코어 vs Relevance AI

코어 장단점

• LoCoMo 벤치마크 기준 88.24%의 높은 회상 정확도를 보여주며, 단순 키워드 매칭이 아닌 관계 기반 검색으로 복잡한 질문에도 정확한 맥락을 짚어냅니다. 특히 MCP를 통한 원클릭 연동으로 Claude 사용자들에게 매우 직관적인 경험을 제공하며, 오픈소스 기반의 설계 덕분에 사용자가 자신의 데이터를 직접 제어하고 소유할 수 있다는 점이 보안을 중시하는 전문가들에게 높은 평가를 받습니다.

• 아직 서비스 초기 단계로 연동 가능한 외부 도구의 생태계가 엔터프라이즈 솔루션에 비해 좁은 편이며, MCP나 지식 그래프와 같은 기술적 개념이 익숙하지 않은 일반 사용자에게는 초기 설정 과정이 다소 복잡하게 느껴질 수 있습니다. 또한, 현재 GPT나 Claude 계열 모델에는 최적화되어 있으나 Llama 등 오픈소스 LLM에서는 상대적으로 응답 품질이 떨어진다는 사용자 피드백이 존재합니다.

Relevance AI 장단점

• 비개발자도 쉽게 사용할 수 있는 직관적인 노코드 인터페이스
• GPT, Claude, Gemini 등 다양한 최신 LLM 선택 및 교체 가능
• 400개 이상의 사전 빌드된 에이전트 템플릿 제공
• 강력한 타사 도구 통합 능력 (9,000개 이상)

• 복잡한 멀티 에이전트 시스템 구축 시 가파른 학습 곡선
• 사용량 기반 크레딧 시스템으로 인한 비용 예측의 어려움
• 고급 커스터마이징을 위해서는 일정 수준의 기술적 이해도 필요

코어 주요 기능

• 시계열 지식 그래프 기반 영구 메모리 저장 및 검색
• 단일 MCP 연결로 GitHub·Slack·Gmail·Linear 등 연동
• 자율적 다단계 워크플로우 실행(이슈 생성, 이메일 발송 등)
• 실시간 이벤트 트리거 기반 자동화
• 오픈소스 자가 호스팅 지원 (데이터 직접 제어)
• Claude Code MCP 통합 엔드포인트 제공

Relevance AI 주요 기능

• Visual Workforce Builder — 노코드 캔버스로 멀티 에이전트 시스템 설계
• Multi-agent Orchestration — 에이전트 간 데이터 전달 및 순차 실행
• 자율형 BDR 에이전트 — 영업 리서치·아웃리치 자동화
• Custom API·Python 툴링으로 고급 커스터마이징 지원
• RAG 및 지식 베이스 통합
• Human-in-the-loop 승인 흐름으로 중요 의사결정 사람 개입 보장