AI 에이전트가 앱을 “사용자처럼 클릭”하는 단계에서 “도구처럼 호출”하는 단계로 넘어가고 있습니다. Hugging Face Spaces chaining은 이 변화를 이해하기 좋은 사례입니다. 한 Space의 결과를 다음 Space의 입력으로 넘겨 여러 AI 앱을 하나의 작업 흐름으로 이어 붙이는 방식입니다.
최근 공개된 사례에서는 코딩 에이전트가 이미지 생성 Space와 단일 이미지 기반 3D 재구성 Space를 차례로 호출했습니다. 이를 통해 파리 기념물 3D 갤러리를 만들고, 최종 결과를 정적 Space인 mishig/monuments-de-paris로 배포했습니다.1 이미지 생성에는 ideogram-ai/ideogram4, 3D Gaussian splat 재구성에는 VAST-AI/TripoSplat Space가 사용됐습니다.1
핵심은 “멋진 데모 하나”가 아닙니다. Spaces가 에이전트가 찾고, 읽고, 호출하고, 조합할 수 있는 실행 단위가 되고 있다는 점입니다.
Space는 데모를 넘어 호출 가능한 도구가 된다
Hugging Face Spaces는 ML 데모 앱을 호스팅하는 공간입니다. Gradio, Docker, 정적 HTML 같은 방식으로 앱을 만들고 공개할 수 있습니다.2 Spaces 디렉터리에서는 실행 중인 앱을 트렌딩 순으로 볼 수 있고, 이미지 생성, 3D 모델링, 코드 생성, 데이터 시각화, Agent Environment 등 다양한 카테고리의 앱을 탐색할 수 있습니다.4
여기서 중요한 변화는 Gradio Space가 agents.md를 제공할 수 있다는 점입니다. 이 평문 파일에는 Space를 호출하는 방법이 정리됩니다.3 에이전트 입장에서는 사람이 보는 UI만 있는 앱이 아니라, 사용법을 읽고 실행할 수 있는 도구가 생기는 셈입니다.
따라서 Space의 의미도 달라집니다. 과거에는 “모델을 체험하는 데모 페이지”에 가까웠다면, chaining 관점에서는 “입력과 출력을 가진 작업 블록”입니다. 에이전트는 이 블록을 검색하고, 호출하고, 결과를 다음 블록으로 넘깁니다.
Chaining의 핵심은 모델보다 작업 흐름이다
Spaces chaining을 단순히 “여러 모델을 연결하는 것”으로 보면 반만 이해한 것입니다. 더 중요한 것은 작업을 잘게 나누고, 각 단계에 맞는 Space를 배치하는 방식입니다.
예를 들어 “텍스트 → 이미지 → 3D 모델” 흐름은 하나의 거대한 모델이 모든 일을 처리하지 않아도 만들 수 있습니다. 텍스트 프롬프트를 이미지 생성 Space에 보내고, 생성된 이미지를 3D 재구성 Space에 넘기고, 결과물을 정적 Space로 배포하는 식입니다. 파리 기념물 3D 갤러리 사례가 바로 이 구조를 보여줍니다.1
이때 판단 기준은 “어떤 모델이 가장 뛰어난가”에서 “어떤 Space를 어떤 순서로 안정적으로 엮을 수 있는가”로 이동합니다. 각 Space의 성능뿐 아니라 입력 형식, 출력 형식, 호출 안정성, 다음 단계와의 호환성이 중요해집니다.
발견과 호출이 쉬워질수록 조합 비용은 낮아진다
Spaces가 많아질수록 문제는 “어디에 무엇이 있는가”입니다. 이 지점에서 hf-agentfinder 같은 도구가 의미를 가집니다. hf-agentfinder는 Hugging Face Skills와 Spaces를 위한 Agent Finder 레지스트리 어댑터이며, Hugging Face discovery를 CLI와 REST API 형태로 노출합니다.5
예를 들어 CLI에서는 다음처럼 자연어 검색을 사용할 수 있습니다.5
agentfinder search "remove background from image"REST API에서는 기본 검색 엔드포인트인 POST /search를 사용할 수 있고, Spaces 전용 검색에는 POST /registries/huggingface/spaces/search를 사용할 수 있습니다.5 또한 특정 Space에 대해 GET /skills/huggingface/{owner}/{space}/SKILL.md 경로로 생성된 스킬 문서를 제공할 수 있습니다.5
이런 구조는 에이전트 개발의 병목을 줄입니다. 개발자가 모든 Space의 API를 미리 하드코딩하지 않아도, 에이전트가 필요한 도구를 찾고, 사용법을 읽고, 실행 흐름에 포함할 수 있기 때문입니다.
실무적으로 봐야 할 세 가지
Spaces chaining을 적용할 때는 결과물의 화려함보다 연결 가능성을 먼저 봐야 합니다.
첫째, 해당 Space가 실제로 실행 중인지 확인해야 합니다. Spaces 디렉터리는 실행 중인 앱을 보여주지만,4 chaining에서는 한 단계가 실패하면 전체 흐름이 끊깁니다.
둘째, 호출 방법이 충분히 명확해야 합니다. Gradio Space의 agents.md처럼 에이전트가 읽을 수 있는 설명이 있다면 자동화 가능성이 높아집니다.3
셋째, 출력이 다음 Space의 입력으로 자연스럽게 이어져야 합니다. 이미지 생성 결과가 3D 재구성 입력으로 들어갈 수 있는지처럼, 단계 간 데이터 형식이 맞아야 합니다.
결론적으로 Hugging Face Spaces chaining은 “AI 앱 모음”을 “에이전트가 조립하는 작업망”으로 바꾸는 흐름입니다. 앞으로 중요한 역량은 개별 모델 하나를 고르는 데서 끝나지 않습니다. 필요한 Space를 발견하고, 호출 방법을 읽고, 입력과 출력을 맞춰 안정적인 작업 흐름으로 엮는 능력이 더 중요해집니다.
1How an Agent Built a 3D Paris Gallery by Chaining Two Hugging Face Spaces
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.