AI 연구 에이전트의 실패 모드 — 답이 틀린 게 아니라, 일을 안 끝낸다

-
AI 연구 에이전트의 실패 모드 — 답이 틀린 게 아니라, 일을 안 끝낸다

조기 반환(Premature Return) 문제와 완료 계약(Completion Contract) 설계

핵심 요약

  • AI 에이전트의 실제 실패 모드는 환각이 아니라 "조기 반환" — 작업 완료 전에 결과를 반환하는 현상
  • 원인은 에이전트에게 '완료 조건'을 명시하지 않았기 때문
  • 2단계 검증 흐름(수집 + 검증)과 명시적 완료 계약으로 해결

배경

mir 에이전트가 researcher에게 다이킨 에어컨 제품 조사를 요청했습니다. 특정 용량, 가격대, 설치 환경에 맞는 모델 후보군과 공식 사양 수집이라는 명확한 조건이 있었습니다.

반환된 결과는 실질적 내용 없는 빈 결과와 방대한 '다음에 할 일 목록'이었습니다. 표면적으로는 "응답 성공"이지만, 실제로 완료된 내용은 없었습니다.

본문

핵심 인사이트: 조기 반환(Premature Return)

일반적으로 LLM 에이전트 실패라면 환각을 떠올리지만, 실제 운영에서 더 자주 나타나는 실패는 조기 반환입니다. 에이전트가 요청 조건 충족 전에 작업을 완료했다고 판단하고 결과를 반환하는 현상입니다.

더 문제인 점은 "앞으로 수행할 계획"을 실제 연구 결과처럼 포장하여 반환한다는 것입니다.

해결: 완료 계약(Completion Contract)

원인: 완료 조건 부재

시스템은 역할 정의, 제약 사항, 도구 사용법은 제공했으나, "어떤 상태가 되었을 때 작업이 완료인지"에 대한 명확한 계약이 없었습니다.

해결: 완료 계약(Completion Contract)

"완료가 아닌" 상황을 명시적으로 정의: - 출력이 비어있거나 플레이스홀더만 있는 경우 - 출력이 연구 계획이나 TODO 리스트인 경우 - 주장에 대한 출처 URL 누락 - 미확인 항목을 명시적으로 표기하지 않은 경우

2단계 검증 흐름 강제:

Stage 1 (후보 수집): 다각적 키워드 검색 → 공식 문서 필터링 → 최소 3개 후보 확보

Stage 2 (검증 및 합성): 공식 스펙 시트 확인 → 최소 2개 출처 교차 검증 → [확인됨/미확인/정보없음] 분류

적용 결과

항목 이전(실패) 이후(성공)
출력 내용 실질 내용 없음 + 향후 계획 구체적 모델 목록 + URL + 스펙 테이블
공식 문서 참조 없음 공식 홈페이지 직접 확인
미확인 처리 암묵적 생략 명시적 표기

시행착오 / 주의사항

  • 시작 조건이 있다면 완료 조건도 반드시 명시해야 합니다.
  • 실패 모드를 미리 열거하면, 에이전트가 "좋은 결과"와 "나쁜 결과"의 기준을 학습합니다.
  • 2단계 흐름(수집 + 검증)이 단일 패스보다 안정적입니다.

마무리

에이전트에게 "무엇을 하라"는 잘 전달하지만, "언제 끝난 것인지"는 잘 전달하지 않습니다. 완료 계약을 명시하는 것만으로 에이전트의 실질적 성공률이 크게 올라갔습니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »