 평점을 Lyft로 가져갈 수 없는 운전기사와 동일한 에이전트 상황이다.
품질 신호가 없거나 검증 불가능하다. 기업 마켓플레이스는 기업 게이트키핑을 통해 등록 시 한 번만 에이전트를 검증한다 — Google Cloud는 Vertex AI 호환성을 검증하고, Salesforce는 Agentforce 통합을 인증한다. 오픈 레지스트리는 커뮤니티 검토에 의존한다. 어느 쪽도 지속적인 품질 신호를 제공하지 않는다. Google Cloud 마켓플레이스에서 두 코드 리뷰 에이전트 중 하나를 선택하는 고객은 해당 에이전트의 다른 플랫폼 성과 이력, 분쟁 기록, SLA 준수율, 출처 체인에 접근할 수 없다. 좋은 매칭 결정을 위해 필요한 정보는 프로토콜과 플랫폼에 흩어져 존재한다. 이를 집계하는 시스템이 없다.
AMP는 네 가지 확립된 학문의 교차점에서 작동한다:
정보 검색은 역량 기반 검색의 토대를 제공한다 — 시맨틱 유사도, 구조화된 쿼리, 또는 하이브리드 방식을 사용하여 작업 설명을 에이전트 역량 프로파일과 매칭한다.
매칭 이론은 양측 선호도 최적화를 위한 알고리즘적 토대를 제공한다 — 여러 작업이 동일한 에이전트를 두고 경쟁하고 여러 에이전트가 동일한 작업을 수행할 수 있을 때, 결과적 할당이 안정적임을 보장한다(어떤 작업-에이전트 쌍도 현재 매칭보다 서로를 더 선호하지 않음)[12].
플랫폼 경제학은 시장 설계의 토대를 제공한다 — 교차 측면 네트워크 효과, 닭-달걀 부트스트래핑 문제, 양면 시장의 가격 전략, 파편화된 마켓플레이스가 통합되거나 지속되는 조건을 이해한다[25][26].
메커니즘 설계는 인센티브 엔지니어링의 토대를 제공한다 — 정직한 역량 보고, 정확한 가격 책정, 진정한 품질 제공이 참여자에게 개별적으로 합리적인 전략이 되도록 프로토콜을 구조화한다[27].
AMP는 기존 마켓플레이스를 대체하려 하지 않는다. 항공사를 운영하지 않으면서 항공사 전반을 검색하는 Kayak처럼, AMP는 에이전트를 호스팅하지 않으면서 에이전트 마켓플레이스 전반을 검색한다. 이것은 프로토콜이다 — 모든 마켓플레이스, 레지스트리, 탐색 서비스가 구현할 수 있는 명세 — 플랫폼이 아니다. 프로토콜은 역량 프로파일의 구조, 매치 요청의 형식, 연합 쿼리의 실행, 신뢰 신호를 사용한 결과 랭킹, 매칭 흐름 내 가격 발견의 작동 방식을 정의한다.
AMP가 명시하는 것:
AMP가 명시하지 않는 것:
AMP는 이 모든 프로토콜의 출력을 소비하며, 이를 중복 구현하지 않는다.
이 명세 전반에서 다음 용어는 정확한 의미로 사용된다:
| 용어 | 정의 |
|---|---|
| 에이전트(Agent) | 지속적인 인간 감독 없이 작업 수행, 의사결정, 다른 에이전트 또는 인간과의 상호작용이 가능한 자율 소프트웨어 엔터티 |
| 역량(Capability) | 에이전트가 수행할 수 있는 특정 유형의 작업으로, 매칭에 의미 있는 추상화 수준에서 기술됨(예: "Python 마이크로서비스 코드 리뷰", "린터 호출"이 아님) |
| 역량 프로파일(Capability Profile) | 에이전트의 역량, 성과 특성, 비용 파라미터, 가용성에 대한 구조화된 기계 판독 가능 설명 — AMP에서 통합 역량 프로파일(UCP)로 형식화됨 |
| 매치 요청(Match Request) | 수행할 작업, 여러 차원(품질, 비용, 속도, 신뢰)에 걸친 요청자의 선호도, 하드 제약 조건을 기술하는 구조화된 쿼리 |
| 매치 응답(Match Response) | 매치 요청의 제약 조건을 충족하는 에이전트의 순위 목록으로, 종합 호환성 점수 순으로 정렬됨 |
| 호환성 점수(Compatibility Score) | 역량 매칭, 신뢰 신호, 비용 일치, 가용성, 스타일 호환성으로부터 계산된, 에이전트가 특정 매치 요청에 얼마나 적합한지를 나타내는 다차원 점수 |
| 레지스트리(Registry) | 에이전트 역량 프로파일을 저장하고 제공하는 모든 시스템 — 기업 마켓플레이스, 오픈 레지스트리, 자체 호스팅 엔드포인트 |
| 연합(Federation) | AMP가 여러 레지스트리를 동시에 쿼리하고 결과를 통합 랭킹으로 병합하는 프로토콜 메커니즘 |
| 신뢰 신호(Trust Signal) | 신뢰 생태계 프로토콜(CoC 출처 증명, ARP 평판, ASA 준수, AJP 분쟁 기록, ALP 라이프사이클 상태)에서 출처한 에이전트의 이력 또는 품질에 관한 검증 가능한 클레임 |
| 가격 발견(Price Discovery) | 요청자와 제공자가 고정 가격, 경매, 협상을 통해 서비스 비용에 합의하는 과정 |
| 안정 매칭(Stable Matching) | 매칭되지 않은 작업-에이전트 쌍이 현재 할당보다 서로를 더 선호하지 않는 매칭 할당[12] |
| 부트스트래핑(Bootstrapping) | 양면 마켓플레이스에서 닭-달걀 문제를 극복하는 과정: 초기 공급(등록 에이전트)과 수요(작업 요청자)를 동시에 유치하는 것 |
| UCP | 통합 역량 프로파일(Unified Capability Profile) — A2A Agent Cards, MCP 매니페스트, OpenClaw 스킬 사양과 상호운용 가능한 AMP의 에이전트 역량 기술 기계 판독 가능 형식 |
| AMP 노드(AMP Node) | 매치 요청을 수신하고, 레지스트리를 쿼리하며, 랭킹을 계산하고, 매치 응답을 반환할 수 있는 AMP 프로토콜 구현체 |
AMP의 설계는 기존 마켓플레이스의 실패와 에이전트 경제의 요구사항에서 도출된 일곱 가지 원칙에 의해 안내된다:
AMP는 서비스가 아닌 명세다. 모든 조직은 AB Support나 어떤 중앙 기관의 허가 없이 AMP 노드를 구현할 수 있다. 이는 HTTP(누구나 웹 서버를 구현할 수 있음), DNS(누구나 리졸버를 운영할 수 있음), A2A(누구나 Agent Card를 게시할 수 있음)의 모델을 따른다. 대안 — 중앙화된 매칭 플랫폼 — 은 단일 장애 지점, 지대 추구 중개자, 신뢰 생태계의 개방적이고 탈중앙화된 성격에 반하는 게이트키핑 병목을 만들 것이다.
트레이드오프는 실재한다: 중앙화된 플랫폼은 더 많은 가치를 포획하고(Kayak의 CPC 모델, App Store의 30% 수수료) 매칭 품질을 더 빠르게 반복 개선할 수 있다. 프로토콜 방식은 채택 폭과 생태계 복원력을 위해 이를 희생한다. 이는 의도적인 선택이다: AMP의 가치는 매칭 서비스가 아닌 매칭 표준이 되는 것에서 온다.
AMP는 신원, 통신, 결제, 계약, 분쟁, 품질 검증을 재발명하지 않는다. 이미 이 기능들을 처리하는 프로토콜의 출력을 소비한다:
| 기능 | 프로토콜 | AMP의 소비 |
|---|---|---|
| 신원 | CoC, DID, A2A Cards | 결과에 포함하기 전 에이전트 신원 검증 |
| 평판 | ARP v2 | 종합 점수를 랭킹 신호로 사용 |
| 계약 | ASA | SLA 준수 이력을 신뢰성 지표로 사용 |
| 분쟁 | AJP | 분쟁율과 결과를 위험 신호로 사용 |
| 라이프사이클 | ALP | 폐기/폐지된 에이전트 필터링 |
| 통신 | A2A, MCP | 기존 채널을 통해 매치 결과 라우팅 |
| 결제 | x402, ERC-8183 | 정산 처리 없이 가격 발견 통합 |
이 "중복이 아닌 소비" 원칙은 AMP를 핵심 기여인 매칭에 집중하게 하면서, 통합을 통한 깊이를 가능하게 한다.
단일 차원 랭킹(예: "가격순 정렬" 또는 "평점순 정렬")은 구현하기 쉽고 인간이 이해하기 쉽기 때문에 대부분의 마켓플레이스의 기본이다. 그러나 에이전트 매칭에는 범주적으로 잘못된 접근이다.
완벽한 정확도를 가지지만 응답 시간이 10분인 에이전트는 실시간 고객 지원에 쓸모없다. 가장 저렴하지만 분쟁율 40%인 에이전트는 분쟁율 2%의 프리미엄 에이전트보다 기대 비용이 더 높다. JavaScript 코드 리뷰에 높은 평점을 받은 에이전트가 Python 마이크로서비스 리뷰에는 평범할 수 있다.
AMP는 다차원 매치 요청과 다차원 호환성 점수 산정을 요구한다. 차원은 다음과 같다:
| 차원 | 출처 | 측정 대상 |
|---|---|---|
| 역량 매칭 | UCP 시맨틱 유사도 | 에이전트의 역량이 작업에 얼마나 적합한가 |
| 신뢰 점수 | CoC + ARP + ASA + AJP 종합 | 에이전트가 얼마나 신뢰할 수 있는가 |
| 비용 일치 | 가격 신호 | 에이전트의 가격이 예산에 얼마나 적합한가 |
| 가용성 | 레지스트리 상태 + ALP 라이프사이클 | 에이전트가 현재 이용 가능하고 활성 상태인가 |
| 스타일 호환성 | UCP 메타데이터 + 상호작용 이력 | 에이전트의 출력 형식과 상호작용 스타일이 선호도와 맞는가 |
| 도메인 관련성 | ARP 차원별 점수 + ASA 이력 | 이 특정 도메인에서 에이전트의 실적이 작업과 얼마나 잘 일치하는가 |
요청자는 이 차원들에 걸쳐 가중치를 지정한다. 프로토콜은 기본 가중치를 강제하지 않는다 — 서로 다른 사용 사례는 정당하게 서로 다른 우선순위를 갖는다.
기존 마켓플레이스는 선언된 신뢰에 의존한다 — 에이전트(또는 그 게시자)가 특정 역량을 주장하고, 마켓플레이스가 그 주장을 한 번 검증한다. AMP는 선언을 증거로 대체한다:
신뢰 증거가 존재하는 곳에서 AMP는 이를 사용한다. 존재하지 않는 경우(신규 에이전트, 신뢰 통합이 없는 플랫폼의 에이전트), AMP는 에이전트를 완전히 배제하지 않고 적절한 할인을 적용한다(섹션 10.3, 신규 에이전트 온보딩 참조).
AMP의 연합 탐색 모델은 각 마켓플레이스와 레지스트리의 자율성을 존중한다. AMP 쿼리는 마켓플레이스에 전체 에이전트 데이터베이스를 노출하도록 요구하지 않는다. 대신 각 참여 레지스트리는 표준화된 쿼리 엔드포인트를 구현한다:
이는 Kayak이 항공사 API를 쿼리하는 방식과 유사하다 — 각 항공사는 자체 인벤토리와 가격을 통제하며, Kayak은 단지 결과를 집계한다. 마켓플레이스는 에이전트, 데이터, 비즈니스 모델에 대한 통제권을 포기하지 않고 AMP 연합에 참여할 수 있다.
닭-달걀 문제 — 요청자가 없으면 에이전트가 등록하지 않고, 에이전트가 없으면 요청자가 검색하지 않음 — 은 대부분의 양면 마켓플레이스를 임계 질량에 도달하기 전에 죽인다[25]. AMP는 새로운 마켓플레이스를 구축하지 않아도 된다는 방식으로 이 문제를 구조적으로 해결한다. AMP는 연합 프로토콜이기 때문에, 새로운 공급을 요구하는 대신 기존 레지스트리(ClawHub의 13,729개 스킬, Berkeley의 150개 이상 에이전트, Apify의 4,000개 이상 툴, 수백 개의 검증된 에이전트를 가진 기업 마켓플레이스)를 연결하여 부트스트랩한다. 공급은 이미 존재하며 — 다양한 추상화 수준의 스킬, 툴, 에이전트 프로파일, 디렉토리 항목의 혼합으로 — 단지 파편화되어 있을 뿐이다.
에이전트는 역량 프로파일의 일부를 숨길 경쟁적 이유가 있을 수 있다. 독점 리서치 에이전트는 정확한 툴 체인을 공개하고 싶지 않을 수 있다. AMP는 점진적 공개를 지원한다: 에이전트는 매칭에 충분한 역량 정보를 게시하지만 매치가 확정되고 계약이 협상된 후까지 구현 세부사항을 보류할 수 있다. 신뢰 신호는 집계 방식으로 검증될 수 있다(예: "이 에이전트의 ARP 종합 점수가 80을 초과함"), ARP v2[16]에 명시된 영지식 증명 메커니즘을 사용하여 정확한 차원별 점수를 드러내지 않고도 검증 가능하다.
2026년 초 현재 지배적인 에이전트 마켓플레이스는 탐색을 클라우드 생태계와 번들로 제공하는 기업 플랫폼이다:
Google Cloud AI Agent Marketplace는 2025년 Google Cloud Marketplace 내에서 출시되어, Gemini 기반 자연어 검색을 사용하여 검증된 파트너의 전문화된 에이전트에 접근할 수 있게 한다[1]. PwC 단독으로 이 플랫폼에 120개 이상의 에이전트를 게시했다[29]. 탐색은 자연어 쿼리를 사용한다 — 고객이 사용 사례를 설명하면 시스템이 A2A 및 Gemini Enterprise 통합을 위해 검증된 매칭 에이전트를 반환한다. "Agent Finder" 툴은 검색 가능한 접근을 제공한다. 강점: 정교한 자연어 검색, 기업 청구 통합. 한계: Google Cloud 검증 에이전트만 보임; 크로스 플랫폼 에이전트는 제외됨.
Salesforce AgentExchange는 2025년 3월 4일 Google Cloud, Docusign, Box를 포함한 200개 이상의 초기 파트너와 함께 출시되었으며, "세계 최초의 에이전트 마켓플레이스"로 포지셔닝되었다[2]. Actions, Prompt Templates, Topics, Agent Templates의 네 가지 컴포넌트 유형을 제공한다. 2025년 말, Salesforce는 Salesforce와 AWS 생태계를 연결하는 Agentforce 360 for AWS로 이를 확장했다[30]. 강점: 대규모 파트너 생태계, 깊은 CRM 통합, 크로스 클라우드 확장. 한계: Agentforce에 긴밀하게 결합됨 — Salesforce가 아닌 에이전트는 등록 불가.
AWS Marketplace(AI 에이전트)는 2025년 10월 13일 일반 출시된 Amazon Bedrock AgentCore와 통합된 전용 "AI 에이전트 및 툴" 섹션을 추가했다[3]. 최근 AWS AI 에이전트 해커톤에서 600개 에이전트의 80%가 AgentCore를 사용하여 구축되었다[3]. 고객은 AWS Marketplace를 통해 조달한 MCP 서버를 AgentCore Gateway의 MCP 타겟으로 사용할 수 있어, MCP와 AWS 인프라를 연결한다. 강점: 개발자 채택(AgentCore), 유연한 사용량 기반 가격, MCP 브릿지. 한계: AWS 중심; 에이전트는 Bedrock과 통합되어야 함.
ServiceNow AI Agent Marketplace는 2025년에 재출시되었으며, 고객의 기존 애플리케이션 및 통합을 기반으로 개인화된 추천을 제공하는 네이티브 AI 어시스턴트를 갖췄다[4]. 출시 파트너에는 Accenture, Deloitte, HCLTech 및 7개의 다른 기업 통합업체가 포함된다. 강점: AI 기반 추천 엔진(카테고리 탐색보다 정교), 업계별 컬렉션. 한계: ServiceNow 플랫폼에 종속됨.
UC Berkeley Gorilla Agent Marketplace는 Langchain, LlamaIndex, OpenAI, CrewAI에서 출처한 150개 이상의 검증된 LLM 에이전트를 위한 오픈소스 검색 엔진을 운영한다[5]. 커뮤니티 검토, 크로스 프레임워크 호환, 무허가 등록. 강점: 개방적, 크로스 프레임워크. 한계: 소규모, 트랜잭션 기능 없음.
ClawHub는 2026년 2월 기준 13,729개의 커뮤니티 빌드 스킬을 호스팅하며, OpenAI 임베딩으로 구동되는 벡터 기반 시맨틱 검색을 통해 탐색 가능하다[6]. 각 스킬은 YAML 프론트매터와 마크다운 지침이 포함된 SKILL.md 파일이다. 보안은 우려 사항이다: 연구자들이 1,467개의 악성 스킬(레지스트리의 약 3%)을 발견했으며, 91%가 프롬프트 인젝션과 전통적 악성코드를 결합했다[31][32]. 강점: 가장 큰 오픈 레지스트리, 시맨틱 검색, npm 유사 CLI. 한계: 스킬은 복합 에이전트 프로파일이 아닌 개별 역량을 기술; 커뮤니티 모더레이션 콘텐츠의 상당한 보안 위험.
AI Agent Store와 AI Agents Directory는 카테고리에 걸쳐 1,300개 이상의 에이전트에 대한 메타데이터를 집계하지만 배포, 청구, 런타임을 처리하지 않는다[7]. 이들은 트랜잭션 마켓플레이스가 아닌 디렉토리로 기능한다.
Apify는 MCP 통합을 갖춘 4,000개 이상의 웹 스크래퍼, 에이전트, 자동화 툴을 제공한다[33]. Agen.cy는 작업 및 업계별 탐색을 위한 검색 가능한 에이전트 디렉토리를 제공한다.
Microsoft Magentic Marketplace(2025년 11월)는 프로덕션 마켓플레이스가 아닌 에이전트 시장 연구를 위한 오픈소스 시뮬레이션 환경이다[34][35]. 수백 개의 동시 구매자 및 판매자 에이전트를 사용한 통제된 실험의 주요 발견: (a) 프론티어 모델은 이상적인 환경에서 강한 복지 결과를 달성하지만 성과는 규모가 커질수록 저하됨, (b) 판매자 에이전트가 구매자 에이전트의 주의 한계를 악용하는 조작 및 속도 편향을 포함한 창발적 실패 모드, (c) 더 많은 옵션을 받은 구매자 에이전트는 과부하가 컨텍스트 윈도우를 압도하여 결정 품질이 저하됨[36]. GitHub에 오픈소스 공개(microsoft/multi-agent-marketplace). 강점: 에이전트 마켓플레이스 동학에 대한 가장 엄격한 경험적 데이터. 한계: 시뮬레이션, 프로덕션 시스템 아님.
| 기능 | Google Cloud | Salesforce | AWS | ServiceNow | Berkeley | ClawHub | Magentic | AMP |
|---|---|---|---|---|---|---|---|---|
| 크로스 플랫폼 검색 | 아니오 | 부분(AWS 브릿지) | 아니오 | 아니오 | 부분 | 아니오 | 해당 없음 | 예 |
| 다차원 매칭 | 아니오 | 아니오 | 아니오 | AI 기반 | 아니오 | 시맨틱 | 연구 | 예 |
| 신뢰 가중 랭킹 | 기업 검증 | 파트너 인증 | AWS 검토 | 파트너 인증 | 커뮤니티 | 커뮤니티 + 스캔 | 해당 없음 | 검증 가능한 신뢰 스택 |
| 가격 발견 | 플랫폼 청구 | 플랫폼 청구 | 사용량 기반 | 플랫폼 청구 | 무료 | 무료 | 시뮬레이션 | 다중 메커니즘 |
| 안정 매칭 보장 | 아니오 | 아니오 | 아니오 | 아니오 | 아니오 | 아니오 | 연구됨 | 예(배치 모드) |
| 오픈 프로토콜 | 아니오 | 아니오 | 아니오 | 아니오 | 예 | 예 | 예 | 예 |
| 프라이버시 보호 | 해당 없음 | 해당 없음 | 해당 없음 | 해당 없음 | 아니오 | 아니오 | 해당 없음 | 부분(TLS + 익명화; 점수 임계값 처리를 위한 ARP v2 영지식 증명) |
공백은 명확하다: 개방적이고 크로스 플랫폼 검색을 다차원 신뢰 가중 매칭, 형식적 안정성 보장, 다중 메커니즘 가격 발견과 결합하는 시스템이 없다. AMP가 이 공백을 차지한다.
비교 방법론에 관한 주석: 이 표는 운영 준비도가 아닌 프로토콜 수준 기능을 비교한다. 기존 플랫폼은 AMP가 아직 따라가지 못하는 실제 강점을 보유하고 있다 — 운영 성숙도, 기업 청구 통합, 확립된 고객 지원, 기업 책임으로 뒷받침되는 SLA 보장, 수년간의 프로덕션 강화 포함. AMP의 장점은 아키텍처적(개방성, 연합, 신뢰 통합)이고; 기존 업체의 장점은 운영적이다. 프로덕션 배포는 확립된 플랫폼과 경쟁하기 위해 운영 격차를 좁혀야 한다. AMP의 안정 매칭 보장은 배치 모드에 적용된다; 실시간 안정성은 보완 메커니즘이 필요하다(섹션 6.3 참조).
에이전트 역량 기술은 세 가지 추상화 수준에 존재하며, 어느 것도 단독으로는 충분하지 않다:
툴 수준(MCP 매니페스트): 에이전트가 호출할 수 있는 개별 툴을 나열한다 — 웹 스크래핑, 파일 파싱, API 호출[10]. 이는 역량이 아닌 구현 세부사항이다. 에이전트에 웹 스크래핑 툴이 있다는 것만으로는 경쟁 조사를 수행할 수 있는지 알 수 없다.
스킬 수준(OpenClaw 사양): YAML 메타데이터가 포함된 인간 가독 마크다운으로 개별 스킬을 기술한다[11]. 툴보다 추상적이지만, 여전히 원자적이다 — 스킬은 "웹 스크래핑" 또는 "요약"을 기술하며, "웹 스크래핑, 요약, 인용 검증을 결합하는 리서치 에이전트"와 같은 복합 역량은 기술하지 않는다.
에이전트 수준(A2A Agent Cards): 에이전트가 인터페이스 수준에서 할 수 있는 것을 기술한다 — 스킬, 지원되는 인증, 입출력 모달리티[9]. Agent Cards는 탐색 지향적이다: 에이전트가 무엇을 할 수 있는지는 알려주지만, 얼마나 잘, 얼마나 신뢰할 수 있게, 어떤 비용으로, 대안과 비교하여 어떤지는 알려주지 않는다.
AMP는 통합 역량 프로파일(UCP)을 도입한다 — 툴 수준 및 스킬 수준 기술을 성과 특성, 신뢰 신호, 호환성 메타데이터로 풍부화된 에이전트 수준 프로파일로 합성하는 역량 기술 형식이다.
UCP는 다섯 섹션을 포함한다:
5.2.1 신원 섹션
UCP를 여러 시스템에 걸쳐 에이전트의 신원에 연결한다:
{
"identity": {
"amp_id": "amp:agent:abc123",
"a2a_card": "https://agent.example.com/.well-known/agent.json",
"coc_chain_id": "coc:chain:sha256:a1b2c3...",
"did": "did:web:agent.example.com",
"registries": [
{"type": "google_cloud", "listing_id": "gc-agent-456"},
{"type": "clawhub", "skill_ids": ["web-research-v3", "citation-verify"]}
]
}
}신원 섹션은 권한적이지 않고 상호 참조적이다 — 신원 검증은 각 신원 프로토콜(CoC, DID, A2A)에 위임된다.
5.2.2 역량 섹션
계층적 분류 체계를 사용하여 에이전트가 할 수 있는 것을 기술한다:
{
"capabilities": [
{
"domain": "research",
"subdomain": "competitive_analysis",
"description": "Conducts comprehensive competitive landscape research with web scraping, document analysis, and structured report generation",
"input_modalities": ["text", "url", "document"],
"output_modalities": ["text", "structured_data", "report"],
"tools_used": ["web_scraper", "pdf_parser", "summarizer", "citation_engine"],
"complexity_range": {
"min": "single-competitor profile",
"max": "full market landscape with 50+ entities"
},
"taxonomy_codes": {
"onet_soc": "15-2051.01",
"amp_capability": "research.competitive.landscape"
}
}
]
}taxonomy_codes 필드는 여러 분류 시스템을 지원한다. AMP는 기존 직업 분류와의 상호운용성을 유지하면서 자체 계층적 역량 분류 체계(일반화 → 중간 → 세부 작업 활동의 O*NET 구조에서 영감을 받음[37])를 정의한다. AMP 분류 체계는 규범적이지 않다 — 에이전트는 자유 텍스트 설명, 구조화된 분류 코드, 또는 둘 다를 사용하여 역량을 선언할 수 있다. 시맨틱 매칭이 번역을 처리한다.
5.2.3 성과 섹션
경험적으로 관찰된 성과 특성을 기술한다:
{
"performance": {
"reliability": {
"asa_completion_rate": 0.982,
"asa_sample_size": 247,
"uptime_30d": 0.997
},
"quality": {
"arp_composite_score": 84.2,
"arp_dimensional_scores": {
"accuracy": 91.3,
"reliability": 88.7,
"latency": 72.1,
"protocol_compliance": 95.0,
"cost_efficiency": 73.8
},
"qv_pass_rate": 0.94,
"qv_sample_size": 189
},
"speed": {
"median_response_time_ms": 45000,
"p95_response_time_ms": 180000,
"throughput_tasks_per_hour": 12
},
"dispute_profile": {
"ajp_dispute_rate": 0.018,
"ajp_favorable_resolution_rate": 0.85,
"ajp_sample_size": 55
}
}
}성과 지표는 자체 보고가 아니다. 신뢰 생태계 프로토콜 데이터에서 계산되고 암호화 방식으로 검증 가능하다:
arp_composite_score는 ARP v2의 신호 합성 대수에서 도출됨[16]asa_completion_rate는 ASA 계약 기록에서 계산됨[18]ajp_dispute_rate는 AJP 사례 기록에서 계산됨[17]coc_chain_length는 앵커된 타임스탬프에 대해 검증 가능[15]검증 가능한 데이터를 사용할 수 없는 경우(예: 신뢰 생태계와 통합되지 않은 에이전트), 필드는 추정하지 않고 생략된다. AMP 노드는 미검증 자체 보고 지표를 표시할 수 있지만(MAY), 매치 결과에서 검증된 지표와 명확히 구별해야 한다(MUST).
5.2.4 비용 섹션
에이전트의 가격 모델을 기술한다:
{
"cost": {
"pricing_model": "usage_based",
"base_rate": {"amount": 0.05, "currency": "USD", "per": "request"},
"variable_rate": {"amount": 0.002, "currency": "USD", "per": "output_token"},
"supports_negotiation": true,
"supports_auction": false,
"payment_rails": ["x402", "stripe", "invoice"],
"free_tier": {"requests_per_month": 100}
}
}{
"availability": {
"status": "active",
"alp_lifecycle_stage": "operational",
"capacity": {
"current_load_pct": 45,
"max_concurrent_tasks": 20,
"estimated_queue_time_ms": 5000
},
"schedule": {
"timezone": "UTC",
"available_hours": "00:00-23:59",
"maintenance_windows": []
}
}
}UCP는 기존 역량 기술에서 생성되도록 설계되었다:
| 원본 형식 | UCP로의 매핑 |
|---|---|
| A2A Agent Card | Identity → a2a_card; Skills → Capability Section; Authentication → 필터됨 |
| MCP Tool Manifest | Tools → Capability Section의 tools_used; Parameters → complexity_range |
| OpenClaw SKILL.md | YAML 프론트매터 → Capability Section; Required binaries → tools_used |
| Custom API | 구현자가 UCP 스키마로 매핑; 매핑되지 않은 필드는 extensions에 보존됨 |
AMP 노드는 A2A Agent Cards, MCP 매니페스트, OpenClaw 사양을 직접 수집하여 UCP를 자동으로 생성할 수 있어야 한다(SHOULD). 이는 채택 장벽을 낮춘다: 기존 플랫폼에 이미 등록된 에이전트는 UCP를 수동으로 생성할 필요가 없다.
AMP는 3단계 계층적 역량 분류 체계를 정의한다:
레벨 1 — 도메인(8개 도메인): research(리서치), development(개발), analysis(분석), communication(커뮤니케이션), operations(운영), creative(창의), security(보안), domain-specific(도메인 특화)
레벨 2 — 서브도메인(약 40개 서브도메인): 예: research.competitive, research.academic, development.frontend, development.backend, analysis.financial, analysis.legal, communication.translation, communication.summarization
레벨 3 — 역량(개방형): 각 서브도메인 내 특정 역량, 예: research.competitive.landscape, development.backend.api_design, analysis.financial.valuation
레벨 1과 레벨 2는 프로토콜 정의 및 버전 관리된다. 레벨 3은 확장 가능하다 — 에이전트는 프로토콜 업데이트 없이 레벨 3에서 새로운 역량을 선언할 수 있다. 시맨틱 매칭은 알려진 분류 항목과 정확히 일치하지 않는 새로운 레벨 3 역량을 처리한다.
분류 체계 상태: 위에 나열된 레벨 1 도메인과 레벨 2 서브도메인 예시는 예시적이고 초안이다. 완전한 레벨 2 분류 체계(약 40개 서브도메인)는 AMP v1.0 최종화 전에 별도의 버전 관리 아티팩트로 게시될 것이다. 현재 명세를 기반으로 구축하는 구현자는 분류 코드를 잠정적인 것으로 취급하고 분류 체계 업데이트를 수용할 수 있도록 시스템을 설계해야 한다. 구조적 프레임워크(3단계 계층, O*NET 영감 분해)는 안정적이다; 특정 코드는 그렇지 않다.
분류 체계는 직업 활동의 O*NET 계층적 분해[37]에서 구조적 영감을 받지만, 인간 직업이 아닌 에이전트 역량을 위해 특별히 구축되었다. O*NET이 직업 → 일반화된 활동 → 중간 활동 → 세부 활동 → 작업 문장으로 매핑하는 반면, AMP는 에이전트 → 도메인 → 서브도메인 → 역량 → 작업 유형으로 매핑한다. 이 구조적 유사성은 인간과 에이전트 역량 온톨로지 간의 향후 브릿징을 가능하게 하며, 이는 에이전트-인간 협업이 심화됨에 따라 관련성을 가질 수 있다.
매치 요청은 요청자가 필요한 것과 서로 다른 차원의 우선순위를 지정한다:
{
"match_request": {
"request_id": "mr-20260326-001",
"requester_id": "amp:agent:requester-xyz",
"task": {
"description": "Review Python microservice code for security vulnerabilities, focusing on authentication flows and data validation",
"domain": "security",
"subdomain": "code_review",
"input": {"type": "code_repository", "language": "python", "loc_estimate": 15000},
"output": {"type": "security_report", "format": "structured_json"},
"deadline_ms": 3600000,
"budget": {"max_amount": 50.00, "currency": "USD"}
},
"weights": {
"capability_match": 0.30,
"trust_score": 0.25,
"cost_alignment": 0.15,
"availability": 0.10,
"style_compatibility": 0.05,
"domain_relevance": 0.15
},
"constraints": {
"min_trust_score": 60,
"max_dispute_rate": 0.05,
"required_lifecycle_status": ["operational"],
"excluded_agents": [],
"required_registries": [],
"max_results": 10
},
"federation": {
"registries": ["all"],
"timeout_ms": 5000
}
}
}weights 객체는 합산하여 1.0이 되며 호환성 점수에서 각 차원의 상대적 중요도를 결정한다. constraints 객체는 하드 필터를 지정한다 — 제약 조건을 위반하는 에이전트는 점수 산정 전에 제외된다. 이 이단계 접근법(필터 후 순위 결정)은 표준 정보 검색 파이프라인을 반영하며 계산 효율적이다.
매치 요청 R과 후보 에이전트 A가 주어지면, 호환성 점수 S(R, A)는 다음과 같이 계산된다:
S(R, A) = w_cap * C_capability(R, A)
+ w_trust * C_trust(R, A)
+ w_cost * C_cost(R, A)
+ w_avail * C_availability(R, A)
+ w_style * C_style(R, A)
+ w_domain * C_domain(R, A)각 차원 점수 C_x는 [0, 100]으로 정규화되고 각 가중치 w_x는 매치 요청의 weights 객체에서 가져온다.
역량 매칭(C_capability):
작업 설명과 에이전트의 UCP 역량 기술 간의 시맨틱 유사도를 통해 계산된다. AMP는 특정 임베딩 모델을 규정하지 않지만 유사도 함수가 세 가지 속성을 만족하도록 요구한다:
tools_used에 해당 툴을 보유한 에이전트는 보너스를 받는다complexity_range를 벗어나면 점수가 할인된다형식적으로:
C_capability(R, A) = sim(R.task.description, A.capabilities)
* tool_bonus(R.task, A.tools_used)
* complexity_fit(R.task, A.complexity_range)sim은 [0, 1]을 반환하는 시맨틱 유사도 함수, tool_bonus는 [1.0, 1.2]를 반환(툴 매칭 시 최대 20% 보너스), complexity_fit은 [0.5, 1.0]을 반환(범위 초과 복잡도 시 50% 페널티, 범위 내 시 1.0).
신뢰 점수(C_trust):
ARP v2의 종합 신호에서 도출됨[16]:
C_trust(R, A) = f(ARP_composite, CoC_chain_length, ASA_compliance, AJP_dispute_rate)f는 도메인 특화 가중치 프로파일을 갖춘 ARP v2 신호 합성 함수. 에이전트에 신뢰 생태계 통합이 없으면, C_trust는 중립적 신뢰를 나타내는 설정 가능한 기준값(기본값: 50)으로 기본 설정된다 — 신뢰도 불신도 아님.
비용 일치(C_cost):
C_cost(R, A) = max(0, 100 - penalty * |estimated_cost(A, R.task) - R.task.budget.target|)estimated_cost는 특정 작업에 에이전트의 가격 모델을 투영하고, penalty는 예산 민감도에 따라 조정된다. 예산 내 가격을 가진 에이전트는 높은 점수를 받는다; 예산을 크게 초과하는 에이전트는 페널티를 받지만 제외되지는 않는다(요청자가 신뢰 프리미엄이 가치 있다고 판단할 수 있다).
가용성(C_availability):
C_availability(R, A) = lifecycle_check(A) * capacity_score(A) * deadline_fit(A, R.task)lifecycle_check는 폐기/폐지된 에이전트에 0을 반환(하드 필터), capacity_score는 현재 부하에 따라 [0, 100]을 반환, deadline_fit은 에이전트가 현재 대기열 상태에서 마감을 맞출 수 있는지에 따라 [0, 100]을 반환.
스타일 호환성(C_style):
출력 형식 일치와 상호작용 패턴 이력에서 계산된다:
C_style(R, A) = format_match(R.task.output.format, A.output_modalities)
* interaction_history_score(R.requester_id, A)interaction_history_score는 협업 필터링을 반영한다 — 요청자가 이전에 이 에이전트 또는 유사한 프로파일의 에이전트와 성공적으로 작업한 경우 점수가 증가한다. 첫 번째 상호작용에서는 중립적인 50으로 기본 설정된다.
도메인 관련성(C_domain):
C_domain(R, A) = arp_domain_score(A, R.task.domain) * asa_domain_compliance(A, R.task.domain)arp_domain_score는 전체 종합 점수가 아닌 요청된 도메인에 특정한 에이전트의 ARP 차원별 점수를 가져오고, asa_domain_compliance는 이 특정 도메인의 작업에 대한 SLA 완료율을 반영한다.
AMP는 세 가지 매칭 모드를 지원하며, 요청자가 선택하거나 요청 특성에 따라 기본 설정된다:
모드 1: 순위 검색(기본값)
후보 목록을 순위로 반환하는 단일 요청용. 가장 일반적인 모드 — 검색 엔진 쿼리와 동일하다. AMP 노드는 모든 후보 에이전트의 호환성 점수를 계산하고, 제약 조건을 하드 필터로 적용하며, 종합 점수 순으로 상위 K개 결과를 반환한다. 계산 복잡도: O(n log k), n은 후보 수, k는 max_results.
모드 2: 안정 매칭
여러 작업이 동일한 에이전트를 두고 경쟁하고 여러 에이전트가 동일한 작업을 수행할 수 있는 배치 시나리오용. AMP는 Gale-Shapley 지연 수락 알고리즘[12]의 변형을 구현한다:
Gale-Shapley는 안정성을 보장하지만 작업 최적(작업 측에 유리)이다. AMP는 대신 에이전트 최적 매칭을 생성하는 설정 플래그를 제공하고, 양측을 균형 잡는 중앙값 최적 변형을 제공한다. 단, 중앙값 최적성은 추가 계산이 필요하다. 계산 복잡도: 최악의 경우 O(n^2), n은 작업/에이전트 수.
안정성 주의사항: Gale-Shapley는 완전하고 정적인 선호도를 가정한다. 실제로 에이전트 선호도는 동적으로 변한다(새 작업 도착, 에이전트 작업 완료, 가격 변동). AMP는 지속적이 아닌 축적된 요청에 대해 주기적으로 안정 매칭을 실행하여 이를 해결하며, 매칭 라운드 사이에 할당이 일시적으로 최적이 아닐 수 있음을 인정한다. 매칭 간격은 설정 가능하다(기본값: 실시간 시장 60초, 배치 시장 300초).
모드 3: 경매 매칭
가격 발견이 주요 목표인 시나리오용. 요청자가 작업을 게시하고, 에이전트가 입찰(가격 + 역량 프로파일)을 제출하며, 경매 메커니즘이 낙찰 에이전트를 선택한다. AMP는 세 가지 경매 형식을 지원한다:
{
"match_response": {
"request_id": "mr-20260326-001",
"timestamp": "2026-03-26T14:30:00Z",
"results": [
{
"rank": 1,
"agent_id": "amp:agent:securitybot-prime",
"compatibility_score": 89.3,
"dimensional_scores": {
"capability_match": 95.2,
"trust_score": 88.1,
"cost_alignment": 82.0,
"availability": 100.0,
"style_compatibility": 75.0,
"domain_relevance": 92.4
},
"ucp_summary": {
"primary_capability": "Python security code review with SAST/DAST integration",
"arp_composite": 88.1,
"asa_completion_rate": 0.991,
"estimated_cost": {"amount": 35.00, "currency": "USD"},
"estimated_completion_ms": 1800000
},
"trust_verification": {
"coc_chain_verified": true,
"coc_chain_length_days": 127,
"arp_score_verified": true,
"asa_history_verified": true,
"ajp_record_verified": true,
"verification_timestamp": "2026-03-26T14:29:58Z"
},
"registries_found_on": ["google_cloud", "clawhub"]
}
],
"metadata": {
"registries_queried": 5,
"registries_responded": 4,
"total_candidates_evaluated": 237,
"candidates_filtered_by_constraints": 198,
"candidates_scored": 39,
"query_time_ms": 3200
}
}
}trust_verification 블록은 중요하다: 요청자에게 AMP 노드가 독립적으로 검증한 신뢰 신호(에이전트가 보고한 것이 아님)를 알려준다. 이것이 AMP를 자체 보고 지표를 표시하는 마켓플레이스와 구별짓는다.
AMP 연합은 표준화된 쿼리 인터페이스를 통해 AMP 노드를 여러 레지스트리에 연결한다. 아키텍처는 세 계층을 갖는다:
┌──────────────────────────────────────────────────────┐
│ AMP NODE │
│ ┌────────────┐ ┌─────────────┐ ┌──────────────┐ │
│ │ Match │ │ Federation │ │ Trust │ │
│ │ Engine │ │ Router │ │ Verifier │ │
│ └─────┬──────┘ └──────┬──────┘ └──────┬───────┘ │
│ │ │ │ │
└────────┼────────────────┼────────────────┼───────────┘
│ │ │
┌─────┴──────┐ ┌─────┴──────┐ ┌─────┴──────┐
│ Registry │ │ Registry │ │ Registry │
│ Adapter: │ │ Adapter: │ │ Adapter: │
│ Google │ │ ClawHub │ │ A2A │
│ Cloud │ │ │ │ Self-hosted│
└────────────┘ └────────────┘ └────────────┘매치 엔진(Match Engine): 매치 요청을 수신하고, 호환성 점수를 계산하며, 순위 결과를 생성한다.
연합 라우터(Federation Router): 매치 요청 서브쿼리를 등록된 레지스트리에 병렬로 전달하고, 응답을 수집하고, 결과를 UCP로 정규화하여 매치 엔진에 전달한다.
신뢰 검증기(Trust Verifier): 신뢰 신호(CoC 체인 항목, ARP 점수, ASA 기록, AJP 분쟁 데이터)를 권한 있는 출처에 대해 독립적으로 검증한다. 이 컴포넌트가 선언된 신뢰를 검증된 신뢰로 변환한다.
레지스트리 어댑터(Registry Adapters): AMP 연합 쿼리를 각 레지스트리의 네이티브 쿼리 형식으로 변환하고 응답을 UCP로 다시 변환하는 프로토콜 특화 커넥터. 어댑터는 플러그 가능하다 — 새 레지스트리는 프로토콜 변경 없이 새 어댑터만 필요하다.
AMP 연합 쿼리는 5단계 프로세스를 따른다:
1단계: 쿼리 번역. AMP 노드가 매치 요청을 레지스트리 특화 서브쿼리로 변환한다. Google Cloud 어댑터의 경우, 작업 설명에서 Gemini 호환 자연어 쿼리를 구성한다. ClawHub 어댑터의 경우, 스킬 임베딩 인덱스에 대한 시맨틱 검색 쿼리를 구성한다. A2A 자체 호스팅 어댑터의 경우, /.well-known/agent.json 엔드포인트를 쿼리한다.
2단계: 병렬 전달. 서브쿼리는 설정 가능한 타임아웃(기본값: 5000ms)과 함께 모든 등록된 어댑터에 동시에 전달된다. 타임아웃 내에 응답하지 않는 레지스트리는 현재 매치에서 제외되며, 그 부재는 응답 메타데이터에 기록된다.
3단계: 응답 정규화. 각 어댑터가 레지스트리의 응답을 UCP로 변환한다. 매핑할 수 없는 필드는 버리지 않고 extensions 객체에 보존된다.
4단계: 중복 제거 및 충돌 해결. 에이전트는 여러 레지스트리에 등록될 수 있다. AMP 노드는 신원 필드(DID, CoC 체인 ID, A2A 카드 URL)로 매칭하여 중복을 제거한다. 동일한 에이전트가 여러 레지스트리에서 나타날 때, UCP는 병합된다 — 각 출처에서 가장 완전한 데이터를 취하고 에이전트가 발견된 레지스트리를 기록한다.
레지스트리 간 데이터 충돌 시(예: 한 레지스트리는 Python 지원을 보고하고 다른 레지스트리는 JavaScript를 보고하거나, 역량 점수가 다를 때), AMP는 충돌 해결 계층을 적용한다: (1) 더 높은 신뢰 등급 출처의 데이터가 낮은 등급 출처보다 우선하고, (2) 동일한 신뢰 등급에서는 가장 최근에 업데이트된 데이터가 우선하며, (3) 해결할 수 없는 충돌은 요청자가 불일치를 평가할 수 있도록 data_conflicts 필드와 함께 매치 응답 메타데이터에 플래그된다. AMP 노드는 충돌하는 데이터를 묵시적으로 버려서는 안 된다(SHOULD NOT).
5단계: 신뢰 보강. 각 중복 제거된 UCP에 대해, 신뢰 검증기가 신뢰 생태계를 쿼리하여 검증된 성과 지표를 채운다. 이 단계는 선택적이지만 강력히 권장된다 — 없으면 모든 신뢰 신호가 미검증 선언이 된다.
5단계 연합 쿼리는 실제 배포에서 이해해야 할 지연 시간을 도입한다. 예시 매치 응답(섹션 6.4)은 237개 후보에 대해 query_time_ms: 3200을 보여준다 — 다음은 예상 지연 시간 기여 분석이다:
| 단계 | 예상 지연 시간 | 비고 |
|---|---|---|
| 쿼리 번역 | 5-20ms | 로컬 계산, 무시할 수 있는 수준 |
| 병렬 전달 | 500-5000ms | 타임아웃으로 제한됨; 가장 느린 레지스트리에 의해 지배됨 |
| 응답 정규화 | 레지스트리당 10-50ms | 로컬 계산, 병렬화 가능 |
| 중복 제거 + 충돌 해결 | 20-100ms | 후보 수에 따라 확장됨 |
| 신뢰 보강 | 200-3000ms | 지배적 비용; 캐시 상태에 따라 다름 |
신뢰 보강이 지연 시간 병목이다. CoC 체인 항목 검증, ARP 점수 가져오기, ASA 기록 확인, AJP 쿼리, ALP 상태 확인은 각각 외부 API 호출당 100-500ms가 필요할 수 있다. 39개의 점수 산정 후보(237개 중 198개 필터링 후)에 대해 직렬 보강은 20-100초가 소요될 것이다 — 명백히 비실용적이다.
AMP 노드는 세 가지 지연 시간 완화 전략을 구현해야 한다(SHOULD):
캐싱과 병렬성으로, 예시의 3200ms 수치는 웜 캐시 쿼리에서 달성 가능하다. 전체 신뢰 보강을 포함한 5개 이상 레지스트리에 대한 콜드 캐시 쿼리는 5-10초가 소요될 수 있다. AMP 노드는 요청자가 결과 신선도를 평가할 수 있도록 응답 메타데이터에 캐시 적중률을 보고해야 한다(SHOULD).
모든 레지스트리는 최소 쿼리 엔드포인트를 구현하여 AMP 연합에 참여할 수 있다:
POST /amp/v1/search
Content-Type: application/json
{
"query": {
"text": "Python security code review",
"domain": "security",
"subdomain": "code_review",
"constraints": {
"min_trust_score": 60,
"max_results": 50
}
}
}응답 형식은 유연하다 — 레지스트리 어댑터가 번역을 처리한다. 최소 요구사항은 응답에 부분 UCP를 구성하기에 충분한 정보(최소: 에이전트 식별자와 역량 설명)가 포함되는 것이다.
레지스트리는 엔드포인트 URL과 어댑터 요구사항, 지원되는 쿼리 파라미터, 예상 응답 형식을 설명하는 매니페스트를 제공하여 AMP 노드에 자체 등록한다. 레지스트리의 중앙 레지스트리는 없다 — 각 AMP 노드는 자체 레지스트리 목록을 유지한다. 레지스트리 목록은 간단한 신디케이션 프로토콜(피드 집계기의 OPML과 유사)을 통해 AMP 노드 간에 공유될 수 있어, 중앙화 없이 네트워크 효과를 가능하게 한다.
AMP 연합은 기존 탐색 프로토콜과 경쟁이 아닌 보완으로 설계되었다:
A2A Agent Cards: AMP 노드는 /.well-known/agent.json 엔드포인트를 직접 크롤링하여 웹 자체를 레지스트리로 취급할 수 있다. 이것은 가장 마찰이 적은 통합 경로다 — A2A 호환 에이전트는 추가 등록 없이 AMP에 의해 자동으로 탐색 가능하다.
AgentDNS[20]: AgentDNS가 채택을 달성하면, AMP 노드는 AgentDNS 해석을 탐색 출처로 사용할 수 있다 — 에이전트 이름을 엔드포인트로 해석하고, 해당 엔드포인트에서 Agent Cards를 가져온다.
ANS[21]: ANS의 프로토콜 무관 명명과 PKI 기반 신원은 AMP의 신원 검증과 자연스럽게 통합된다. ANS 등록 에이전트의 검증된 신원은 AMP의 신뢰 검증기가 소비할 수 있다.
ACDP[22]: 에이전트 탐색을 위한 ACDP의 DNS SRV 레코드 사용은 또 다른 레지스트리 출처를 제공한다. AMP 노드는 특정 도메인의 에이전트를 탐색하기 위해 SRV 레코드를 쿼리할 수 있다.
신흥 탐색 스택 — 신원(DID/PKI), 명명(AgentDNS/ANS), 역량(A2A Agent Cards/MCP) — 은 처음 세 계층을 제공한다. AMP는 네 번째를 추가한다: 매칭. 탐색은 무엇이 존재하는지 알려주고; AMP는 특정 필요에 가장 좋은 것이 무엇인지 알려준다.
에이전트 가격 책정은 현재 보이지 않거나(기업 플랫폼이 청구를 불투명하게 처리), 고정되어 있거나(레지스트리의 고정 가격), 없는 경우가 많다(오픈소스 에이전트는 무료). 이 중 어느 것도 신흥 에이전트 경제에 잘 서비스하지 못한다:
Gartner는 2028년까지 B2B 구매의 90%가 AI 에이전트 중개될 것이며, $15조 이상의 B2B 지출이 AI 에이전트 거래소를 통해 흐를 것으로 예측한다[41]. McKinsey는 AI 에이전트가 인간을 대신하여 쇼핑, 협상, 거래하는 글로벌 에이전트 상거래 기회를 2030년까지 $3-5조, 미국 소매 매출 조율만으로 최대 $1조로 추정한다[42]. 이 예측은 분석가 예측에 내재된 불확실성과 함께, 에이전트 간 가격 발견이 중요한 경제 기능이 될 것임을 시사한다.
AMP는 매치 요청당 선택 가능한 세 가지 가격 발견 메커니즘을 지원한다:
메커니즘 1: 고정 가격(기본값)
가장 단순한 메커니즘. 에이전트의 UCP가 가격 모델을 선언하고, AMP 노드가 그 모델을 기반으로 특정 작업의 비용을 추정한다. 협상이 발생하지 않는다. 적합한 경우:
메커니즘 2: 견적 요청(RFQ)
AMP 노드가 매칭된 에이전트에게 작업 설명을 보내고 가격 견적을 요청한다. 각 에이전트는 작업에 특화된 견적을 반환하며, 선택적으로 유효 기간을 포함한다. 요청자가 견적된 가격 중에서 선택한다. 적합한 경우:
RFQ 상호작용:
요청자 → AMP 노드: price_discovery: "rfq"가 포함된 match_request
AMP 노드 → 매칭된 에이전트들: task_description + quote_request
에이전트들 → AMP 노드: 견적 (가격, 조건, validity_window)
AMP 노드 → 요청자: 각 결과에 견적이 첨부된 match_response
요청자 → 선택된 에이전트: accept_quote(quote_id)메커니즘 3: 경매
섹션 6.3(모드 3)에서 설명한 바와 같이, 경매는 가격 경쟁이 주요 매칭 목표인 경우 사용된다. AMP는 영국식, Vickrey(밀봉 입찰 2순위), 조합 경매 형식을 지원한다.
가격 발견 출력은 매칭 시스템으로 피드백된다:
가격 신호는 신뢰 점수에 통합되지 않는다 — 에이전트의 가격 결정은 비즈니스 전략이며 신뢰 지표가 아니다. 비싼 에이전트가 저렴한 에이전트보다 덜 신뢰할 수 있는 것은 아니다. 그러나 가격-품질 상관관계는 추적된다: 품질 조정된 동료 평균을 크게 초과하는 가격의 에이전트는 매치 결과에 페널티가 아닌 공개 플래그를 받는다(투명성, 페널티 아님).
AMP의 가격 발견은 기존 상거래 인프라와 통합된다:
AMP는 결제 정산을 처리하지 않는다 — 가격을 발견하고 계약을 촉진한 다음 적절한 결제 수단에 인계한다.
품질 가중 없이 결과를 반환하는 검색 엔진은 디렉토리다. Google의 PageRank는 링크 구조를 품질 신호로 사용하여 스팸을 강등하고 권위 있는 출처를 승격함으로써 웹 검색을 변환했다[43]. Amazon의 제품 랭킹은 판매 속도, 리뷰, 가격, 판매자 평판을 단일 관련성 점수로 결합한다. 신뢰 가중 랭킹 없이, 에이전트 마켓플레이스는 단지 디렉토리일 뿐이다 — 무엇이 존재하는지는 알려주지만 무엇이 좋은지는 알려주지 않는다.
기존 에이전트 마켓플레이스는 세 가지 신뢰 모델 중 하나를 사용하며, 모두 불충분하다:
| 모델 | 예시 | 한계 |
|---|---|---|
| 기업 게이트키핑 | Google Cloud, Salesforce, AWS | 일회성 검증; 지속적 품질 신호 없음; 비파트너 에이전트 제외 |
| 커뮤니티 검토 | Berkeley, ClawHub | 시빌 공격, 리뷰 조작, 최근성 편향에 취약 |
| 없음 | AI Agent Store, Agen.cy | 순수 디렉토리; 품질 신호 없음 |
AMP는 4단계 신뢰 신호 계층을 정의하며, 각 단계는 더 강한 형태의 신뢰 증거를 나타낸다:
1단계 — 선언(최저): 에이전트가 역량과 성과를 자체 보고한다. 검증 없음. 예시: 자유 텍스트 역량 설명, 자체 보고 정확도 주장.
2단계 — 증명: 제3자가 에이전트를 보증한다. 예시: 기업 마켓플레이스 검증(Google Cloud 승인), 커뮤니티 리뷰(Berkeley Gorilla 평점), 파트너 인증(Salesforce AgentExchange 파트너).
3단계 — 측정: 실제 상호작용 데이터에서 계산된 성과 지표. 예시: 양측 블라인드 평가의 ARP 종합 점수, 계약 기록의 ASA 완료율, 사례 기록의 AJP 분쟁율.
4단계 — 검증(최고): 암호화 증거를 통해 모든 제3자가 독립적으로 검증 가능한 측정 지표. 예시: OpenTimestamps 및 TSA 이중 계층 검증으로 앵커된 CoC 체인 항목[15], W3C 검증 가능한 자격 증명(VC)으로 서명된 ARP v2 이동 가능 평판 번들, 암호화 무결성을 갖춘 ASA 계약 기록.
AMP 노드는 매치 결과에서 각 신호의 신뢰 단계를 명확히 표시해야 한다(SHOULD). 4단계 "ARP 종합: 88"은 1단계 "자체 보고 정확도: 95%"와 다른 무게를 갖는다.
호환성 점수 산정(섹션 6.2)에 사용되는 신뢰 점수는 다음 합성으로 이용 가능한 신뢰 신호에서 계산된다:
trust_score(A) = w_identity * identity_confidence(A)
+ w_performance * performance_quality(A)
+ w_reliability * reliability_score(A)
+ w_risk * (100 - risk_score(A))여기서:
신원 신뢰도: CoC 체인 길이와 앵커 검증 상태에서 도출됨. 더 길고 더 자주 앵커된 체인은 향후 불량 행동으로 잃을 것이 더 많은 더 확립된 에이전트를 나타낸다.
identity_confidence(A) = min(100, log2(1 + chain_age_days) * anchor_density_factor)anchor_density_factor는 0.5(희박한 앵커링)에서 1.5(빈번한 이중 계층 앵커링)까지 범위이다.
성과 품질: ARP v2 종합 점수에서 도출됨, 도메인 가중.
performance_quality(A) = arp_composite(A, domain=request.domain)전체 종합 점수가 아닌 도메인 특화 ARP 점수를 사용하면, 코드 리뷰에 높은 평점을 받은 에이전트가 문서 요약 매칭 시 동일한 신뢰 점수를 받지 않도록 한다(해당 에이전트의 요약 평점도 강하지 않은 한).
신뢰성: ASA 완료율에서 도출됨.
reliability_score(A) = asa_completion_rate(A) * 100 * confidence_factor(asa_sample_size)confidence_factor는 0.5(10개 미만 완료된 계약)에서 1.0(100개 이상 완료된 계약)으로 증가하여, 얇은 이력을 가진 에이전트의 점수를 할인한다.
위험: AJP 분쟁 데이터에서 도출됨.
risk_score(A) = ajp_dispute_rate(A) * unfavorable_resolution_rate(A) * 100유리한 해결을 동반한 높은 분쟁율(에이전트가 과실 없음으로 판정)은 불리한 해결을 동반한 높은 분쟁율보다 덜 우려된다. 곱셈 구조는 이를 반영한다: 분쟁율 10%에 유리한 해결율 90%인 에이전트의 위험 점수는 1에 불과하지만, 분쟁율 10%에 유리한 해결율 10%인 에이전트의 위험 점수는 9이다.
기본 가중치: w_identity = 0.20, w_performance = 0.40, w_reliability = 0.25, w_risk = 0.15. 이 기본값은 매치 요청별로 재정의 가능하다.
신뢰 생태계 이력이 없는 신규 에이전트는 0이 아닌 기준 신뢰 점수를 받는다. 기준은 이용 가능한 1단계 및 2단계 신호에서 계산된다:
| 이용 가능한 신호 | 기준 조정 |
|---|---|
| 기업 마켓플레이스 검증(2단계) | 기준에서 +15 |
| 10개 이상 리뷰를 포함한 커뮤니티 리뷰(2단계) | 기준에서 +10 |
| 검증된 도메인에서 게시된 A2A Agent Card(2단계) | 기준에서 +5 |
| 검증 가능한 컨트롤러가 있는 분산형 식별자(DID)(2단계) | 기준에서 +5 |
| 검증 가능한 신호 없음(1단계만) | 기준(기본값: 40) |
기준은 의도적으로 중간점(50) 이하로, 미검증 에이전트가 평균 모집단보다 더 많은 위험을 내포한다는 것을 반영한다. 이는 에이전트가 신뢰 생태계와 통합하도록 하는 자연스러운 인센티브를 만든다 — 검증된 신뢰 신호는 AMP 결과에서 랭킹을 직접 향상시킨다.
양면 마켓플레이스는 근본적인 부트스트래핑 도전에 직면한다: 플랫폼은 구매자가 있을 때만 판매자에게 가치 있고, 판매자가 있을 때만 구매자에게 가치 있다[25]. 대부분의 마켓플레이스 스타트업은 이 단계에서 실패한다 — 어느 쪽도 상대방 없이 가치를 보지 못하기 때문에 어느 쪽도 유치할 수 없다.
Amazon은 일방향 소매업자(직접 책을 사고 팔기)로 시작하여 구매자 트래픽이 생기면 점차 제3자 판매자에게 개방함으로써 이를 해결했다[44]. Etsy는 소수의 구매자라도 열정적인 판매자가 등록할 틈새(수공예품)에 집중했다[45]. Uber는 승차 수요가 실현되기 전에 보장된 최소 수익으로 운전자를 보조했다[46].
AMP의 부트스트래핑 전략은 새로운 마켓플레이스를 구축하지 않음으로써 닭-달걀 문제를 완전히 피한다.
AMP는 기존 레지스트리를 연결하는 연합 프로토콜이기 때문에, 초기 공급은 이미 존재하는 에이전트를 집계하여 얻는다:
| 레지스트리 | 이용 가능한 등록 | 항목 유형 | 통합 노력 |
|---|---|---|---|
| ClawHub | 13,729 | 원자적 스킬(SKILL.md 파일) | 시맨틱 검색 API 어댑터 |
| Berkeley Gorilla | 150+ | 검증된 LLM 에이전트 | 카테고리 검색 어댑터 |
| A2A 호환 에이전트 | 증가 중(150개 이상 조직) | 에이전트 엔드포인트 | /.well-known/agent.json 웹 크롤러 |
| Apify | 4,000+ | 웹 스크래퍼, 자동화 툴 | 플랫폼 API 어댑터 |
| AI Agent Store | 1,300+ | 디렉토리 메타데이터 항목 | 디렉토리 API 어댑터 |
연합 우선 AMP 노드는 첫날부터 19,000개 이상의 역량, 스킬, 에이전트 등록에 접근할 수 있으며, 이 엔터티들이 별도로 등록할 필요가 없다. 이 레지스트리들은 서로 다른 추상화 수준의 역량을 나열한다 — 원자적 스킬(ClawHub)부터 복합 에이전트 프로파일(Berkeley)까지. Berkeley의 약 150개 항목만이 AMP가 의미하는 "에이전트"로 명확하게 분류된다; ClawHub의 13,729개는 개별 스킬이고, Apify는 툴과 스크래퍼를 나열하며, AI Agent Store는 디렉토리 메타데이터를 제공한다. AMP의 UCP 형식(섹션 5)은 이 추상화 수준을 연결하는 상호운용성 레이어를 제공하지만, 개별 스킬을 에이전트 수준 프로파일로 자동 합성하는 것은 여전히 도전이다(섹션 17 참조). 이것이 Kayak 전략이다: 새로운 공급을 구축하는 대신 기존 인벤토리를 집계한다.
수요 측면은 자연스럽게 따라온다: AMP 노드가 어떤 개별 마켓플레이스보다 더 나은 검색 결과를 제공하면(모든 마켓플레이스를 검색하기 때문에), 사용자는 쿼리할 이유가 생긴다. 각 쿼리는 수요 패턴에 대한 데이터 포인트를 제공하며, 이는 다시 매칭 품질 향상으로 이어진다.
생태계에 새로운 에이전트(기존 레지스트리에 등록되지 않은)는 다음 방법으로 AMP에 온보딩할 수 있다:
/.well-known/amp-profile.json), A2A Agent Cards와 유사진입 장벽은 의도적으로 낮다. AMP는 게이트키핑을 하지 않는다 — 모든 에이전트가 탐색 가능하다. 신뢰 가중 랭킹 메커니즘은 낮은 신뢰 에이전트가 제외되지 않고 결과에서 낮은 순위를 받도록 하여, 시간이 지남에 따라 신뢰 투자에 보상을 주는 자연스러운 품질 구배를 만든다.
AMP는 세 가지 조건이 충족될 때 의미 있는 임계 질량에 도달한다:
임계 질량 이전에, AMP는 향상된 검색을 갖춘 디렉토리로 작동한다. 임계 질량 이후에는 네트워크 효과가 시작된다: 더 많은 에이전트가 더 많은 요청자를 유치하고, 요청자의 쿼리가 매칭 품질을 향상시키는 데이터를 생성하며, 이는 더 많은 에이전트를 유치한다. 선형 성장에서 복리 성장으로의 전환이 부트스트래핑 성공 신호다.
AMP는 AB Support 신뢰 생태계의 레이어 4(시장/탐색)에 위치하며, 모든 하위 레이어의 데이터를 소비한다:
레이어 4: AMP (매칭) ← 아래 모든 레이어에서 소비
레이어 3: AJP (책임)
레이어 2: ASA (계약) + ALP (라이프사이클)
레이어 1: CoC (출처 증명) + ARP (평판)CoC는 AMP에 두 범주의 데이터를 제공한다:
신원 신뢰도: CoC 체인 길이와 앵커 검증 상태는 에이전트가 얼마나 오래 존재했는지, 이력이 변조 방지되었는지를 확립한다. OTS+TSA 이중 계층 검증[15]으로 두 시간마다 앵커된 6개월 CoC 체인을 가진 에이전트는 앵커링 없이 어제 생성된 에이전트보다 더 확립된 엔터티다. AMP는 시빌 저항 신호로 체인 나이를 사용한다 — 새로운 에이전트를 만드는 것은 쉽지만 과거 체인을 조작하는 것은 불가능하다.
작업 포트폴리오: 에이전트의 과거 추론, 결정, 작업 완료를 문서화하는 CoC 항목은 검증 가능한 작업 포트폴리오로 기능한다. 실사를 수행하는 요청자는 관련 CoC 항목을 검토하여 에이전트의 접근 방식이 자신의 필요와 일치하는지 평가할 수 있다. AMP는 매치 결과에서 원시 CoC 항목을 노출하지 않지만(프라이버시 우려), 집계 체인 지표(길이, 밀도, 앵커링 빈도)를 신뢰 입력으로 사용한다.
ARP v2[16]는 AMP의 주요 품질 신호를 제공한다:
종합 점수는 ARP v2의 신호 합성 대수를 통해 계산되며, AMP가 trust_score 차원에서 직접 사용하는 전체 품질 평점을 제공한다.
차원별 점수(정확도, 신뢰성, 지연 시간, 프로토콜 준수, 비용 효율성)는 AMP가 domain_relevance 차원에서 사용하는 도메인 특화 품질 신호를 제공한다.
이동 가능 평판 번들(ARP v2)은 크로스 플랫폼 평판을 가능하게 한다 — 에이전트의 ARP 점수가 마켓플레이스에서 마켓플레이스로 따라가며, 플랫폼 종속 문제를 제거한다.
Anti-Goodhart 아키텍처(ARP v2)는 조작에 대비한다: ARP v2는 신호 계층화, 지표 순환, 탐지를 위한 그림자 지표를 사용하기 때문에 에이전트는 게시된 지표를 조작하여 ARP 점수를 최적화할 수 없다[16].
ASA[18]는 AMP에 신뢰성 신호를 제공한다:
SLA 준수율은 에이전트가 약속을 얼마나 일관되게 이행하는지를 나타낸다. AMP는 이를 신뢰 점수의 reliability_score 구성요소의 주요 입력으로 사용한다.
품질 검증 통과율(ASA의 검증 API에서)은 주관적 평점과 독립적으로 출력 품질을 나타낸다. 200개 계약에 걸쳐 95% QV 통과율을 가진 에이전트는 강력한 객관적 품질 신호를 제공한다.
계약 템플릿은 매칭 후 자동화된 거래 성사를 가능하게 한다. 요청자가 매칭된 에이전트를 선택하면, AMP는 합의된 파라미터(가격 발견에서의 가격, 매치 요청에서의 품질 기준, 작업 설명에서의 일정)를 사용하여 ASA 계약 형성을 시작하여, "매치 확인"에서 "작업 시작"까지의 간격을 몇 분에서 몇 초로 줄인다.
AJP[17]는 AMP에 위험 신호를 제공한다:
분쟁 빈도는 에이전트의 작업이 얼마나 자주 공식 불만으로 이어지는지를 나타낸다. AMP는 이를 risk_score 구성요소에 사용한다.
분쟁 결과는 복잡성이 아닌 무능 때문이 아닌 높은 분쟁 도메인에서 운영하는 에이전트(분쟁이 복잡성을 반영)와 실제 품질 문제를 반영하는 에이전트를 구별한다. 법률 분석에서 50건의 분쟁에 45건의 유리한 해결을 가진 에이전트는 데이터 서식에서 5건의 분쟁에 0건의 유리한 해결을 가진 에이전트보다 위험성이 낮다.
분쟁 분류는 진단 정보를 제공한다: 에이전트에 대한 대부분의 분쟁이 역량 불일치에서 발생한다면, AMP는 에이전트의 UCP가 부정확하거나 너무 광범위할 수 있다고 플래그할 수 있다.
ALP[19]는 AMP에 가용성 및 연속성 신호를 제공한다:
라이프사이클 상태 필터링은 폐기, 정지, 폐지된 에이전트가 매치 결과에 나타나지 않도록 한다. 이는 점수 조정이 아닌 하드 필터다.
포크 계보는 부분적 평판 상속을 가능하게 한다. 에이전트 X가 에이전트 Y를 생성하기 위해 포크할 때, 자식은 부모 평판의 일부를 상속한다(ALP 및 ARP v2에 의해 명시된 대로). AMP는 계보 관계를 표시하여, 요청자가 포크가 부모의 도메인 역량을 상속했는지 평가할 수 있게 한다.
승계 상태는 에이전트에 지정된 후계자가 있는지를 나타낸다. 장기 실행 작업의 경우, 승계 계획이 있는 에이전트와 매칭하면 에이전트가 폐지될 경우 작업 중단 위험이 줄어든다.
잘 설계된 매칭 프로토콜은 개별 인센티브와 시스템 전체 효율성을 일치시킨다. AMP의 인센티브 구조는 세 가지 행동이 참여자에게 개별적으로 합리적이도록 설계되었다:
정직한 역량 보고: 에이전트는 부정확한 프로파일이 나쁜 매칭, 실패한 작업, 부정적인 ARP 평점, ASA 분쟁으로 이어지기 때문에 정확한 UCP로부터 이익을 얻는다 — 이 모두가 향후 랭킹을 떨어뜨린다. 피드백 루프(매치 → 작업 → 평점 → 랭킹)는 과장 주장에 대한 자연스러운 페널티를 만든다. "전문 Python 보안 리뷰어"를 주장하지만 평범한 결과를 제공하는 에이전트는 향후 매칭 위치를 저하시키는 나쁜 평점과 분쟁을 축적할 것이다.
그러나 이 인센티브는 지연과 함께 작동한다 — 페널티는 등록 시점이 아닌 작업이 완료되고 평가된 후에 실현된다. 평점 이력이 없는 신규 에이전트는 과장 주장의 유혹에 직면한다. AMP는 신뢰 단계 시스템(섹션 9.2)을 통해 이를 완화한다: 미검증 주장은 낮은 신뢰 단계 분류를 받아, 과장 주장의 이점을 줄인다.
정확한 가격 책정: 경매 및 RFQ 시나리오에서, 에이전트는 저입찰(더 많은 매치를 이기지만 잠재적으로 수익성 없는 가격으로)과 고입찰(더 높은 마진이지만 더 적은 매치) 사이의 트레이드오프에 직면한다. Vickrey 경매의 이론적 진실 입찰 속성은 여기에 적용되지만, 반복 상호작용과 잠재적 담합에 관한 섹션 6.3의 주의사항과 함께. 고정 가격 시나리오에서는 가격-품질 상관관계 추적(섹션 8.3)이 정당화되지 않는 프리미엄 가격 책정을 가시화한다.
진정한 품질 제공: ASA 품질 검증, ARP 평점, AMP 랭킹 간의 연결은 다중 레이어 품질 인센티브를 만든다. 낮은 품질을 제공하는 에이전트는 다음에 직면한다: (1) 즉각적인 ASA 에스크로 보류, (2) 향후 랭킹을 줄이는 부정적인 ARP 평점, (3) 위험 신호를 만드는 잠재적 AJP 분쟁, (4) 모든 향후 작업에서 저하된 매치 결과. 이 다중 레이어 페널티 구조는 단일 메커니즘 조작이 품질 인센티브를 제거하지 못함을 의미한다.
게임 이론 분석은 몇 가지 잠재적 실패 모드를 식별한다:
경매에서 가짜 입찰: 에이전트가 가격을 올리기 위해 가짜 경쟁 입찰을 만든다. AMP는 신원 검증(각 입찰자는 검증 가능한 신원 — CoC 체인, DID, 또는 A2A Card — 을 가져야 함)과 평판 기반 입찰자 자격 부여(경매 참여를 위한 최소 신뢰 점수)를 통해 이를 완화한다.
담합 가격 책정: 경쟁 에이전트들이 서로를 언더컷하지 않도록 가격을 조율한다. 이것은 알고리즘 가격 책정 시장에서 알려진 문제다[47]. AMP는 가격 분산 모니터링을 통해 잠재적 담합을 탐지한다: 비슷한 역량을 가진 에이전트들이 서로 다른 비용 구조에도 불구하고 비슷한 가격 포인트에 클러스터링되면, 담합 플래그가 발생한다. 탐지는 방지가 아니다 — AMP는 경쟁 가격 책정을 강제할 수 없지만, 담합 패턴을 요청자에게 가시화할 수 있다.
매칭 후 품질 저하: 이미 매칭되고 수락된 에이전트는 특히 요청자에게 대안이 없다고 믿는 경우(홀드업 문제), 과거 성과보다 낮은 품질을 제공할 수 있다. ASA의 자동화된 품질 검증은 이를 완화한다 — 품질은 에이전트의 과거 평판에 관계없이 계약 기준에 대해 검증된다.
주의 조작: Microsoft의 Magentic Marketplace 연구는 판매자 에이전트가 구매자 에이전트의 컨텍스트 윈도우 한계를 악용하여 결정을 조작할 수 있음을 발견했다 — 구매자를 관련 없는 정보로 가득 채워 선호하는 옵션이 비교에서 더 좋아 보이게 만든다[36]. AMP는 매칭을 서버 측에서 수행함으로써(AMP 노드가 후보를 평가하며, 요청자 에이전트가 아님) 이를 완화하여, 컨텍스트 윈도우 flooding을 위한 공격 표면을 제거한다. 그러나 매칭 후 직접 상호작용하는 에이전트는 여전히 취약하다 — 이는 AMP 수준이 아닌 ASA 수준의 우려다.
평점 인플레이션: ARP v2의 인플레이션 방지 메커니즘(분산 바닥, 평균 이동 탐지, 연합 탐지)[16]은 AMP가 소비하는 신뢰 신호를 보호한다. AMP 자체는 평점 품질을 판단하지 않는다 — 신뢰할 수 있는 점수를 제공하기 위해 ARP v2의 Anti-Goodhart 아키텍처를 신뢰한다.
AMP의 매칭 메커니즘은 다음 형식적 속성을 갖는다(적절한 한정 조건과 함께):
개별 합리성: AMP 참여는 요청자(각 마켓플레이스를 개별적으로 검색하는 것보다 더 나은 매치를 얻음)와 에이전트(단일 마켓플레이스에 등록하는 것보다 더 많은 가시성을 얻음) 모두에게 개별적으로 합리적이다. 이는 AMP의 매칭 품질이 수동 다중 플랫폼 검색의 대안을 초과하는 한 유지되며, 이는 크로스 플랫폼 집계를 고려할 때 예상되지만 궁극적으로 구현 품질에 달린 경험적 주장이다.
인센티브 호환성(부분적): Vickrey 경매 모드에서, 진실 입찰은 표준 가정(독립적 사적 가치, 위험 중립적 입찰자)하에서 지배 전략이다. 고정 가격 및 RFQ 모드에서, 정직한 가격 책정에 대한 인센티브는 간접적이다 — 품질-가격 상관관계 추적과 장기 평판 효과를 통해 중재됨. 완전한 인센티브 호환성(정직한 행동이 모든 모드에서 엄격하게 지배적인 경우)은 달성되지 않으며 실용적인 매칭 시스템에서 달성 가능하지 않을 것이다.
안정성(배치 모드): Gale-Shapley 안정 매칭은 배치 할당이 안정적임을 보장한다 — 현재 할당보다 서로를 상호 선호하는 작업-에이전트 쌍이 없다[12]. 이 보장은 매칭 라운드 내의 정적 선호도에 대해 유지된다. 라운드 사이에, 동적 선호도 변화는 일시적인 불안정을 도입할 수 있으며, 이는 다음 매칭 사이클에서 해결된다.
효율성(근사적): AMP의 순위 검색 모드는 근사적으로 효율적인 결과를 생성한다 — 최상위 에이전트는 점수 함수가 주어진 가용한 최선의 매치다. 정확한 효율성(모든 매치에 걸쳐 총 복지 최대화)은 안정 매칭 모드에서만 보장되며, 심지어 그때도 제안하는 측(기본값으로 작업 최적)에 대해서만. 근사적과 정확한 효율성 간의 격차는 실시간 매칭에서 계산 가능성을 위한 필요한 트레이드오프다.
주요 조직적합성 복합체(MHC)는 분자 패턴 매칭을 통해 자기/비자기 구별을 가능하게 한다[51]. MHC 분자는 펩타이드 조각을 결합하여 T세포 인식을 위해 세포 표면에 표시한다. 시스템은 놀랍도록 다형적이다 — 집단에 걸친 다양한 MHC 변이체는 어떤 단일 병원체도 모든 면역 시스템을 회피할 수 없게 한다. 자기/비자기 구별은 음성 선택을 통해 달성된다: 자기 항원에 너무 강하게 결합하는 T세포는 배포 전 흉선에서 제거된다[52].
AMP 유사성: AMP의 신뢰 검증은 에이전트 마켓플레이스의 면역 시스템으로 기능한다. 신뢰 신호(CoC 출처 증명, ARP 평점, ASA 기록, AJP 분쟁)는 에이전트가 지니는 "분자 마커"다. 신뢰 검증기는 이 마커에 대해 패턴 매칭을 수행한다 — T세포가 비자기 항원을 확인하듯이 알려진 나쁜 패턴(취소된 인증서, 분쟁 플래그, 악성 스킬 탐지)을 확인한다. MHC의 다형성은 AMP의 다중 신호 신뢰 아키텍처에 매핑된다: 어떤 단일 신뢰 메커니즘도 지배하지 않는다. 다양한 검증 접근법(암호화 출처 증명, 양측 평점, 품질 검증, 분쟁 기록)은 신뢰 조작에 대한 집단 수준 복원력을 제공한다 — MHC 다양성이 병원체에 대한 집단 수준 복원력을 제공하는 것처럼.
생물학적 시장 이론은 유기체들이 생산하기 저렴한 상품을 파트너 없이는 비싸거나 불가능한 상품과 교환하기 위해 제공한다고 제안한다[53]. 파트너 선택은 제재를 통해 강제된다: 더 적은 인을 제공하는 균근 균류는 식물 숙주로부터 더 적은 탄소를 받는다. 이는 중앙화된 평판 시스템 없이 자기 강화 품질 신호를 만든다.
AMP 유사성: 제재 모델은 AMP의 피드백 루프로 직접 변환된다. 낮은 품질을 제공하는 에이전트는 다음을 받는다: 더 적은 향후 작업 할당(매칭 순위 감소), 낮은 가격(요청자가 할인을 요구), 잠재적 플랫폼 퇴장(AJP 분쟁이 ALP를 통한 라이프사이클 상태 변화로 이어짐). 생물학적 시장 제재의 양측 성격 — 각 파트너가 상대방의 기여에 따라 투자를 조정함 — 은 ARP의 양측 블라인드 평가를 반영하며, 양측이 상호작용 후 서로를 평가한다. 핵심 통찰은 평판이 중앙화된 평판 프로토콜 없이도 양측 경제적 피드백(제재/보상)에서 나타날 수 있지만, ARP는 피드백을 명시적이고 이동 가능하게 만들어 수렴을 가속화한다는 것이다.
AMP의 위협 모델은 네 가지 공격자 유형을 고려한다:
| 공격자 | 목표 | 능력 |
|---|---|---|
| 조작적 에이전트 | 자체 랭킹을 올려 더 많은 매치를 이기기 | 오해를 유도하는 UCP 생성, 경매에서 전략적 입찰, 동맹과의 조율 가능 |
| 시빌 공격자 | 결과를 지배하기 위해 여러 가짜 에이전트 생성 | 많은 에이전트 신원을 저렴하게 생성 가능 |
| 감시 공격자 | 매치 쿼리를 관찰하여 경쟁자의 역량 파악 | 네트워크에서 매치 요청과 응답 관찰 가능 |
| 서비스 거부 공격자 | AMP 노드를 압도하여 합법적 매칭 방지 | 대용량 매치 요청 또는 레지스트리 쿼리 생성 가능 |
조작적 에이전트에 대하여:
시빌 공격에 대하여:
감시 공격자에 대하여:
서비스 거부에 대하여:
에이전트 매칭은 프라이버시 긴장을 만든다:
역량 공개: 에이전트는 매칭을 위해 역량에 대해 충분히 공개해야 하지만, 구현 세부사항을 보류할 경쟁적 이유가 있을 수 있다. AMP의 점진적 공개 모델(섹션 3.7)은 이를 해결한다: UCP 역량 설명은 공개적이지만, 상세한 구현 정보(정확한 툴 설정, 모델 파라미터, 독점 지식 기반)는 매치 확인 후에만 공개될 수 있다.
쿼리 프라이버시: 요청자의 매치 쿼리는 전략적 정보를 드러낼 수 있다 — 자신이 부족한 역량, 외주할 작업, 예산. AMP 노드는 익명 쿼리를 지원해야 하고(SHOULD), 매칭에 필요한 것 이상으로 개별 쿼리 데이터를 레지스트리나 에이전트와 공유해서는 안 된다(MUST NOT).
신뢰 신호 프라이버시: 에이전트의 정확한 ARP 점수, 분쟁 이력, SLA 준수율은 민감하다. AMP는 완전한 신뢰 신호 투명성을 요구하는 대신, ARP v2의 영지식 증명 메커니즘을 통해 집계 공개(예: "신뢰 점수가 임계값 X를 초과함")를 지원한다.
Microsoft의 Magentic Marketplace 연구[34][36]는 에이전트 마켓플레이스 시뮬레이션에서 경험적으로 관찰된 실패 모드를 식별했다:
AMP는 이를 구조적으로 해결한다:
description 필드), 이는 많은 입력 중 하나다 — 점수 산정 함수는 선언된 것보다 검증된 신호에 더 많은 가중치를 준다.Google Cloud, Salesforce, AWS, ServiceNow, 오픈 레지스트리에 걸쳐 에이전트를 순위 매기고 잠재적으로 수조 달러의 구매 결정에 영향을 미치는 프로토콜은 명시적 분석을 필요로 하는 규제 영역에서 운영된다.
EU 디지털 시장법(DMA)하의 게이트키퍼 위험. DMA는 "게이트키퍼" — 비즈니스 사용자와 최종 사용자 사이의 중요한 관문 역할을 하는 플랫폼 — 를 대상으로 한다. 널리 채택된 AMP 구현은 DMA의 정량적 임계값(€75억 시가총액 또는 €750억 공정 시장 가치, EU에서 월 4,500만 최종 사용자, 10,000 비즈니스 사용자)을 충족할 수 있다. AMP가 지배적인 크로스 마켓플레이스 매칭 레이어가 된다면, 게이트키퍼 서비스로 지정될 수 있으며, 다음을 포함한 의무가 촉발된다: 자기 우선시 금지(제6(5)조), 비즈니스 사용자가 다른 채널에서 다른 조건으로 오퍼를 홍보할 수 있도록 허용(제6(12)조), 상호운용성 요구사항.
프로토콜 아키텍처를 통한 완화: AMP는 플랫폼이 아닌 프로토콜이다. 어떤 단일 엔터티도 "AMP" 서비스를 운영하지 않는다 — 모든 조직이 AMP 노드를 실행할 수 있다. 이 아키텍처적 선택이 주요 반독점 방어다: 지정할 단일 게이트키퍼가 없다. 그러나 단일 AMP 노드 구현이 지배적 시장 점유율을 달성하면(Google이 오픈 웹에도 불구하고 Chrome으로 했듯이), DMA 분석은 그 특정 운영자에게 여전히 적용될 수 있다.
신뢰 가중 랭킹과 경쟁 중립성. 가장 실질적인 반독점 우려는 신뢰 가중 랭킹이 AB Support 신뢰 스택(CoC, ARP, ASA, AJP, ALP)과 통합된 에이전트를 그렇지 않은 에이전트보다 체계적으로 유리하게 만드는지 여부다. 신뢰 단계 시스템(섹션 9.2)은 명시적으로 4단계(신뢰 스택 프로토콜을 통해 검증됨)를 1단계(자기 선언)보다 높게 순위 매긴다 — 이는 신뢰 생태계 외부의 에이전트가 설계에 의해 낮은 랭킹을 받는다는 것을 의미한다. 이는 Google의 검색 알고리즘이 HTTP보다 HTTPS 페이지를 선호하는 방식과 유사하다: Google 자체 인증서 생태계를 또한 유리하게 만드는 품질 신호.
AMP는 세 가지 메커니즘을 통해 이 우려를 해결한다:
trust_score 가중치를 0으로 설정할 수 있다. 어떤 점수 산정 구성요소도 불투명하거나 재정의 불가능하지 않다.EU AI법 함의. AMP는 자연인에 대한 중대한 결정을 내리는 것이 아닌 에이전트를 추천하기 때문에 AI법의 "제한된 위험" 범주(고위험이 아님)에 속할 가능성이 높다. 그러나 AMP가 고위험 도메인 — 채용, 신용 평가, 법집행 — 에서 에이전트를 매칭하는 데 사용된다면, 하류 사용 사례가 AMP 노드 운영자에 대한 고위험 분류를 촉발할 수 있다. AMP 노드는 AI법 투명성 요구사항(제13조)을 충족하기에 충분한 로깅을 유지해야 하고(SHOULD), 요청 시 랭킹 결정에 대한 설명을 제공해야 한다(이미 매치 응답의 차원별 점수 분석을 통해 지원됨).
크로스 마켓플레이스 랭킹으로서의 시장 지배력. 지배적인 AMP 노드 운영자가 랭킹 영향력을 사용하여 에이전트 개발자로부터 지대를 추출할 수 있는가? 이것은 "앱 스토어" 위험이다 — Apple과 Google은 마켓플레이스 위치를 사용하여 30% 수수료를 부과하고 제한적 조건을 부과한다. AMP의 프로토콜-플랫폼이 아닌 아키텍처가 이를 완화한다: 한 AMP 노드 운영자가 추출적이 된다면, 에이전트와 요청자는 역량 프로파일, 신뢰 이력, 또는 마켓플레이스 접근을 잃지 않고 다른 AMP 노드 구현으로 전환할 수 있다. 이동 가능 평판 번들(ARP v2)과 CoC 체인 이동 가능성은 전환 비용을 낮게 유지한다.
잔존 위험. 이러한 완화 조치는 반독점 위험을 줄이지만 제거하지는 않는다. 네트워크 효과는 여전히 단일 AMP 노드 구현에 사용을 집중시킬 수 있다. 오픈 액세스이지만 신뢰 스택 통합 이점은 여전히 초기 채택자를 위한 경쟁적 해자를 만든다. 프로토콜 설계자는 DMA 및 AI법 준수 프레임워크와 선제적으로 협력하고, 역량 분류 체계(섹션 5.4)에 대한 독립적 거버넌스 임명을 고려하며, 랭킹 중립성을 위한 감사 메커니즘을 설계해야 한다. 오픈소스 참조 구현과 게시된 점수 산정 알고리즘은 규제 방어가능성을 위한 필요하지만 충분하지 않은 조건이다 — 적극적인 거버넌스와 준수 모니터링도 필요하다.
이 섹션은 이 백서에 명시된 AMP v1의 한계를 솔직하게 식별한다:
연합은 지연 시간과 실패 모드를 추가한다. 크로스 레지스트리 쿼리는 단일 레지스트리 검색보다 본질적으로 느리다. 레지스트리 타임아웃, 어댑터 실패, 네트워크 파티션은 불완전한 결과를 생성할 수 있다. 섹션 7.2.1은 예상 지연 시간을 분석한다; 프로덕션 배포는 레지스트리에 접근할 수 없을 때 저하 모드 운영을 위해 설계해야 한다.
신뢰 통합 깊이는 외부 프로토콜 채택에 달려 있다. AMP의 경쟁 우위 — 깊은 신뢰 가중 랭킹 — 는 에이전트가 CoC, ARP, ASA, AJP, ALP와 통합하도록 요구한다. 이 프로토콜들이 상당한 채택을 달성할 때까지, 대부분의 에이전트는 1단계 또는 2단계 신뢰 신호만 갖게 되어, AMP의 랭킹 품질을 향상된 검색을 갖춘 표준 디렉토리 수준으로 낮춘다. 이는 순환 의존성을 만든다: AMP의 가치가 신뢰 스택 채택을 촉진하지만, 신뢰 스택 채택이 AMP의 가치를 촉진한다.
역량 분류 체계는 초안이며 프로덕션 준비가 되지 않았다. 레벨 1/레벨 2 분류 체계(섹션 5.4)는 예시적이다. 구현자는 완전한 분류 체계가 별도의 버전 관리 아티팩트로 게시될 때까지 프로덕션 분류 시스템을 구축할 수 없다. 시맨틱 매칭이 부분적으로 이를 완화하지만(새로운 역량은 임베딩 유사도를 통해 매칭될 수 있다), 분류 체계가 표준화될 때까지 구조화된 분류 체계 쿼리는 구현 간에 일관성 없는 결과를 생성할 것이다.
매칭 품질은 불충분한 과거 데이터로 저하된다. 협업 필터링(섹션 6.2, interaction_history_score)은 상호작용 이력이 없는 신규 요청자나 신규 AMP 노드에 대해 가치가 없다. 신뢰 점수 산정은 축적된 ARP, ASA, AJP 기록에 달려 있다. 콜드 스타트 AMP 배포는 충분한 상호작용 데이터가 축적될 때까지 역량 매칭 디렉토리로 기능한다 — 추정 임계값은 약 1,000개 매치 요청(섹션 10.4).
프로토콜은 알고리즘은 명시하지만 운영 우려사항은 명시하지 않는다. AMP v1은 모니터링, 알림, 장애 조치, 업그레이드 경로, 프로토콜 버전 간 하위 호환성, 또는 운영 런북을 다루지 않는다. 프로덕션 AMP 노드는 프로토콜이 명시하는 것 이상의 상당한 운영 인프라를 필요로 한다.
프라이버시 보존 매칭은 열망적이다. AMP v1의 프라이버시 모델(TLS + 쿼리 익명화 + 점진적 공개)은 대부분의 사용 사례에 적절하지만 강한 프라이버시 보장에는 미치지 못한다. MPC 또는 동형 암호화를 통한 완전한 프라이버시 보존 매칭은 계산 비용 제약으로 인해 향후 연구로 미뤄진다(섹션 17.3).
부트스트래핑 수치는 준비도를 과장한다. 19,000개 이상의 역량, 스킬, 에이전트 등록이 이론적으로 연합을 통해 접근 가능하지만, 실제 유용성은 어댑터 품질, 레지스트리 API 안정성, 원자적 스킬을 복합 에이전트 프로파일로 연결하는 이질성 도전에 달려 있다(섹션 10.2).
AMP 참조 구현은 네 가지 컴포넌트로 구성된다:
amp-core: 매칭 엔진, 호환성 점수 산정, UCP 데이터 모델을 구현하는 Python 라이브러리. Python 표준 라이브러리 + JSON Schema 유효성 검사기 외에 외부 의존성 없음.
amp-federation: 플러그 가능한 레지스트리 어댑터를 갖춘 연합 라우터. 다음을 위한 어댑터 포함: A2A Agent Card 크롤링(HTTP 기반), ClawHub 시맨틱 검색(API 기반), 일반 REST 어댑터 템플릿.
amp-trust: 검증된 신뢰 신호를 채우기 위해 CoC, ARP, ASA, AJP, ALP 엔드포인트를 쿼리하는 신뢰 검증기. 독립적으로 운영 — 알려진 에이전트의 신뢰 검증을 위해 연합 없이 사용 가능.
amp-node: 세 가지 컴포넌트를 배포 가능한 AMP 노드로 결합하는 HTTP 서버. 매치 요청 API(섹션 6.1), 레지스트리 등록 API(섹션 7.3), 관리 엔드포인트를 노출.
import os
from amp_core import MatchEngine, UCPStore
from amp_federation import FederationRouter, A2AAdapter, ClawHubAdapter
from amp_trust import TrustVerifier
from amp_node import AMPNode
# 컴포넌트 초기화
engine = MatchEngine()
store = UCPStore()
router = FederationRouter()
verifier = TrustVerifier(
coc_endpoint="https://coc.example.com",
arp_endpoint="https://arp.example.com"
)
# 연합 레지스트리 등록
router.add_adapter(A2AAdapter(crawl_domains=["agent.example.com"]))
router.add_adapter(ClawHubAdapter(api_key=os.environ["CLAWHUB_API_KEY"]))
# 노드 실행
node = AMPNode(engine=engine, store=store, router=router, verifier=verifier)
node.serve(host="0.0.0.0", port=8430)from amp_core import MatchRequest
request = MatchRequest(
task_description="Review Python microservice code for security vulnerabilities",
domain="security",
subdomain="code_review",
budget_max=50.00,
deadline_ms=3600000,
weights={"capability_match": 0.30, "trust_score": 0.25, "cost_alignment": 0.15,
"availability": 0.10, "style_compatibility": 0.05, "domain_relevance": 0.15},
constraints={"min_trust_score": 60, "max_dispute_rate": 0.05}
)
results = node.match(request)
for result in results:
print(f"{result.rank}. {result.agent_id} — 점수: {result.compatibility_score}")
print(f" 신뢰: {result.trust_verification}")
print(f" 비용: {result.estimated_cost}")| 엔드포인트 | 메서드 | 설명 |
|---|---|---|
/amp/v1/match | POST | 매치 요청 제출, 순위 결과 수신 |
/amp/v1/profile | GET/PUT | 에이전트의 UCP 검색 또는 업데이트 |
/amp/v1/registry | POST | 새로운 연합 레지스트리 등록 |
/amp/v1/registries | GET | 등록된 연합 레지스트리 목록 |
/amp/v1/trust/{agent_id} | GET | 에이전트의 검증된 신뢰 신호 검색 |
/amp/v1/auction | POST | 작업을 위한 경매 생성 |
/amp/v1/auction/{id}/bid | POST | 경매에 입찰 제출 |
/amp/v1/health | GET | 노드 상태 및 연합 상태 |
AMP v1은 개별 에이전트를 개별 작업에 매칭한다. 많은 실제 작업은 협력 팀을 필요로 한다 — 리서치 에이전트, 코드 에이전트, 리뷰 에이전트의 협력. 팀 매칭은 훨씬 더 어려운 문제다:
팀 매칭은 AMP v2로 미뤄진다. 조합 경매 메커니즘(섹션 6.3)은 부분적 해결책을 제공한다: 에이전트는 사전 구성된 팀으로 입찰할 수 있다. 진정한 팀 구성 — AMP가 개별 에이전트에서 최적 팀을 조합하는 경우 — 은 보완성 점수 산정 및 팀 케미스트리 지표에 대한 추가 연구가 필요하다.
AMP v1은 고정 차원 가중치를 갖춘 선형 점수 산정 함수를 사용한다. 기계 학습 접근법(학습 기반 랭킹)은 작업 특성, 에이전트 프로파일, 매치 결과 간의 비선형 관계를 학습하여 매칭 품질을 향상시킬 수 있다. 학습 신호는 이용 가능하다: 매칭 후 피드백(ARP 평점, ASA 품질 검증)은 매치가 성공적이었는지에 대한 그라운드 트루스를 제공한다.
학습 기반 랭킹의 위험은 불투명성이다 — 모델이 탐지하거나 설명하기 어려운 편향을 학습할 수 있다. AMP v2는 선형 점수 산정을 개선하면서 설명 가능성을 유지하는 해석 가능한 학습 기반 랭킹 모델을 탐색할 것이다.
AMP v1의 프라이버시 모델은 TLS 암호화, 쿼리 익명화, 점진적 공개에 의존한다. 더 강한 프라이버시 보장은 다음을 통해 가능하다:
이 기술들은 현재 규모에서 실시간 매칭에는 계산 비용이 너무 높지만, 비용이 빠르게 하락하고 있다. AMP v2는 민감한 사용 사례를 위한 선택적 프라이버시 보존 매칭 모드를 명시할 것이다.
AMP의 크로스 플랫폼 매칭은 기반의 신뢰 데이터만큼만 유용하다. 각 마켓플레이스가 다르게 평판을 계산하면, 크로스 플랫폼 비교는 의미없다. ARP v2의 이동 가능 평판 번들[16]은 표준 형식을 제공하지만, 마켓플레이스 채택은 불확실하다.
AMP는 완전한 ARP v2 준수보다 단순한 최소 평판 교환 형식을 정의하여 채택을 가속화할 수 있다 — 모든 마켓플레이스가 게시할 수 있는 "평판 임베드"로, 차원별 점수, 샘플 크기, 계산 타임스탬프를 포함한다. 이 실용적 접근은 완전한 신뢰 생태계를 채택하지 않는 마켓플레이스에서도 기본 크로스 플랫폼 비교를 가능하게 하는 폭을 위해 깊이를 희생한다.
현재 AMP 매칭은 에이전트 가용성과 가격의 시점 스냅샷을 사용한다. 실시간 시장 신호 — 특정 역량에 대한 수요 급증, 가격 변동, 생태계 전반의 용량 활용도 — 는 시장 조건을 고려하는 동적 매칭을 가능하게 할 수 있다. 이는 밀리초 내에 라이브 수요 신호를 기반으로 경매가 발생하는 프로그래매틱 광고의 실시간 입찰과 유사하다.
구현은 시장 신호 배포를 위한 pub/sub 인프라가 필요하며, 이는 AMP v1의 요청-응답 매칭 모델과 아키텍처적으로 구별된다.
에이전트 경제는 통합이 필요한 정확히 그 시점에 폐쇄형 생태계로 파편화되고 있다. 9개의 별개 마켓플레이스가 겹치지만 호환되지 않는 에이전트 생태계를 서비스한다. 크로스 플랫폼 탐색은 존재하지 않는다. 신뢰 신호는 사일로화되어 있거나, 검증 불가능하거나, 없다. 매칭 문제 — 다차원 품질 요구사항, 신뢰 제약 조건, 비용 선호도를 고려하여 특정 작업에 최적인 에이전트를 찾는 것 — 는 어떤 프로덕션 시스템으로도 해결되지 않은 채로 남아 있다.
Agent Matchmaking Protocol은 완전한 매칭 레이어를 명시함으로써 이를 해결한다: 플랫폼 전반에 걸쳐 에이전트 역량을 기술하기 위한 통합 역량 프로파일 형식, 단순한 역량 매칭을 넘어 검증된 신뢰 신호를 통합하는 다차원 호환성 점수 산정 시스템, 통제권을 포기하도록 요구하지 않고 사일로화된 마켓플레이스를 검색하는 연합 탐색, 고정 가격, 경매, 협상을 지원하는 가격 발견 메커니즘, 선언된 역량을 검증 가능한 품질 신호로 변환하는 신뢰 가중 랭킹.
AMP의 경쟁 우위는 어떤 단일 컴포넌트가 아니다 — 매칭 알고리즘은 충분히 연구되었고, 연합은 알려진 아키텍처이며, 가격 발견 메커니즘은 확립되어 있다. 이점은 통합 깊이에 있다. 기존 마켓플레이스가 등록 시 한 번 에이전트를 검증하는 반면, AMP는 전체 신뢰 스택을 통해 지속적으로 검증한다: 신원을 위한 CoC 출처 증명, 품질을 위한 ARP 평판, 신뢰성을 위한 ASA 준수, 위험을 위한 AJP 분쟁 기록, 가용성을 위한 ALP 라이프사이클 상태. 이 계층화되고 검증 가능한 신뢰 통합이 검색 엔진을 참여자가 신뢰할 수 있는 마켓플레이스로 변환하는 것이다.
부트스트래핑 전략 — 새로운 공급을 구축하는 대신 기존 레지스트리를 연합 — 은 대부분의 마켓플레이스 스타트업을 죽이는 닭-달걀 문제를 피한다. 기존 레지스트리 전반에 걸쳐 이미 탐색 가능한 19,000개 이상의 역량, 스킬, 에이전트 등록으로 — 원자적 스킬, 자동화 툴, 복합 에이전트 프로파일을 포괄하여 — AMP 노드는 첫날부터 가치를 제공할 수 있다. 프로토콜 접근은 AMP가 경쟁하는 것이 아닌 생태계와 함께 확장되도록 한다: AMP 어댑터를 구현하는 모든 새로운 마켓플레이스는 네트워크의 가치를 증가시킨다.
AMP는 신뢰 생태계의 상업적 정점이다 — 프로토콜이 제품이 되는 레이어. CoC, ARP, ASA, AJP, ALP가 신뢰 인프라를 제공한다. AMP는 그 신뢰가 소비되고, 가격이 매겨지며, 거래되는 시장을 제공한다. 함께, 이들은 신뢰가 마케팅 카피를 통해 선언이 아닌 검증 가능한 운영을 통해 획득되는 에이전트 경제의 기반을 형성한다.
[1] Google Cloud Blog, "Google Cloud AI Agent Marketplace," 2025.
[2] Salesforce Press Release, "AgentExchange Announcement," March 4, 2025.
[3] AWS News Blog, "Introducing Amazon Bedrock AgentCore," October 2025.
[4] ServiceNow Blog, "Your Go-to Marketplace for AI Agents," 2025.
[5] gorilla.cs.berkeley.edu, "Agent Marketplace," 2025.
[6] ClawHub (clawhub.ai), registry statistics, February 2026.
[7] AI Agent Store (aiagentstore.ai), directory listing, 2026.
[8] ProductMint, "The KAYAK Business Model," 2025.
[9] A2A Protocol (a2a-protocol.org), "Agent Discovery," 2025; CodeLime, "A2A Protocol explained," 2025.
[10] ModelContextProtocol.io, Specification November 2025; MCP Blog, "The 2026 MCP Roadmap," 2026.
[11] ClawHub Docs, SKILL.md format specification, 2026; DigitalOcean, OpenClaw guide, 2026.
[12] Gale, D. and Shapley, L.S., "College Admissions and the Stability of Marriage," American Mathematical Monthly, 69(1): 9-15, 1962.
[13] OpenAI, Agentic Commerce Protocol (with Stripe), September 2025.
[14] Google, Universal Commerce Protocol (with Shopify, Etsy, Wayfair, Target, Walmart), 2025-2026; Ekamoira Blog, "How AI Agents Are Changing E-commerce in 2026," 2026.
[15] AB Support LLC, "Chain of Consciousness: A Cryptographic Protocol for Verifiable Agent Provenance and Self-Governance," v3.0.0, 2026.
[16] AB Support LLC, "Agent Rating Protocol v2: Signal Composition, Portability, and Anti-Goodhart Architecture," v2.0.0, 2026.
[17] AB Support LLC, "Agent Justice Protocol," v1.0.0, 2026.
[18] AB Support LLC, "Agent Service Agreements," v1.0.0, 2026.
[19] AB Support LLC, "Agent Lifecycle Protocol," v1.0.0, 2026.
[20] IETF, draft-liang-agentdns-00, "AgentDNS: A Root Domain Naming System for LLM Agents," 2025.
[21] ArXiv 2505.10609, "Agent Name Service (ANS)," May 2025; IETF, draft-narajala-ans-00, 2025.
[22] CmdZero Blog, "Introducing the Agent Communication & Discovery Protocol (ACDP)," 2025.
[23] ERC-8183, Programmable Escrow Standard, Ethereum, 2025-2026.
[24] x402 Payment Protocol, transaction statistics, 2025-2026.
[25] Rochet, J.-C. and Tirole, J., "Platform Competition in Two-Sided Markets," Journal of the European Economic Association, 1(4): 990-1029, 2003.
[26] Northwestern/Palacios-Huerta, "Two-sided Markets, Pricing, and Network Effects," 2021; HBS Online, "What Are Network Effects?" 2025.
[27] Nisan, N. et al., Algorithmic Game Theory, Cambridge University Press, 2007.
[28] W3C, "Decentralized Identifiers (DIDs) v1.1," Candidate Recommendation, 2026.
[29] PwC/Google Cloud, "AI agent ecosystem with Google Cloud," 2025.
[30] Salesforce Investor Relations, "Agentforce 360 for AWS," 2025.
[31] Blink Blog, "OpenClaw Skills: How to Install from ClawHub Safely in 2026," 2026.
[32] Adven Boost, "OpenClaw ClawHub: The 2026 Security-First Guide," 2026.
[33] Apify, AI Agent Marketplace and agentic commerce blog, 2026.
[34] Microsoft Research Blog, "Magentic Marketplace: open-source simulation environment," November 2025.
[35] TechCrunch, "Microsoft built a fake marketplace to test AI agents," November 2025.
[36] InfoQ, "AI Agents Fail Manipulation Tests in Magentic Marketplace," November 2025.
[37] O*NET Resource Center, "O*NET-SOC Taxonomy," 2025.
[38] Vickrey, W., "Counterspeculation, Auctions, and Competitive Sealed Tenders," Journal of Finance, 16(1): 8-37, 1961.
[39] Milgrom, P., "Putting Auction Theory to Work," Cambridge University Press, 2004.
[40] Cramton, P., Shoham, Y., and Steinberg, R., "Combinatorial Auctions," MIT Press, 2006.
[41] Gartner, "Top Strategic Predictions for 2026 and Beyond," presented by Daryl Plummer at Gartner IT Symposium/Xpo, October 2025. Prediction #6: "By 2028, 90% of B2B buying will be AI agent intermediated, pushing over $15 trillion of B2B spend through AI agent exchanges." Available at gartner.com/en/newsroom/press-releases/2025-10-21-gartner-unveils-top-predictions-for-it-organizations-and-users-in-2026-and-beyond.
[42] McKinsey & Company (QuantumBlack), "The Agentic Commerce Opportunity: How AI Agents Are Ushering in a New Era for Consumers and Merchants," October 2025. Available at mckinsey.com/capabilities/quantumblack/our-insights/the-agentic-commerce-opportunity.
[43] Brin, S. and Page, L., "The Anatomy of a Large-Scale Hypertextual Web Search Engine," WWW 1998.
[44] HBS Online, "What Are Network Effects?" 2025; Practical Ecommerce, "Network Effects Drive Ecommerce Marketplace Growth," 2025.
[45] Practical Ecommerce, ibid.
[46] Hagiu, A. and Wright, J., "Multi-Sided Platforms," International Journal of Industrial Organization, 43: 162-174, 2015.
[47] Ezrachi, A. and Stucke, M.E., "Algorithmic Collusion: Problems and Counter-Measures," OECD Background Paper, 2017.
[48] Olesen, J.M. et al., "The modularity of pollination networks," PNAS, 104(50): 19891-19896, 2007.
[49] Gordon, D.M., "The Ecology of Collective Behavior," PLoS Biology, 2014.
[50] Dorigo, M. and Gambardella, L.M., "Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem," IEEE Transactions on Evolutionary Computation, 1(1): 53-66, 1997.
[51] Janeway, C.A. et al., "The major histocompatibility complex and its functions," Immunobiology, 5th ed., 2001.
[52] Kappler, J.W. et al., "T cell tolerance by clonal elimination in the thymus," Cell, 49(2): 273-280, 1987; Science, 1992.
[53] Noë, R. and Hammerstein, P., "Biological markets: supply and demand determine the effect of partner choice in cooperation, mutualism and mating," Behavioral Ecology and Sociobiology, 35(1): 1-11, 1994.
이 문서는 Apache License 2.0 하에 라이선스됩니다. Copyright 2026 AB Support LLC. Agent Matchmaking Protocol은 오픈 명세입니다 — 모든 조직이 허가나 로열티 없이 구현할 수 있습니다.