Tencent Hyra 2.0 출시, 연구 에이전트를 답변 생성에서 재사용 가능한 도구로 전환

Tencent Hunyuan은 Hyra 2.0을 발표하며, 개별 문제 해결에 머물던 연구 에이전트를 반복적으로 사용할 과학 모델과 도구를 개발하는 방향으로 전환했다. Tencent Hyra 2.0 출시는 후속 실험을 개선하는 소프트웨어라는 새로운 연구 산출물에 초점을 맞춘다. 가장 강력한 공개 근거는 공개된 단백질 모델이지만, 이러한 결과물만으로 전체 개발 과정을 독립적으로 입증할 수는 없다.

AI 모델을 활용해 작업을 계획하고 실행하는 소프트웨어인 에이전트는 다음 과제를 개선하지 않고도 유용한 답을 만들 수 있다. Tencent가 밝힌 목표는 그보다 더 나아간다. 연구 작업이 재사용 가능한 역량을 남겨, 이후 프로젝트가 이전 개발의 혜택을 받도록 하겠다는 것이다.

Google DeepMind의 AlphaEvolve는 이미 알고리즘과 연구 인프라를 개선하는 에이전트의 기준점 역할을 한다. 따라서 Hyra의 발표는 연구팀에 구체적인 질문을 던진다. 실험을 통해 이뤄진 개선 중 무엇이 해당 실험 이후에도 남는가? 이 질문은 개발자에게 이전 가능한 도구, 그 한계, 재현에 필요한 작업을 문서화하라는 압박을 가한다.

Tencent Hyra 2.0 출시는 연구 산출물을 바꾼다

Tencent는 독자들에게 연구 에이전트를 남기는 도구를 기준으로도 평가해 달라고 요청하고 있다.

2026년 11월 2일자 출시 보도는 Hyra 2.0을 재사용 가능한 모델, 워크플로, 소프트웨어를 개발하는 자동화 연구 시스템으로 설명한다. 보도된 발표에 따르면, 이 시스템의 조직은 Overall, Mission, Worker 에이전트로 작업을 구분한다. 연구 시스템 출시 자료는 장기 작업, 병렬 실험, 검증 지원도 설명한다.

이 구분이 중요한 이유는 성공적인 실험과 유용한 연구 도구의 수용 기준이 다르기 때문이다. 실험은 좁게 정의된 질문에 답할 수 있다. 도구는 누군가 입력을 바꾸거나 환경을 다시 실행하거나 다른 프로젝트에 적용해도 계속 사용할 수 있어야 한다.

이는 무엇을 완성된 산출물로 봐야 하는지를 바꾼다. 유망한 점수에는 코드, 지침, 그리고 그 점수가 성립하는 조건을 설명할 충분한 맥락이 따라야 한다. 모델에는 동작을 결정하는 학습된 수치 값인 접근 가능한 가중치와 함께, 실제로 실행할 수 있는 방법이 필요하다.

Tencent의 공개 리포지터리는 구체적인 출발점을 제공한다. 11월 2일 업데이트에는 가중치, 추론 코드, 기술 보고서와 함께 HyInv 및 HyPLM-Flash가 나열돼 있다. 추론은 학습된 모델을 실행해 출력을 생성하는 것을 뜻한다. 이는 외부 연구자에게 발표문만으로는 얻기 어려운, 보다 실질적인 검토 대상을 제공한다.

이 리포지터리에는 수학, 컴퓨팅 및 기타 분야에 걸친 이전 Hyra 연구 결과물도 포함돼 있다. 이러한 기존 산출물은 연속성을 보여주지만, 모든 Hyra 2.0 주장을 자동으로 뒷받침하는 근거가 되어서는 안 된다. 출시일, 개별 폴더, 관련 문서는 여전히 중요한 구분이다.

공개 결과물은 완전한 자율 연구보다 더 제한적인 결론을 뒷받침한다. 연구자들은 공개된 모델이 실행되는지, 보고된 동작이 유지되는지를 검토할 수 있다. 시스템이 해당 모델을 얼마나 독립적으로 설계했는지 확인하려면 의사결정, 개입, 실패한 실험에 관한 추가 증거가 필요하다.

이 구분은 출시의 실용적 가치를 낮추지 않는다. 개발 과정이 일부 불투명하더라도 유용한 과학 모델은 연구자에게 도움이 될 수 있다. 다만 흔히 함께 제시되는 두 주장, 즉 산출물의 유용성과 이를 만든 주체의 자율성을 분리한다.

따라서 Tencent Hyra 2.0 출시의 즉각적인 변화는 분명하지만 제한적이다. Tencent는 재사용 가능한 연구 도구를 제시하고, 이름이 명시된 모델 릴리스를 공개했다. 이러한 도구가 후속 에이전트 연구를 체계적으로 개선한다는 더 광범위한 주장은 연결된 프로젝트 전반의 증거를 필요로 한다.

재사용 가능한 도구는 연구 플랫폼 팀에 압박을 가한다

재사용 가능한 산출물은 이후 작업이 실제로 이를 채택할 때에만 연구의 경제성을 바꾼다.

연구 그룹은 원래 환경에 묶인 결과를 만드는 데 상당한 노력을 들일 수 있다. 스크립트는 문서화되지 않은 가정에 의존한다. 평가 설정은 누군가의 기억 속에만 남는다. 그러면 다음 연구자는 새로운 아이디어를 시험하기 전에 설정 작업을 다시 반복하게 된다.

Hyra가 제시한 방향은 이 익숙한 문제를 다룬다. 에이전트가 유지 관리되는 모델이나 워크플로를 만들면, 이후 프로젝트는 그 자산에서 출발할 수 있다. 잠재적 이점은 단순히 답을 더 빨리 생성하는 데 있지 않고, 반복되는 개발을 피하는 데서 나온다.

단백질 설계는 구체적인 사례를 제공한다. 후보 서열을 찾는 팀은 기존 모델을 스크리닝 과정의 일부로 활용할 수 있다. 그 공유 모델을 개선하면, 해당 개선이 연구자들에게 필요한 특성을 유지한다는 전제에서 이후 설계 실행에 영향을 줄 수 있다.

이는 연구 에이전트를 구축하는 팀에 실제 제품을 정의하라는 압박을 만든다. 산출물은 실험 결과인가, 생성된 논문인가, 실행 가능한 워크플로인가, 아니면 유지 관리되는 과학 구성요소인가? 각각은 서로 다른 문서화와 다른 가치 증거를 요구한다.

연구 관리자에게 중요한 비교는 에이전트의 완료 시간을 넘어선다. 누군가는 산출물을 통합하고, 그 가정을 검토하며, 실패 사례를 살피고, 공유 인프라에 포함할지 결정해야 한다. 이러한 활동이 겉보기 생산성 향상이 일상 업무와 맞닿은 뒤에도 유지되는지를 결정한다.

개발자도 관련된 부담을 안는다. 작성자에게는 작동하는 도구라도 다른 팀이 사용하기에는 까다로울 수 있다. 안정적인 인터페이스, 이해하기 쉬운 오류, 명시적인 의존성은 기저 연구 결과가 타당하더라도 도입에 영향을 미친다.

따라서 기업 구매자는 초기 실험 이후의 소유권을 물어야 한다. 생성된 구성요소에는 업데이트, 호환성, 신뢰할 수 없게 된 버전의 폐기를 책임질 사람이 필요하다. 에이전트 개발은 이러한 책임을 없애지 않으며, 성공적인 재사용은 이를 더욱 중요하게 만든다.

경험을 저장하는 것과 이를 이전 가능하게 만드는 것 사이에도 차이가 있다. 저장된 설명은 미래의 에이전트에 도움이 될 수 있지만, 실행 가능한 검사는 더 명확한 시험을 제공한다. 변경된 조건에서 알려진 실패가 다시 발생했는지 판단할 수 있기 때문이다.

연구 지식도 같은 규율의 이점을 얻는다. 팀은 기술 문서를 그 배경의 의사결정 및 증거와 연결해야 한다. 검색 가능한 지식 기반은 이러한 조직적 문제를 다루지만, 실험적 검증을 대체하지는 않는다.

따라서 Hyra의 발표가 가하는 압박은 구체적이다. 연구 플랫폼 팀은 성공적인 작업이 어떻게 신뢰할 수 있는 자산이 되는지를 보여줘야 한다. 산출물이 계속 늘어나는 것보다, 그러한 산출물이 숨은 실수를 앞으로 옮기지 않으면서 반복 작업을 줄인다는 증거가 더 중요하다.

Hyra 2.0이 단일 실험을 넘어 작업을 조직하는 방식

제안된 메커니즘은 시간에 걸쳐 연구를 조율하고, 증거를 보존하며, 유용한 산출물을 이후 작업에 제공하는 데 달려 있다.

Tencent는 Overall, Mission, Worker 계층으로 구성된 아키텍처를 설명한다. 이 명칭은 계층 구조를 보여주지만, 계층만으로 효과성을 입증할 수는 없다. 관련된 질문은 이러한 구분이 실험 지연, 우선순위 변경, 예상치 못한 결과 속에서도 연구를 계속하는 데 도움이 되는지다.

유용한 해석은 프로젝트 조율과 실험 실행을 분리한다. 연구 우선순위는 코드 수정 및 개별 실행과 다른 시간 척도에서 작동한다. 이러한 관심사를 구분하면 완료된 작업의 기록을 잃지 않고도 방향을 수정하기 쉬워질 수 있다.

이는 성능의 독립적인 확인이라기보다 설계 목적에 대한 해석이다. 공개 설명만으로는 시스템이 모호한 증거를 얼마나 신뢰성 있게 다루는지 입증할 수 없다. 또한 인간 연구자가 조사를 얼마나 자주 재지정해야 하는지도 보여줄 수 없다.

장기 작업에서는 이런 질문이 중요하다. 학습은 최초 계획 세션이 끝난 뒤에 완료될 수 있다. 평가는 겉보기에 유망했던 변경이 다른 조건에서 실패한다는 사실을 드러낼 수 있다. 연구 시스템에는 요약에서 사건을 재구성하는 대신 증거에서 이어서 작업할 신뢰할 수 있는 방식이 필요하다.

병렬 실험은 또 다른 과제를 더한다. 여러 그럴듯한 접근법은 환경이나 가정이 다르기 때문에 비교하기 어려운 결과를 낼 수 있다. 조율은 이러한 차이를 보존하고 유리한 결과가 불공정한 비교를 받지 않도록 할 때 유용해진다.

같은 논리는 검증에도 적용된다. 검토자는 관련 코드와 평가 조건을 포함해 실제로 실행된 내용을 확인할 수 있어야 한다. 설득력 있는 완료 메시지를 읽는 것은 기저 증거를 점검하는 것보다 확신을 덜 준다.

재사용 가능한 도구는 이 요구 사항을 현재 프로젝트 너머로 확장한다. 이후 에이전트는 이전 도구가 무엇을 하는지, 어디서 실패하는지, 어느 버전이 결과를 만들었는지 알아야 한다. 그렇지 않으면 축적된 연구 자산은 장점이 아니라 불확실성의 원천이 될 수 있다.

여기서 제안된 전환은 기술적으로 까다로워진다. 모델 개발에는 데이터, 학습, 평가, 배포에 관한 선택이 수반된다. 워크플로에는 작업 간 의존성이 추가된다. 둘 다 고립된 코딩 작업보다 더 지속적인 조율을 요구한다.

Google DeepMind의 알고리즘 발견 시스템은 유용한 비교 대상이다. AlphaEvolve는 모델이 생성한 프로그램을 자동화된 평가 및 진화적 탐색 과정과 결합한다. 유망한 후보를 유지하고 이를 활용해 이후 제안을 이끈다.

이 선례는 연구 도구 개선만을 근거로 한 혁신성 주장을 제한한다. 에이전트가 생성한 코드와 인프라 최적화는 이미 경쟁 환경의 일부를 이룬다. Hyra의 차별점은 공개된 결과물, 개발 범위, 재사용의 증거에서 나와야 한다.

이 비교는 또한 핵심 의존성인 평가를 분명히 한다. 탐색은 점수 산정 과정이 연구자들이 실제로 원하는 특성에 보상할 때 생산적이 된다. 시스템은 불완전한 지표를 최적화하면서도 실험을 효율적으로 조율할 수 있다.

Hyra에서 더 나은 조직화는 도구 구축이라는 목표를 뒷받침할 수 있지만, 과학적 판단을 대체할 수는 없다. 이 메커니즘에는 신뢰할 수 있는 시험, 해석 가능한 기록, 수정 가능성을 유지하는 의사결정이 필요하다. 이러한 조건에서 장기 에이전트 작업은 지속적인 연구 자산을 만들어낼 수 있다.

단백질 모델은 도구 구축 주장을 구체화한다

HyInv와 HyPLM-Flash는 외부 연구자에게 에이전트 행동에 대한 설명만이 아니라 평가할 수 있는 이름 있는 결과물을 제공한다.

Tencent의 공개 연구 결과물은 HyInv를 196만 개 파라미터의 역접힘 모델로 나열한다. 역접힘은 지정된 구조적 백본에 맞는 단백질 서열을 제안하는 것을 뜻한다. 이 릴리스는 또한 단백질 서열의 패턴을 학습하는 6억5000만 개 파라미터의 단백질 언어 모델 HyPLM-Flash를 나열한다.

이들 모델은 연구자들이 반복적으로 활용할 수 있기 때문에 제시된 전략에 부합한다. 그 가치는 개발 과정에서 단 하나의 질문에 답하는 데 좌우되지 않는다. 작동하는 릴리스는 후속 연구의 입력값이 된다.

HyInv의 실용적 활용은 목표 구조에서 시작된다. 연구자들은 해당 구조에 맞는 후보 서열이 필요하며, 이후 그 후보들이 다른 요건도 충족하는지 평가해야 한다. 재사용 가능한 서열 생성 모델은 모든 후속 질문을 해결하지 않고도 이 과정을 지원할 수 있다.

HyPLM-Flash는 더 폭넓은 지원 역할을 맡는다. 단백질 언어 모델은 연구자들이 다양한 분석에 활용할 수 있는 학습된 표현을 제공한다. 따라서 재사용 가능한 모델은 개별 애플리케이션 하나가 전체 가치를 규정하지 않더라도 여러 프로젝트에서 의미를 가질 수 있다.

리포지토리의 릴리스 공지는 Tencent가 모델 자산을 공개했음을 보여준다. 그러나 그것만으로 생물학적 성능, 다양한 환경 전반의 우수성, 또는 개발 과정에서 인간 개입이 없었다는 점까지 독립적으로 입증되지는 않는다. 각각의 주장은 별도의 증거를 필요로 한다.

속도 비교는 범위가 중요한 이유를 보여준다. 연구자들은 어떤 하드웨어, 입력 길이, 수치 설정 및 실행 조건에서 보고된 우위가 나왔는지 알아야 한다. 개선은 보편적으로 적용되지 않더라도 해당 조건 안에서는 유용할 수 있다.

품질 역시 비교의 일부로 남아야 한다. 후보물에 훨씬 더 많은 필터링이 필요하다면 더 빠른 생성기의 이점은 제한적이다. 반대로 실행 부담은 낮으면서 품질이 비슷하다면 더 폭넓은 실험이 실용적으로 가능해질 수 있다. 관련 균형은 연구 과제에 따라 달라진다.

실험 생물학은 또 다른 경계를 제시한다. 계산 기반 지표는 서열의 우선순위를 정하는 데 도움이 될 수 있지만, 후보가 실험실에서 의도대로 작동한다는 점을 확립하지는 못한다. 도구의 성능과 실험으로 검증된 생물학적 유용성은 관련되어 있지만 별개의 결과다.

이러한 구분은 릴리스를 덜 흥미롭게 만드는 것이 아니라 오히려 더 흥미롭게 만든다. 다운로드 가능한 모델은 연구자들이 주장의 경계를 조사할 수 있게 해준다. 이들은 입력을 바꾸고, 실패 사례를 검토하며, 해당 구성 요소가 자신의 작업에 맞는지 판단할 수 있다.

단백질 모델은 에이전트가 구축한 도구가 다른 에이전트도 지원하는지 검증할 방법도 제공한다. 외부 워크플로는 공개 모델을 통합하고, 통합이 성공하거나 실패한 지점을 보고할 수 있다. 이는 원래 개발팀을 넘어선 전이 가능성의 증거를 제공할 것이다.

이는 발표에서 언급된 도메인 수보다 더 중요하다. 폭넓은 범위는 야심을 보여줄 수 있지만, 까다로운 도메인에서 반복적으로 사용되는 것은 다른 종류의 가치를 확립한다. 이는 유지보수 요구를 드러내고 릴리스 시연이 놓칠 수 있는 가정을 노출한다.

현재로서는 가장 강력한 해석이 구체적으로 유지된다. Tencent는 도구 구축 전략에 부합하는 과학 모델 산출물을 공개했다. 이러한 모델의 이용 가능성은 외부 검증의 기회를 만들지만, 누적적 연구 역량에 관한 더 큰 주장은 여전히 평가의 대상이다.

공개된 산출물은 개발 과정을 부분적으로만 해명한다

결과를 재현하는 것과 그 결과를 만든 과정을 재현하는 것은 서로 다른 검증이다.

연구자는 모델을 다운로드하고, 그 평가를 실행해 릴리스와 일치하는 결과를 얻을 수 있다. 이는 산출물에 대한 신뢰를 높일 것이다. 그러나 전문적 지침이 설계에 얼마나 영향을 주었는지, 또는 그 이전에 얼마나 많은 실패한 접근이 있었는지는 드러나지 않는다.

자율성 주장은 다른 기록을 필요로 한다. 관련 증거에는 원래 과제, 인간의 개입, 연구 결정 및 중단 조건이 포함된다. 이러한 세부 정보가 없다면 관찰자는 독립적인 진전과 강하게 유도된 실행을 신뢰성 있게 구분할 수 없다.

이는 Tencent에만 해당하는 비판이 아니다. 연구 자동화는 서로 다른 수준의 인간 참여를 수반할 수 있는 여러 활동을 결합한다. 시스템은 문제 선정, 평가 설계 또는 모호한 결과의 해석에서는 전문가에게 의존하면서 구현은 자동화할 수 있다.

이 구분은 누적적 개선을 논할 때 특히 중요해진다. 도구는 기반 에이전트 모델을 개선하지 않고도 이후 과제를 개선할 수 있다. 이는 여전히 유용하지만, 일반적인 자기 개선보다 더 제한적인 주장을 뒷받침한다.

시스템이 자신의 미래 개발에 사용될 구성 요소를 개선하는 데 도움을 주는 재귀적 개선은 추가적인 귀속 문제를 낳는다. 연구자들은 변경된 구성 요소를 식별하고 그 기여를 분리해야 한다. 그렇지 않으면 더 강력한 기반 모델이나 더 큰 자원에서 비롯된 개선이 뒤섞일 수 있다.

선택 효과도 주목할 필요가 있다. 공개 리포지토리는 자연스럽게 성공적인 결과물을 강조한다. 연구 효율성을 이해하려면 실패한 실행, 포기된 방향 및 검토 노력도 필요하다. 이러한 기록은 성공적인 산출물이 반복 가능한 과정을 대표하는지 판단하는 데 도움이 된다.

Google Research의 검증 가능한 연구 프레임워크는 생성된 주장과 그 기반 증거를 연결함으로써 관련 문제를 다룬다. 이 논의는 연구 텍스트, 구현된 방법 및 재현 가능한 결과 사이의 불일치를 자동화 과학의 우려 사항으로 지적한다.

이 연구는 Hyra를 독립적으로 평가하지는 않는다. 대신 이 범주에 유용한 기준을 제시한다. 결론은 이를 뒷받침하는 증거와 계속 연결되어야 한다. 워크플로에 에이전트를 추가한다고 해서 이 요건이 사라지는 것은 아니다.

회의적인 해석은 모든 한계를 실패로 취급하는 일도 피해야 한다. 에이전트가 개발한 모델은 인간이 목표를 선택했더라도 가치 있을 수 있다. 부분적으로 자동화된 과정도 노력을 절감할 수 있다. 보도는 정의되지 않은 완전한 자율성의 기준을 요구하기보다 범위를 정확히 밝혀야 한다.

열린 질문은 이 접근법이 과제 전반에서 얼마나 일관되게 작동하는가이다. 설득력 있는 답변에는 조건이 일치하는 비교, 공개된 개입 및 이후 과제가 이전 도구의 혜택을 받는다는 증거가 포함될 것이다. 개별 릴리스는 전체 논증이 아니라 그 사례를 구성하는 요소를 확립한다.

개발자와 구매자에게 이는 실용적인 평가 원칙을 시사한다. 산출물 품질, 개발 독립성 및 후속 재사용에 대해 각각 따로 질문해야 한다. 이를 하나의 역량 주장으로 합치면 실제로 무엇이 개선됐는지 이해하기가 더 어려워진다.

재현, 후속 재사용 및 공개된 연구 노력을 지켜봐야 한다

다음 증거는 공개 산출물을 재현 가능한 성능 및 후속 작업에서 측정 가능한 이점과 연결해야 한다.

첫 번째로 주목할 신호는 공개된 단백질 모델의 독립적 재현이다. 외부 연구자들은 버전을 식별하고, 문서화된 평가를 실행하며, 주장된 동작이 유지되는지 보고할 수 있어야 한다. 결과에는 의미 있는 차이를 설명할 수 있는 충분한 세부 정보가 필요하다.

성공적인 재현은 도구 자체에 대한 신뢰를 높일 것이다. 불일치는 시스템에 대한 광범위한 판단이 되기 전에 조사가 필요하다. 하드웨어 설정, 구현 선택 및 평가 차이는 모두 비교에 영향을 줄 수 있다.

한계를 탐색하는 재현은 더욱 유용하다. 연구자들은 릴리스 예시를 넘어선 입력을 시험하고 성능이 변화하는 지점을 기술할 수 있다. 이는 초기 결과를 더 명확한 적용 가능성 지도로 바꿀 것이다.

두 번째 신호는 다른 프로젝트나 팀에 의한 후속 재사용이다. 공개된 모델은 누군가 이를 후속 작업에 통합할 때 연구 자산이 된다. 증거는 무엇을 대체했는지, 통합에 무엇이 필요했는지, 그리고 이점이 지속되었는지를 설명해야 한다.

외부 채택은 Tencent Hyra 2.0 출시의 핵심 논거를 강화할 것이다. 이는 결과물이 원래 환경 밖에서도 유효함을 보여줄 것이다. 상당한 재작업을 동반한 채택은 더 제한적인 결론을 제시하게 될 것이다.

이후의 에이전트 과제도 또 다른 유익한 환경을 제공한다. 연구자들이 이전 도구가 유사한 조건에서 후속 과제를 개선했다는 점을 보일 수 있다면, 직접적인 연결을 확립하게 된다. 그 연결은 재사용 가능한 구성 요소를 공개하는 일과 누적적 연구 역량을 입증하는 일 사이에 빠져 있는 단계다.

세 번째 신호는 개발 노력과 인간 참여에 관한 더 충실한 공개다. 연구 로그, 개입 요약 및 대안 워크플로와의 비교는 자율성 주장을 평가하기 쉽게 만든다. 또한 과정의 어떤 부분에 추가 엔지니어링이 필요한지도 드러낼 것이다.

공정한 비교에는 검토와 수정 작업이 포함되어야 한다. 연구자들이 신뢰할 수 없는 결과를 진단하는 데 더 오랜 시간을 쓴다면, 더 빠른 초기 구현은 장점을 잃을 수 있다. 마찬가지로, 가시적인 인간 검토 지점이 있는 과정도 총 노력의 의미 있는 감소를 제공할 수 있다.

이러한 신호들은 서로 바꿔 쓸 수는 없지만 서로를 보완한다. 재현은 산출물에 대한 신뢰를 확립한다. 재사용은 전이 가능성을 확립한다. 과정 공개는 산출물이 어떻게 만들어졌고 그 성공을 반복하려면 무엇이 필요한지 설명하는 데 도움이 된다.

어느 것도 극적인 발표를 필요로 하지 않는다. 신중한 외부 평가, 문서화된 통합 또는 투명한 개발 기록은 또 다른 긍정적 점수 모음보다 더 많은 정보를 제공할 수 있다. 각각은 특정한 불확실성을 좁힌다.

Tencent Hyra 2.0 출시를 평가하는 독자라면, 자신의 작업과 관련된 공개 구성 요소부터 시작해 그 증거를 검토해야 한다. 문서화된 조건이 자신의 환경과 유사한지 확인하라. 모델 성능과 생물학적 검증을 구분하고, 유용한 자동화와 독립적 발견에 관한 주장을 구분하라. 이후 실제로 이 도구의 이점을 얻은 프로젝트와, 이를 채택하는 데 필요했던 노력까지 살펴보라. 연구자들은 성공적인 재현과 함께 불일치와 실패 사례도 공개해야 한다. 구매자는 실험이 끝난 뒤 누가 구성 요소를 유지보수하는지 물어야 한다. 개발자는 자신의 작업을 반복하는 데 필요한 증거를 보존해야 한다. 귀하의 팀은 어떤 공개 도구를 충분히 면밀하게 시험해 다음 연구 프로젝트에 포함할 가치가 있는지 판단할 수 있는가?