LLM 중심의 Loadout 패턴을 통한 실행-결정 분리 및 모델 Agnostic 아키텍처 구현

Context

기존 LLM 통합 방식은 코드 내부의 컴포넌트로 모델을 호출하는 구조로, 휴먼 트리거 기반의 단순 응답에 최적화됨. 특히 prompt 내에 비즈니스 미션과 인프라 제어 로직(curl, DB 쿼리 등)이 혼재되어 유지보수 비용이 증가하고 모델 교체 시 유연성이 저하되는 한계 존재.

Technical Solution

• 결정 권한의 전이: 고정된 시퀀스 실행 방식에서 LLM이 각 단계의 도구 선택과 실행 여부를 판단하는 Autonomous Brain 구조로 전환
• Toolbox와 Loadout의 분리: 전체 가용 도구 집합(Toolbox)과 특정 미션 수행을 위해 큐레이션된 최소 도구 집합(Loadout)을 구분하여 모델의 컨텍스트 부하 감소
• Interface-Implementation 분리: 도구의 구체적인 구현체(mechanics)를 캡슐화하고 LLM에는 이름 기반의 Capability만 노출하는 추상화 계층 설계
• Self-Describing 도구 체계: 각 도구에 --describe 기능을 추가하여 LLM이 런타임에 자신의 능력을 스스로 파악하고 조합하는 동적 로딩 구조 채택
• Boundary Log 도입: 실행 결과뿐만 아니라 어떤 도구가 호출되었는지 인터페이스 단위로 기록하여 사이드 이펙트 기반이 아닌 명시적 실행 경로 추적 가능