---

title: 구스(Goose) 완전 가이드: 2026년 블록(Block)사의 오픈소스 AI 개발 에이전트 date: 2026-03-17 authors: [kevinpeng] slug: 036-goose-ai-agent-guide-2026 categories: - AI 어시스턴트 tags: - Goose - Block - 오픈소스 AI - AI 에이전트 - 자동화 개발 - MCP description: 구스(Goose)는 블록(Block)사가 2026년에 출시한 오픈소스 AI 개발 에이전트로, 복잡한 개발 작업을 자율적으로 수행할 수 있습니다. 본 문서에서는 설치 및 설정 방법, MCP 통합, 자동화 워크플로우, 그리고 최적의 활용 사례를 상세히 설명합니다. cover: https://res.makeronsite.com/freeaitool.com/036-goose-ai-agent-cover.webp draft: false

---

구스(Goose) 완전 가이드: 2026년 블록(Block)사의 오픈소스 AI 개발 에이전트

출시일: 2026년 3월 · 버전: v1.0+ · 라이선스: Apache 2.0 · 실행 방식: 로컬 실행

2026년 초, 블록(Block)사(구 스퀘어(Square))는 복잡한 개발 작업을 자율적으로 수행할 수 있는 AI 에이전트 구스(Goose) 를 공식적으로 오픈소스로 공개했습니다. 기존의 코드 자동 완성 도구와 달리, 구스는 단순히 코드를 생성하는 것을 넘어서 명령어 실행, 오류 디버깅, 워크플로우 조정은 물론, 프로젝트를 처음부터 완전히 새로 구축하는 작업까지 독립적으로 수행할 수 있습니다.

구스의 핵심 철학은 ‘온머신 AI 에이전트(on-machine AI agent)’ 입니다. 모든 작업이 사용자의 로컬 환경에서 실행되어 코드의 기밀성과 보안을 철저히 보장합니다. 또한, 임의의 LLM 제공업체를 지원하며, 성능과 비용 효율성을 극대화하기 위해 다중 모델 전략을 유연하게 구성할 수 있습니다. 더불어, 외부 도구 및 서비스와의 원활한 연동을 위해 MCP(Model Context Protocol) 프로토콜을 채택하고 있습니다.

Goose를 선택해야 하는 이유?

핵심 기능 비교

기능	Goose	GitHub Copilot	Cursor	Devin
오픈소스 라이선스	✅ Apache 2.0	❌ 폐쇄형	❌ 폐쇄형	❌ 폐쇄형
로컬 실행	✅ 완전한 로컬 실행	❌ 클라우드 기반	⚠️ 하이브리드 방식	❌ 클라우드 기반
자율 실행	✅ 명령어 직접 실행 가능	❌ 제안만 제공	⚠️ 제한적 지원	✅
다중 모델 지원	✅ 임의의 LLM 사용 가능	❌ 고정된 모델	⚠️ 제한적 지원	❌ 고정된 모델
MCP 통합	✅ 네이티브 지원	❌ 미지원	❌ 미지원	❌ 미지원
워크플로우 오케스트레이션	✅ 사용자 정의 오케스트레이션 가능	❌ 미지원	⚠️ 제한적 지원	✅
가격	✅ 무료	$10–19/월	$20/월	$500/월

적용 사례

✅ 추천 사용 사례: - 반복적인 개발 작업을 자동화해야 할 경우
- 코드 개인정보 보호가 중요해 로컬 실행이 필수적인 경우
- LLM 공급자를 유연하게 선택하고자 할 경우
- 복잡한 다단계 워크플로우를 구축해야 할 경우
- 예산이 제한된 개인 개발자 또는 팀일 경우

❌ 적합하지 않은 사례: - 단순한 코드 자동 완성만 필요할 경우
- 명령줄(CLI) 조작에 익숙하지 않을 경우
- 기업 수준의 SLA(서비스 수준 약정) 지원이 필요한 경우

빠른 시작

시스템 요구 사항

• 운영 체제: macOS 12 이상 / Windows 10 이상 / Linux(Ubuntu 20.04 이상)
• 메모리: 최소 8GB, 권장 16GB 이상
• 저장 공간: 최소 2GB 사용 가능 공간
• Python: 3.10 이상
• Node.js: 18 이상(일부 확장 기능에만 선택 사항)

설치 방법

방법 1: pip 사용(권장)

# Goose 설치
pip install goose-ai

# 설치 확인
goose --version

방법 2: 소스 코드에서 설치

# 저장소 클론
git clone https://github.com/block/goose.git
cd goose

# 종속성 설치
pip install -e .

# 데스크톱 애플리케이션 빌드(선택 사항)
npm install && npm run build

방법 3: Homebrew 사용(macOS 전용)

brew install goose-ai

초기 설정

Goose를 처음 실행할 때는 LLM 공급자를 설정해야 합니다:

# 설정 마법사 실행
goose configure

# 또는 수동으로 구성 파일 편집: ~/.config/goose/config.yaml

구성 파일 예시:

providers:
  - name: openai
    api_key: ${OPENAI_API_KEY}
    models:
      - gpt-4o
      - gpt-4-turbo

  - name: anthropic
    api_key: ${ANTHROPIC_API_KEY}
    models:
      - claude-3-5-sonnet
      - claude-3-opus

  - name: ollama
    base_url: http://localhost:11434
    models:
      - qwen3-coder:32b
      - llama3:70b

default_model: claude-3-5-sonnet
workspace: ~/projects

핵심 기능 상세 설명

1. 자율적 작업 실행

Goose의 가장 강력한 기능은 다단계 작업을 자율적으로 완료하는 능력입니다. 예를 들어, 완전한 API 서비스를 생성할 수 있습니다:

# Goose에게 요구 사항을 전달하세요
goose run "사용자 등록, 로그인 및 JWT 인증 기능을 포함하는 FastAPI 프로젝트를 생성하세요"

Goose는 다음을 자동으로 수행합니다: 1. 프로젝트 구조 및 필요한 파일 생성
2. 라우팅, 모델, 인증 로직 작성
3. 종속성 패키지 설치
4. 기능 검증을 위한 테스트 실행
5. API 문서 자동 생성

2. MCP 서버 통합

Goose는 MCP(Model Context Protocol)를 네이티브로 지원하여 다양한 외부 도구와 연동할 수 있습니다:

# 설정 파일에 MCP 서버 추가
mcp_servers:
  - name: filesystem
    command: npx
    args: ["-y", "@modelcontextprotocol/server-filesystem", "~/projects"]

  - name: github
    command: npx
    args: ["-y", "@modelcontextprotocol/server-github"]
    env:
      GITHUB_TOKEN: ${GITHUB_TOKEN}

  - name: postgres
    command: npx
    args: ["-y", "@modelcontextprotocol/server-postgres"]
    env:
      DATABASE_URL: postgresql://localhost:5432/mydb

주요 MCP 서버:

서버	기능	설치 명령어
filesystem	파일 시스템 조작	@modelcontextprotocol/server-filesystem
github	GitHub API 연동	@modelcontextprotocol/server-github
postgres	PostgreSQL 데이터베이스 관리	@modelcontextprotocol/server-postgres
slack	Slack 메시지 전송	@modelcontextprotocol/server-slack
puppeteer	브라우저 자동화	@modelcontextprotocol/server-puppeteer

3. 다중 모델 전략

Goose는 작업 유형에 따라 서로 다른 LLM을 자동으로 선택하여 비용과 성능을 최적화합니다:

routing:
  # 코드 생성에는 고성능 모델 사용
  code_generation:
    model: claude-3-5-sonnet
    max_tokens: 4096

  # 간단한 작업에는 로컬 모델 사용
  simple_tasks:
    model: ollama/qwen3-coder:7b
    max_tokens: 2048

  # 코드 리뷰에는 경제적인 모델 사용
  code_review:
    model: gpt-4o-mini
    max_tokens: 1024

4. 확장 시스템

Goose는 사용자 정의 확장(Extensions)을 지원하여 특정 분야의 기능을 추가할 수 있습니다:

# extensions/my_extension.py
from goose.extensions import Extension

class MyExtension(Extension):
    """사용자 정의 확장 예시"""

    def __init__(self):
        self.name = "my-extension"
        self.version = "1.0.0"

    async def deploy_to_server(self, project_path: str):
        """서버 배포를 위한 사용자 정의 로직"""
        # 실제 배포 로직 구현
        pass

    async def run_tests(self, project_path: str):
        """테스트 실행을 위한 사용자 정의 로직"""
        # 실제 테스트 로직 구현
        pass

실전 사례

사례 1: 자동화된 데이터 마이그레이션

# 마이그레이션 작업 생성
goose run "
  MySQL 데이터베이스의 사용자 데이터를 PostgreSQL로 마이그레이션:
  1. MySQL의 users 테이블 읽기
  2. PostgreSQL에 맞도록 데이터 구조 변환
  3. PostgreSQL 데이터베이스에 기록
  4. 데이터 무결성 검증
  5. 마이그레이션 보고서 생성
"

사례 2: 대량 코드 리팩토링

# 전체 프로젝트의 오류 처리 로직 리팩토링
goose run "
  프로젝트 내 모든 Python 파일의 오류 처리 로직을 리팩토링:
  - try-except 블록을 사용자 정의 예외 클래스로 일관되게 변경
  - 적절한 로깅 추가
  - 모든 API 호출에 재시도 로직 적용
  - 새 예외를 반영하도록 테스트 케이스 업데이트
"

사례 3: API 문서 자동 생성

# 코드에서 완전한 API 문서 자동 생성
goose run "
  프로젝트의 API 라우팅을 분석하여 다음을 생성:
  1. OpenAPI 3.0 사양 파일
  2. Markdown 형식의 사용 설명서
  3. Postman 컬렉션 파일
  4. 상호작용 가능한 API 테스트 페이지
"

모범 사례

1. 보안 구성

# Goose의 권한 범위 제한
security:
  # 허용되는 명령어 화이트리스트
  allowed_commands:
    - git
    - npm
    - pip
    - python
    - docker

  # 접근이 차단된 디렉터리
  blocked_paths:
    - ~/.ssh
    - /etc/passwd
    - /etc/shadow

  # 확인이 필요한 위험 작업
  require_confirmation:
    - rm -rf
    - DROP TABLE
    - DELETE FROM

2. 성능 최적화

# 최적화 구성
performance:
  # 병렬 실행 가능한 작업 수
  max_concurrent_tasks: 4

  # 개별 작업 타임아웃(초)
  task_timeout: 300

  # 캐시 활성화
  cache:
    enabled: true
    ttl_hours: 24

  # 스트리밍 출력 활성화(메모리 사용량 감소)
  streaming: true

3. 로그 및 디버깅

# 상세 로그 활성화
goose run "작업 설명" --verbose

# 실행 기록 조회
goose history --limit 10

# 세션 보고서 내보내기
goose report --format markdown --output session-report.md

자주 묻는 질문(FAQ)

Q1: Goose와 Cursor의 차이점은 무엇인가요?

A: Cursor는 IDE 플러그인으로, 주로 코드 자동 완성 및 채팅 기능을 제공합니다. 반면 Goose는 독립형 AI 에이전트로, 명령어를 자율적으로 실행하고 워크플로우를 조정할 수 있습니다. 두 도구는 상호 보완적으로 사용할 수 있습니다: Goose는 자동화 작업 처리에, Cursor는 대화형 개발 환경 구축에 활용하세요.

Q2: 로컬 모델을 사용할 수 있나요?

A: 물론 가능합니다! Goose는 Ollama, LM Studio 등 로컬 추론 백엔드를 지원합니다. 설정 예시는 다음과 같습니다:

providers:
  - name: ollama
    base_url: http://localhost:11434
    models:
      - qwen3-coder:32b

Q3: 민감한 정보는 어떻게 보호하나요?

A: Goose는 환경 변수 및 암호화된 설정 파일을 통해 민감 정보를 안전하게 관리합니다:

# 환경 변수 사용
export OPENAI_API_KEY="sk-..."
goose run "작업"

# 또는 암호화된 설정 파일 사용
goose config encrypt

Q4: 중국어를 지원하나요?

A: 완벽히 지원합니다! 중국어 최적화 모델(예: Qwen3 Coder, DeepSeek Coder)을 사용하면 최상의 성능을 얻을 수 있습니다.

커뮤니티 및 리소스

• GitHub: https://github.com/block/goose
• 공식 문서: https://block.github.io/goose/
• Discord 커뮤니티: https://discord.gg/goose-oss
• MCP 서버 목록: https://github.com/modelcontextprotocol/servers

요약

Goose는 2026년 AI 개발 도구의 새로운 방향을 제시합니다: ‘보조 코딩’에서 ‘자율 개발’으로의 진화입니다. 로컬 실행, 다중 모델 지원, 그리고 MCP 생태계 통합을 통해 Goose는 개발자에게 강력하고 유연하며 프라이버시를 보호하는 AI 에이전트 플랫폼을 제공합니다.

복잡한 개발 작업 자동화, 코드 프라이버시 보호, 또는 맞춤형 AI 워크플로우 구축이 필요한 팀이라면 Goose는 충분히 고려해볼 가치가 있는 도구입니다. MCP 생태계의 성숙과 커뮤니티 확장에 따라 Goose의 기능 범위는 지속적으로 확대될 것입니다.

---

관련 자료:

• OpenClaw 기술 가이드 전집: AI 어시스턴트가 진정으로 일을 해주는 데 반드시 설치해야 할 17가지 기술
• 2026년 최고의 MCP 서버 평가: AI 에이전트가 실제로 일할 수 있게 해주는 10가지 오픈소스 도구
• 2026년 주요 AI 에이전트 프레임워크 비교: LangGraph vs CrewAI vs AutoGen