📕 이 사이트를 굴린 428커밋의 기록이 상품이 됐습니다 — 전자책·스타터 키트 보기 →
agenwiki

AI 연구

LLM 워크플로를 지식 객체로 만드는 의미적 영속성 모델

도구 호출·분기·승인 같은 LLM 워크플로 실행 과정을 로그가 아니라 조회·재개·검토가 가능한 지식 객체로 다루는 개념 모델을 정리한다.

이 논문은 도구 호출·분기·승인 같은 LLM 워크플로 실행 과정을 단순 로그가 아니라 조회·재개·검토가 가능한 지식 객체로 다루자고 제안한다. 워크플로 정의·인스턴스·추론 기록·컨텍스트 스냅샷·의존 관계를 공유 지식 기반 위의 영속적 객체로 표현하고, 결정론적 계산인 derive와 LLM 판단이 개입하는 infer를 구분한다. 저자들은 이를 의미적 영속성에 대한 초기 개념 정리로 제시한다.

대규모 언어모델을 활용한 애플리케이션은 도구 호출, 검색, 분기, 체크포인트, 사람 승인 같은 단계를 명시적인 워크플로 형태로 엮어 쓰는 경우가 늘고 있다. 이런 실행 관련 관심사는 기존 워크플로 시스템들이 이미 상당 부분 다뤄 왔다. 이 논문은 거기서 한 걸음 더 나아가, 워크플로 자체를 다시 들여다보고 이어서 실행하고 감사할 수 있는 대상으로 삼자고 제안한다.

여기서 말하는 도구 호출은 LLM이 외부 함수나 서비스를 불러 쓰는 행위를 가리킨다. 이런 연동을 표준화하려는 시도로는 MCP 같은 개방형 프로토콜도 있는데, 이 논문이 다루는 주제는 도구 호출 자체의 표준화가 아니라 그 호출을 포함한 워크플로 전체의 실행 기록을 어떻게 다룰지에 가깝다.

개념 모델은 무엇을 위한 렌즈인가?

저자들은 Lisp에서 영감을 받되 특정 언어에 묶이지 않는 개념 모델을 제시한다. 여기서 심볼 형식, 객체 동일성, 살아 있는 이미지(live-image)라는 발상은 구현을 규정하는 약속이 아니라 현상을 이해하기 위한 설명적 도구로만 쓰인다.

이 모델에서는 여러 요소가 공유된 지식 기반 위의 영속적인 지식 객체로 표현된다.

  • 워크플로 정의
  • 워크플로 인스턴스
  • 추론 기록
  • 컨텍스트 스냅샷
  • 의존 관계

즉 각 실행이 남기는 상태와 맥락이 별도의 로그가 아니라, 그 자체로 구조화된 객체가 된다. 여기서 컨텍스트 스냅샷은 특정 시점에 모델이 참조하고 있던 정보, 즉 컨텍스트 윈도우에 담긴 내용을 붙잡아 둔 기록에 가깝다. 이런 스냅샷을 남겨 두면, 나중에 왜 그런 판단이 나왔는지를 그 시점의 맥락까지 되짚어볼 수 있다는 이점이 있다.

derive와 infer는 어떻게 다른가?

이 모델의 핵심 의미 구분은 두 가지 연산 사이에 있다.

  • derive: 이미 확보된 상태를 바탕으로 하는 결정론적 계산이다. 같은 입력이면 같은 결과가 나온다.
  • infer: 선언된 컨텍스트와 실행자가 통제하는 역량 정책 아래에서 LLM의 판단이 개입하는 과정이다.

이렇게 계산과 판단을 명확히 나눔으로써, 어느 단계가 재현 가능한 계산이고 어느 단계가 모델의 매개된 결정인지 추적할 수 있게 된다.

의미적 영속성은 무엇을 주나?

결과적으로 이 논문이 내놓는 것은 의미적 영속성(semantic persistence)에 대한 초기 개념적 정리다. 워크플로는 지식을 만들어 내고 흔적만 남기는 데 그치지 않고, 그 자체를 조회하고 재개하며 검토할 수 있는 지식 객체로 표현될 수 있다는 것이다. 다만 저자들도 밝히듯, 상태 전이에 대한 형식적 의미론을 엄밀하게 정의하는 일은 아직 이후 과제로 남아 있다.

실무자는 무엇을 참고할 수 있나?

LLM 기반 워크플로나 에이전트 파이프라인을 운영하는 실무자에게 이 개념 모델은 "실행 기록을 어떻게 남길 것인가"를 다시 생각해볼 계기를 준다. 단순 텍스트 로그는 나중에 특정 실행이 왜 그런 경로를 탔는지 재구성하기 어렵지만, 워크플로 정의·추론 기록·컨텍스트 스냅샷을 구조화된 객체로 남겨 두면 문제가 생겼을 때 그 시점의 판단 근거를 추적하기가 한결 쉬워진다. 다만 이 논문 자체가 아직 개념 정리 단계임을 밝히고 있는 만큼, 실제 시스템에 이런 모델을 도입하려면 구체적인 상태 전이 규칙과 저장 방식을 스스로 설계해야 한다는 점은 감안해야 한다.

자주 묻는 질문

  • Q. derive와 infer의 차이는?
    • A. derive는 이미 확보된 상태를 바탕으로 하는 결정론적 계산으로 같은 입력이면 같은 결과가 나온다. infer는 선언된 컨텍스트와 실행자가 통제하는 역량 정책 아래 LLM의 판단이 개입하는 과정이다.
  • Q. 어떤 요소를 지식 객체로 다루나?
    • A. 워크플로 정의, 워크플로 인스턴스, 추론 기록, 컨텍스트 스냅샷, 의존 관계를 공유 지식 기반 위의 영속적 지식 객체로 표현한다.
  • Q. 바로 구현할 수 있는 모델인가?
    • A. 아직 개념 정리 단계다. 상태 전이에 대한 형식적 의미론을 엄밀하게 정의하는 일은 이후 과제로 남아 있다.

함께 보면 좋은 글

출처: arXiv:2607.08740v1 https://arxiv.org/abs/2607.08740v1

관련 글