단순 LLM 생성을 넘어선 Feedback Loop 기반 Agentic System으로의 전환

Context

LLM의 단순 Token Prediction 방식은 정밀한 Correctness 보장이 어렵고 시스템 레벨의 일관성 유지에 한계가 있음. 특히 Distributed failures나 Race conditions와 같은 인과관계 추론이 필요한 복잡한 디버깅 문제 해결에 취약한 구조적 제약 존재.

Technical Solution

• LLM을 단일 생성 도구가 아닌 전체 System의 하위 컴포넌트로 정의한 아키텍처 설계
• Tooling Layer(Compiler, Linter, Test)를 결합하여 모델의 출력을 실시간 검증하는 Feedback Loop 구축
• Goal → Plan → Execute → Evaluate → Iterate 단계로 이어지는 Agentic Workflow 도입을 통한 자가 수정 메커니즘 구현
• 단순 Prompt-Output 구조에서 벗어나 에러 로그와 실행 결과를 다시 입력값으로 활용하는 Iteration Engine 적용
• 패턴 매칭 기반의 코드 생성을 시스템적 검증 체계로 보완하여 신뢰성 확보