Intent to Specs: Agentic Specification Protocol

Context

기존 LLM 에이전트 프로젝트는 비즈니스 의도가 모호해 개발자가 요구사항을 추측하며 작업했고, 제약 조건이 명시되지 않아 scope creep, context poisoning, 부정확한 outcome 정의 등이 발생했다. 전통적인 소프트웨어 개발의 User Story 기반 방식이 LLM 시스템에 직접 적용되지 않아 높은 프로젝트 실패율을 초래했다.

Technical Solution

• Trinity Specification Template(TST) 도입: Context(System Persona, Environment/Tools, Reference Data), Task(Primary Objective, Workflow Steps, Success Criteria), Constraint(Output Format, Negative Guardrails, Handling Uncertainty)의 3개 기둥으로 요구사항을 구조화
• Contextual Engineering 단계 추가: Domain Mapping, Knowledge Retrieval(RAG) Definition, Persona Calibration을 통해 에이전트의 지식 범위와 권한 수준을 명시적으로 정의
• Task Decomposition 단계 정의: 광범위한 비즈니스 작업을 Atomic Cognitive Tasks로 분해하고 Chain of Thought(CoT) 추론 경로와 정확한 Input/Output Schemas 명시
• Constraint Guardrailing 프레임워크 적용: Negative Constraints(할 수 없는 작업 명시), Operational Latitudes(hallucination tolerance 정의)를 Hard Barriers와 Soft Guidelines로 분류
• Prompt Templating 자동화: BA 제공 사양을 System Message로 경직시켜 세션 간 에이전트 행동 불변성 보장하고, 다중 에이전트 시스템에서 한 에이전트의 Task를 다음 에이전트의 Context로 매핑

Key Takeaway

LLM 프로젝트의 성패는 Python 코드 품질이 아닌 비즈니스 의도의 명확성에서 결정되므로, 개발 전 BA 단계에서 Trinity Framework으로 인지적 의도와 제약조건을 80% 완성하면 개발자는 토큰 최적화, 모델 선택, 통합 작업에만 20% 시간을 할애할 수 있다.