Deterministic Core와 AI Simulation 분리를 통한 고효율 AI 에이전트 가독성 분석 설계

Can retrieval agents like ChatGPT and Perplexity read your website? Agentis Lux sees what they see.

L. Cordero2026년 6월 28일8분intermediate

AI 요약

Context

Retrieval Agent가 웹사이트의 JS 렌더링 없이 raw HTML만으로 정보를 파악하는 '두 번째 관객' 현상 발생. 기존 분석 도구들이 단순 가시성 확인에 그치거나 고비용의 LLM 기반 분석에 의존하여 확장성과 신뢰성 확보에 한계 노출.

Deterministic Core 설계를 통한 신뢰도 확보: 6개 항목의 정밀 패턴 매칭 기반 스코어링 시스템을 구축하여 동일 입력에 대해 항상 동일한 점수를 보장하는 구조 설계
AI 역할의 엄격한 제한(Fencing): Bedrock LLM을 정량적 수치 계산이 아닌, 결과값의 자연어 요약 및 에이전트 경험 시뮬레이션이라는 특정 영역에만 국한하여 배치
데이터 검증 루프 구현: AI 시뮬레이션 결과가 Deterministic Core의 수학적 결과값과 일치하는지 필터링하여 LLM의 Hallucination을 원천 차단하는 검증 레이어 도입
Access Pattern 기반 DynamoDB 최적화: Single Key Lookup 특성에 맞춰 5개의 전용 테이블로 분리하고, ScanCache(15분 TTL)와 ScanResults(24시간 TTL)를 통해 Bedrock 토큰 비용 최적화
Fail-soft 비동기 쓰기 전략: 스캔 결과 반환을 최우선으로 하고 DB 저장은 비동기로 처리하여 쓰기 실패가 사용자 경험에 영향을 주지 않는 구조 설계

실천 포인트

1. LLM 도입 시 수치 계산이나 논리 판별은 정규식/패턴 매칭으로 분리했는지 검토

2. AI 생성 결과물이 기존의 결정론적 데이터와 일치하는지 검증하는 필터링 레이어 설계

3. 데이터 액세스 패턴이 단순 Key-Value 형태일 경우, RDBMS보다 TTL 설정이 가능한 NoSQL(DynamoDB 등) 검토

4. 부가적인 데이터 저장 로직이 메인 비즈니스 로직(응답 속도)의 병목이 되지 않도록 비동기 처리 적용

태그