Named-Persona Review를 통한 LLM의 확증 편향 제거 및 코드 품질 최적화

Context

Single-Modal LLM이 생성한 코드에 대해 동일한 모델이 리뷰를 수행할 시 발생하는 Mental Model 공유 문제 분석. generic한 역할 부여 방식으로는 단순한 문법 교정 수준의 결과물만 도출되어 실질적인 Logic Bug 식별이 불가능한 한계 존재.

Technical Solution

• 실제 인물의 철학이 반영된 Named-Persona를 지정하여 모델의 사고 체계를 강제로 분리하는 Adversarial Review 구조 설계
• 검색 기반의 실존 철학(Documented Philosophy) 추출 과정을 통해 LLM의 Generic Response 생성 경로를 차단하고 구체적인 평가 기준 확립
• 각 페르소나당 최소 1개 이상의 Issue 발견을 강제하는 제약 조건을 통해 모델의 System 2(분석적 사고) 활성화 유도
• 다수 페르소나의 중복 지적 사항에 대해 Severity를 상향 조정하는 Promotion 로직을 적용하여 중요 결함 식별 정밀도 향상
• Feynman Check 단계를 추가하여 모델의 자아 투영(Projecting)을 방지하고 실제 인물의 관점과 일치하는지 검증하는 피드백 루프 구축