연결이 능력을 만든다
초파리 뇌 커넥툼은 신경 연결을 보여준다. 에이전트에서는 이를 입력 신호·판단 모듈·행동 도구가 연결된 그래프로 해석한다. 어느 모델을 쓰는가와 함께, 어떤 경로로 정보가 흐르는가를 설계한다. [1]
Biology-inspired adaptive agent
행동을 배우고,
구조를 진화시킨다.
새로운 문제는 깊게 생각하고, 익숙한 문제는 짧게 처리한다. 지식과 스킬은 전문 영역에 모으고, 필요한 상황에서 필요한 연결만 연다. 행동과 연결 구조가 함께 적응하는 에이전트, REFLEX v2.
네 계층 · 지식과 스킬의 격리 · 구조 진화
THE ADAPTIVE STACK입력 → 행동
L3
숙고 · 고성능 모델문제 정의 / 새로운 전략
L2
숙련 · 경량 모델문맥 해석 / 정해진 절차 적용
L1
결정 · Jev식 정책정해진 상태에서 제한된 선택
L0
실행 · 스크립트명시된 조건에 따라 바로 반응
↓ 검증된 경험을 경로로 전환↑ 낯선 상황·실패 시 복귀
설계 원리
무엇을 어떻게 판단하는가는 학습으로, 누가 무엇과 연결되는가는 구조 진화로 다듬는다.
01From biology to design
지능을 시스템 전체의 적응으로 본다
이 프로젝트에서 지능은 환경의 신호를 받아, 목표에 맞게 행동하고, 결과에 따라 다음 행동을 바꾸는 능력이다. 사고하는 모델뿐 아니라 연결 구조, 짧은 반응 경로, 국소적인 조절 장치까지 설계 대상이 된다.
반복이 절차를 만든다
반복해서 성공한 행동은 점점 짧은 절차로 처리할 수 있다. 에이전트도 익숙한 판단을 재사용 가능한 정책으로 바꾼다. 처음부터 준비된 기본 경로와 경험으로 익힌 경로가 함께 작동한다. [2]
작은 단위도 적응한다
단세포 생물 Stentor에서 반복 자극에 대한 습관화가 관찰됐다. 에이전트에서는 재시도 간격·혼잡 조절·중복 억제 같은 국소 제어에 대응시킨다. 의미 판단과 다른 시간척도로 움직인다. [3]
행동과 구조가 함께 적응한다. 반복 학습은 판단 경로를 짧게 만들고, 구조 진화는 지식의 경계와 모듈 사이의 연결을 바꾼다. 국소 제어는 부하와 오류에 맞춰 반응 속도와 처리량을 조절한다.
02Four levels, one organism
계층을 내릴수록 선택의 폭이 줄어든다
네 계층은 추론 자유도와 적용 범위로 나눈다. 고성능 모델도 실수할 수 있고, 좁은 문제에서는 스크립트가 더 확실하다. 작업 전체뿐 아니라 개별 판단 단계마다 계층을 선택한다.
| 계층 | 맡는 판단 | 출력 / 상위 복귀 조건 |
|---|---|---|
| L3숙고 계층고성능 범용 모델 | 목표가 모호하거나 기존 정책이 없는 상황. 문제를 분해하고 도구·검증 방법·새로운 전략을 제안한다. | 계획 + 행동 제안 + 검증 조건정보 부족이나 권한 부족은 질문·보류로 처리한다. 높은 성능도 성공의 증거를 대신하지 않는다. |
| L2숙련 계층경량 언어 모델 | 익숙한 작업에서 표현 차이와 문맥을 해석한다. 검색된 절차에 인자를 채우거나 알려진 예외를 처리한다. | 구조화된 인자 + 절차 선택필수 값 누락, 의미 충돌, 검증 실패이면 L3로 넘긴다. 초기에는 예시·검색을 쓰고 필요할 때만 파인튜닝한다. |
| L1결정 계층Jev식 제한된 정책 | 상태와 선택지가 정해진 문제. 예: 계속 진행·재시도·상위 이관·중단 중 하나를 고른다. 자유로운 계획 생성은 하지 않는다. | 선택값 + 이유 코드 + 적용 근거규칙·트리·분류기 또는 작은 모델로 구현할 수 있다. 확률적 구현이면 거절·검증 장치가 필요하다. |
| L0실행 계층스크립트 / 국소 제어 | 입력과 분기가 완전히 정형화된 작업. 검증·해시 비교·규칙 기반 파일 분류·제한된 재시도 등을 수행한다. | 실행 결과 + 관측 로그계약에 없는 입력은 추측하지 않고 반환한다. 대기시간 등의 조절은 지정된 범위 안에서만 허용한다. |
Jev식 결정. 현재 상태, 가능한 행동, 각 행동의 조건을 입력받아 하나의 선택과 이유 코드를 반환한다. 예를 들어 일시적인 도구 오류에는 ‘재시도’, 정보 누락에는 ‘상위 이관’, 예산 초과에는 ‘중단’을 고른다.
03Structure directs intelligence
연결 구조가 판단의 방향을 만든다
어떤 지식을 볼 수 있고, 누구에게 물을 수 있으며, 어떤 도구에 도달할 수 있는지가 판단의 범위를 정한다. 전문 영역 내부의 풍부한 연결과 영역 사이의 조건부 연결을 함께 설계한다.
역할에 맞는 묶음
초파리 다리·날개 운동 회로는 기능이 관련된 근육을 제어하는 모듈로 묶인다. 두 운동계의 세부 연결 방식은 서로 다르다. REFLEX는 문서·이미지·일정 같은 작업 기능별 모듈에 지식과 스킬을 모은다. [6]
묶음 사이의 통합 경로
초파리 뇌에는 희소한 연결과 함께 정보를 통합·전파할 수 있는 허브 및 여러 연결 경로가 있다. REFLEX는 복합 목표를 위해 중개 모듈과 예외 복귀 경로를 보존한다. 연결의 가치는 비용과 기여로 평가한다. [7]
도메인별 독립 영역공유되는 것은 계약과 결과
분류 지식 · 문서 스킬
L3 / L2 / L1 / L0판독 지식 · OCR 스킬
L3 / L2 / L1 / L0시간 지식 · 일정 스킬
L3 / L2 / L1 / L0↓ 작업 조건과 메시지 계약에 맞는 연결만 열림 ↓
중개기 · 목표의 분해와 재결합영수증 이미지 → 금액 추출 → 문서 분류
↓ 독립적인 결과 검증 ↓
공통 실행기 · 권한 · 관측 결과 · 경험 원장
격리는 세 단계로 구체화한다
볼 수 있는 지식
검색 색인·메모리·자료 저장소를 영역별로 분리한다. 다른 영역의 자료는 중개기를 통해 필요한 필드만 요청한다. 전체 대화 이력을 기본 공유하지 않는다. 공통 라우터는 역할·계약의 목록을 보고 필요한 영역을 찾는다.
호출 가능한 스킬
스킬마다 입력·출력 형식, 발동 조건, 의존성, 도구 권한을 명시한다. 연결은 메시지 스키마와 허용된 효과를 만족할 때만 작동한다.
독립된 작업 주체
목표·메모리·예산·수명주기가 다른 영역은 서브에이전트로 분리한다. 협업이 짧으면 함수·스킬 모듈로 유지해 조율 비용을 줄인다.
한 모듈 안에 네 계층이 모두 들어갈 수 있다. 문서 모듈은 처음 보는 서식에서 L3를, 표준 영수증에서 L0를 쓴다. 계층은 판단 방식이고, 모듈은 지식과 역할의 경계다. 저장소·검색 필터·호출 중개기가 그 경계를 실제로 집행한다.
04Input · judgment · output · learning
실행은 짧게, 학습은 별도의 루프로
행동 루프는 현재 요청을 해결하고, 학습 루프는 다음 요청의 경로를 개선한다. 새로운 스킬을 만드는 느린 과정이 일상 실행을 매번 막지 않도록 분리한다.
1 / INPUT
신호를 정규화
요청·현재 상태·목표·권한·환경 버전을 구조화하고 작업 영역을 식별한다. 원본의 출처와 신뢰 경계도 함께 보존한다.
2 / JUDGMENT
적합한 경로 선택
활성 모듈과 허용 연결을 고른 뒤, 모듈 내부의 검증된 스킬을 찾는다. 적용 경로가 없으면 상위 판단이나 중개기로 이관한다.
3 / OUTPUT
행동과 결과 검증
권한을 확인한 실행기가 도구를 호출한다. 관측된 결과를 성공 조건과 대조하고 실패를 기록한다.
4 / LEARNING
경험을 경로로 전환
반복 사례와 실패를 묶고 더 작은 후보를 만든다. 독립 검증 후 스킬의 새 버전을 등록한다.
학습 루프의 검증 결과 → 다음 입력의 라우팅에 반영 · 실행 중 정책을 즉석에서 바꾸지 않음
공통 라우터
빠른 색인 검색과 계약 검사로 시작한다. 모델이 필요할 때만 호출하며, 라우터의 비용과 오판도 측정한다.
공통 실행기
모든 계층이 동일한 권한·예산·도구 계약을 사용한다. 계획과 실제 외부 효과를 구분한다.
공통 경험 저장소
입력·구조 버전·모듈·판단 버전·메시지 경로·실제 행동·관측 결과·수정 피드백을 연결한다. 모델의 자기평가를 성공 라벨로 쓰지 않는다.
예: 처음 보는 문서를 L3가 해석하더라도 파일 해시 계산·형식 검증·승인된 복사는 L0가 수행할 수 있다. 각 모듈의 연결과 의존성은 스킬 그래프로 표현한다.
05Two experiments, visible consequences
같은 입력, 다른 판단과 연결
두 실험은 문서를 분류하는 에이전트를 다룬다. 첫 실험은 경험에 따라 판단 계층이 바뀌는지, 두 번째는 연결 구조에 따라 복합 작업을 해결할 수 있는지 보여준다.
A / 행동 학습
즉시 반영경험이 늘면 판단은 짧아진다
① 경험 단계를 누른다 → ② 입력 조건을 바꾼다 → ③ 샘플을 실행해 출력과 기록을 확인한다.
현재 설정L3 · 숙고
입력 영수증 / 12,000원판단 비용 100
실행 결과가 아래에 누적됩니다.
실행 대기
현재 설정으로 영수증을 분류하면 어떤 경로와 결과가 생기는지 확인하세요.
성공 사례 30·120·300건과 비용 100·35·12·4는 단계 비교용 설정이다. 실제 전환은 적용 범위와 독립 검증 결과로 결정한다. 이 화면은 브라우저 내 예시 데이터를 처리한다.
B / 구조 진화
후보 비교연결을 줄이면 무엇이 달라질까?
① 작업을 고른다 → ② 구조를 바꿔 결과를 비교한다 → ③ 환경별 평가를 실행해 채택될 구조를 확인한다.
● 활성 모듈━ 열린 연결┄ 비활성 연결
현재 구조
실제 경로 불필요하게 공유된 영역
세 구조에 같은 평가 입력을 넣고, 모두 통과한 후보 중 연결·공유 비용이 낮은 구조를 선택합니다.
이 실험에서 계산하는 것
문서·이미지·일정 모듈의 3개 단일 작업과 이미지→문서가 필요한 복합 작업을 고정된 정답과 비교한다. 공유 비용은 작업에 불필요한 활성 영역 수의 합, 연결 수는 저장된 모듈 간 연결의 수다. 세 후보를 모두 재평가하며 통과율 100%를 만족하는 후보 중 두 값의 합이 가장 작은 구조를 채택한다. 공통 실행·검증 경로는 모든 후보에 유지한다. 실제 모델의 추론 성능·토큰 비용을 예측하는 수치는 아니다.
06Experience → reusable skill
성공 기록을 ‘실행 가능한 기억’으로
학습 단위는 전체 에이전트가 아니라 조건이 정의된 작은 스킬이다. 경로의 전환은 배포 상태를 바꾸는 일이다. 모델 가중치의 재학습은 여러 선택지 중 하나다.
관측하고 검증한다
입력, 환경, 선택한 계층, 행동, 실제 결과, 실패, 사용자 수정을 에피소드로 저장한다. 성공은 파일의 위치·내용 해시·독립 라벨처럼 관측 가능한 기준으로 판정한다.
상태: 기록됨 · 실패 사례도 남겨 성공 편향을 줄인다.
반복의 공통 조건을 찾는다
유사한 입력과 행동을 묶어 무엇이 고정되고 무엇이 변하는지 분리한다. 입력 표면이 비슷해도 목표·권한·환경이 다르면 별도의 작업군으로 다룬다.
상태: 후보 · 예외와 반례를 함께 포함한다.
더 좁은 표현으로 바꾼다
L3의 절차를 L2용 예시·템플릿으로, L2의 반복 선택을 L1 정책으로, 고정된 분기를 L0 코드로 표현한다. 상위 모델의 설명을 그대로 실행하지 않고 입력·출력 계약을 작성한다.
전환은 선택적이다. 명확한 알고리즘이 있으면 L3 → L0로 건너뛸 수 있다. 자유로운 문맥 판단은 L2에 남을 수 있다.
독립 평가와 그림자 실행을 거친다
학습에 쓰지 않은 시간대·작업군의 데이터와 반례를 평가한다. 기존 결과를 재생한 뒤, 실제 입력에서 후보 결과만 비교하는 그림자 실행을 한다. 생성한 모델과 별개의 검증기가 평가한다.
상태: 검증 중 · 상위 모델과의 일치율은 보조 지표다. 실제 정답·행동 결과가 우선이다.
범위를 제한해 적용하고 복귀를 준비한다
작은 비율의 허용된 작업에서 시작해 품질과 비용을 본다. 버전을 고정하고 표본 감사를 유지한다. 계약 위반·품질 하락·환경 변경은 스킬을 격리하고 기존 버전 또는 상위 계층으로 돌린다.
상태: 제한 적용 → 활성 → 격리 / 재검증 · 처음부터 제공되는 검증된 기본 스킬도 공존한다.
A skill is more than a prompt / 스킬의 최소 계약
identity / provenance
이름·버전·책임자·원본 경험 ID·생성 및 검증 이력
trigger / applicability
발동 신호·허용 입력·작업군·환경 버전·유효 기간
policy / action schema
담당 계층·가능한 선택·인자 형식·도구 계약
verification / evidence
사후 조건·독립 평가 세트·반례·품질 하한·검증기 버전
authority / budget
허용 효과·승인 경계·비용과 시간 상한·멱등성 조건
fallback / lifecycle
거절 조건·상위 이관·재시도 한도·롤백 대상·현재 상태
L3 → L2에서는 지식 증류로 큰 모델의 동작을 작은 모델에 전달할 수 있다. L1에서는 상태와 선택을 정책으로 표현하고, L0에서는 고정된 절차를 실행 코드로 만든다. [4]
07Variation · selection · inheritance
경험은 행동을 바꾸고,
환경은 구조를 선별한다
스킬을 잘 쓰도록 다듬는 것은 학습이다. 모듈의 경계와 연결을 바꾼 여러 후보를 만들고, 환경에서 검증해 다음 구조로 이어가는 과정은 구조 진화다. 구조가 바뀌면 이후에 배울 수 있는 행동의 범위도 바뀐다.
활성화
현재 작업에 맞는 모듈·연결을 선택한다. 등록된 구조 안에서 움직인다.
학습
모듈 내부의 지식·스킬·정책을 개선하고 판단 계층을 낮춘다.
구조 진화
경계·연결·역할을 변형한 후보를 선별하고 새 구조 버전을 남긴다.
연결별 기여와 간섭을 관측한다
어떤 정보가 쓰였는지, 어느 연결이 성공에 기여했는지, 무관한 지식이 판단에 끼어들었는지 기록한다. 같은 입력에서 연결을 제거·복원하는 비교 실험으로 기여를 확인한다. 단순 호출 빈도만으로 삭제하지 않는다.
구조 후보를 변형한다
이질적인 스킬 묶음을 분리하고, 중복 모듈을 합치고, 지식 접근 범위를 좁힌다. 연결의 추가·제거·발동 조건 변경, 전문 서브에이전트의 분화·재조합을 후보로 만든다. 부모 구조·변경 이유·영향 범위를 함께 저장한다. L3 구조 설계자가 후보를 제안하고 별도의 평가자가 검증한다.
통과한 계보를 다음 구조로 이어간다
작업군별 품질 하한과 권한 계약을 통과한 후보만 비교한다. 비용·지연·간섭·유지 부담에서 장점이 다른 후보들을 보관한다. 작은 범위에 적용한 뒤 감사하고, 문제가 생기면 스킬 버전과 구조 버전을 함께 복귀시킨다.
선별 순서: 작업군별 품질·권한 조건 통과 → 총비용과 적응력 비교
총비용 = 추론 + 라우팅 + 통신 + 검증 + 복구 + 구조 탐색·유지 비용의 배분다음 세대에 남기는 것
모듈 목록, 지식 범위, 스킬·서브에이전트 역할, 메시지 스키마, 연결 조건, 복귀 경로, 평가 근거, 부모 버전. 모델 가중치를 바꾸지 않고도 이런 구조를 진화시킬 수 있다.
상황별로 다른 구조를 유지
독립 업무에 적합한 구조와 복합 업무에 적합한 구조를 함께 보관한다. 작업군과 환경에 맞는 검증된 구조를 선택하고, 실행 중에는 버전을 고정한다. 희귀 작업과 변화에 대응할 여지를 남긴다.
삭제도, 연결도 근거가 필요하다. 거의 쓰이지 않아도 복구에 필수인 경로를 보존한다. 연결을 추가해도 도구 권한이 자동으로 늘어나지 않는다. 검증기가 정답과 결과를 확인할 수 있는 관측 경로는 모든 구조에 유지한다.
에이전트를 최적화 가능한 그래프로 표현한 GPTSwarm, 통신 연결을 가지치기한 AgentPrune, 후보 에이전트 설계를 평가·축적한 ADAS를 구조 탐색의 구현 연결점으로 삼는다. [10] [11] [12]
08A single task, growing expertise
“이 문서들을 알맞게 정리해줘”
처음에는 분류 기준부터 해석해야 한다. 다음에는 문서의 의미만 해석하면 된다. 표준 입력이 자리 잡으면 제한된 결정으로, 고정 규칙이 확정되면 코드로 처리할 수 있다.
기준을 발견
문서 샘플에서 분류 기준을 제안한다. 모호한 경우 사용자가 정답을 확정한다. 검증 가능한 파일 복사 계획을 만든다.
새 기준 → 계획의미를 해석
저장된 예시로 다양한 제목과 본문을 분류한다. 필수 정보가 없거나 두 폴더가 경쟁하면 상위 판단을 요청한다.
문맥 → 구조화된 인자제한된 선택
문서 유형·발행처·분류 코드로 허용 폴더를 고른다. 알 수 없는 코드에는 ‘상위 이관’을 반환한다.
상태 → 고정된 선택지규칙을 실행
명확한 매핑 테이블로 경로를 결정한다. 파일 해시·중복·복사 결과를 검증하고 원본을 보존한다.
조건 → 검증된 실행익숙한 서식은 바로 처리
발행처 A의 정형 문서가 검증된 매핑과 일치하면 L0로 간다. 문서 B는 의미 해석이 필요하므로 L2를 쓴다. 에이전트 전체를 하나의 계층으로 고정하지 않는다.
작은 조절은 늘 함께 작동
동일 이벤트 중복 억제, 제한된 지수 백오프, 큐 혼잡 시 처리율 조절은 L0에서 계속 동작한다. 조절 범위와 중단 조건은 미리 정하며, 의미 판단 정책을 바꾸지 않는다.
‘생각을 생략한다’의 정확한 의미. 이미 명시된 조건에서는 추론을 생략하되 입력 계약·권한·결과 검사는 수행한다. 익숙한 반응에도 관측과 중단 능력이 남는다.
09Applicability before confidence
빠른 경로에는 복귀 조건이 필요하다
‘자신 있다’는 말로 자동화를 허용하지 않는다. 적용 범위와 독립 검증 근거를 확인하고, 애매하면 거절하거나 상위 계층으로 이관한다.
품질 제약을 만족하는 경로 중 총비용이 가장 작은 것을 선택한다.
총비용 = 판단 + 라우팅 + 실행 + 감사 + 학습비용 상각 + 실패의 기대 손실선택 조건 = 입력 계약 충족 ∧ 권한 충족 ∧ 평가된 오류 위험 ≤ 작업별 허용치 ∧ 예산 충족낯선 입력을 익숙한 것으로 착각하면?
필수 필드·스키마·환경 버전을 먼저 검사한다. 의미 유사도 하나만으로 발동하지 않는다. 확률적 분류기는 독립 데이터에서 보정된 점수와 거절 임계값을 쓰고, 경계 사례와 실제 실패율을 지속적으로 확인한다. 드문 작업군은 별도 성능을 본다.
몇 번 성공하면 코드로 내려도 될까?
보편적인 횟수는 없다. 성공 사례의 다양성, 반례 커버리지, 오류율의 신뢰구간, 실패 영향과 예상 재사용량으로 결정한다. 드물거나 고위험인 작업은 끝까지 상위 계층에 남을 수 있다. 단순 반복 횟수를 안정성의 증거로 쓰지 않는다.
잘못된 습관이 굳어지면?
표본 감사·환경 지문·계약 위반 신호로 변화를 탐지한다. 실패 스킬을 격리하고 관련 스킬의 의존성을 확인한다. 관측 오류와 판단 오류, 도구 오류를 구분해 수정하며, 이전 버전을 보존한 채 재검증한다.
계속 상위 모델로 올려도 해결되지 않으면?
에피소드당 호출·시간·재시도 예산을 둔다. 같은 실패의 반복은 자동 중단한다. 정보나 권한이 없으면 사용자에게 필요한 부분만 요청한다. 상위 계층도 실패할 수 있으므로 ‘가장 큰 모델까지 갔음’을 완료 판정으로 쓰지 않는다.
입력 문서가 에이전트를 속이려 하면?
문서의 내용은 데이터로 처리하고, 그 안의 지시로 도구 권한·정책·정답 라벨을 바꾸지 않는다. 학습 후보는 격리된 환경에서 검증한다. 외부 행동을 유발하는 후보는 실행 전에 공통 권한 검사를 통과해야 한다.
숙련도와 실행 권한은 독립적이다. 전송·삭제·결제처럼 별도 권한이 필요한 행동은 반복 성공으로 권한을 얻지 않는다. 사용자 승인이나 사전에 위임된 정확한 범위가 있어야 실행한다.
10Project brief / REFLEX
작은 작업군에서 가설을 검증한다
첫 프로젝트는 로컬 테스트 문서의 분류와 복사로 제한한다. 원본을 보존하고 실험용 작업 공간에서 실행한다. 목표는 동일한 품질을 유지하며 반복 작업의 총비용을 낮추는지 확인하는 것이다.
첫 버전의 구성 요소
- 입력 어댑터 + 스킬 색인: 입력 계약과 환경 버전을 확인한다.
- 네 계층의 처리기: L3/L2는 교체 가능한 모델 어댑터, L1은 제한된 정책, L0는 실행 코드.
- 공통 실행기 + 검증기: 권한·예산·사후 조건을 확인한다.
- 경험 원장 + 후보 생성기: 사례를 저장하고 오프라인에서 후보를 만든다.
초기 저장소는 SQLite 또는 JSONL과 버전 관리된 스킬 파일이면 충분하다. 모델 공급자와 실제 모델은 실험 조건을 정할 때 선택한다.
검증할 질문
- 같은 품질 기준에서 총비용·응답 시간이 감소하는가?
- 새로운 작업군과 서식 변경을 알아차리고 이관하는가?
- 잘못 분류한 사례를 학습해 반복 오류를 줄이는가?
- 직접 만든 규칙보다 학습한 경로가 충분히 나은가?
초기 범위: 한 작업군, 제한된 도구, 오프라인 평가. 자율적인 운영 시스템 변경과 범용적인 자기 개선은 후속 연구 과제다.
Phase A / Observe
기준 성능 확보
L3가 판단하고 L0가 실행한다. 분류 라벨·행동 결과를 확보하고 성공·실패의 기록 계약을 정한다.
완료 조건: 시간·작업군으로 분리한 평가 세트와 반복 가능한 기준 실험.
Phase B / Specialize
작은 경로를 비교
L2 템플릿, L1 분류 정책, L0 규칙을 후보로 만든다. 고정 라우팅과 적응 라우팅을 같은 요청에서 비교한다.
완료 조건: 사전 정의한 품질 하한과 총비용 기준을 만족하는 좁은 후보.
Phase C / Adapt
변화와 복귀 검증
새 서식·잘못된 메타데이터·환경 버전 변경을 주입한다. 후보 격리, 상위 이관, 이전 버전 복귀를 검증한다.
완료 조건: 예외 탐지·복구·예산 준수의 재현 가능한 시나리오.
비교 실험과 지표
① 항상 L3로 판단 ② 사람이 작성한 고정 규칙/고정 라우터 ③ 학습과 전환을 포함한 REFLEX를 동일 조건에서 비교한다. 후보를 만드는 기록과 평가 기록은 분리하고, 파일 내용 해시·실제 목적지·독립 정답으로 결과를 판정한다.
결과 품질 / 작업군별 오류
정답 분류율, 실제 행동의 성공률, 잘못된 폴더 복사율. 드문 유형과 예외를 별도로 집계한다.
총비용 / 지연
모델 호출·라우팅·실행·검증·학습·복구를 모두 포함한다. 평균과 p95 지연을 함께 본다.
자동 처리 범위 / 잘못된 확신
전체 요청 중 낮은 계층에서 정확히 처리한 비율, 계약 밖 입력의 오수용률, 불필요한 상위 이관율.
변화 대응 / 손익분기
환경 변경 탐지와 복귀까지의 시간, 검증 비용을 회수하는 데 필요한 반복 횟수. 반복이 적으면 경로 생성이 손해일 수 있다.
구조 진화를 검증하는 다음 실험
문서 분류에서 이미지 판독과 일정 추출로 작업군을 넓힌다. 전부 공유·고정 격리·조건부 연결·구조 진화의 네 방식을 같은 모델과 입력으로 비교한다. 사진 영수증 분류, 문서의 납기일 추출 같은 복합 목표를 따로 평가한다.
간섭 / 지식 노출
무관한 규칙 때문에 생긴 오류, 필요 없는 자료의 검색·전달량, 모듈 간 실패 전파를 측정한다.
구조의 적응력 / 통합 능력
새 하위 목표 조합의 성공률, 희귀 작업의 품질 하한, 구조 탐색 비용을 회수하는 기간을 측정한다.
구현 계약·평가 절차: 시스템 설계 · 로드맵 · 연구와 설계 연결
이 프로젝트의 중심 자산은
경험으로 자라는 ‘행동 경로의 지도’다.
어떤 입력을, 어떤 조건에서, 어느 모듈이, 어떤 행동으로 바꾸는지 기록한다. 반복 경험은 행동 경로를 짧게 만들고, 구조 진화는 필요한 지식과 협업 경로를 남긴다.
11Evidence & adjacent ideas
설계를 뒷받침하는 연구
신경 연결 연구는 모듈 사이의 정보 흐름을, 세포 적응 연구는 국소적인 반응 조절을 생각하게 한다. 지식 증류와 모델 라우팅은 경험을 짧은 경로로 옮기며, 모듈성·그래프 최적화 연구는 연결 구조의 선별과 재조합에 연결된다.
- [1] Neuronal wiring diagram of an adult brain
Dorkenwald et al., Nature, 2024. 성체 암컷 초파리 뇌의 139,255개 뉴런과 약 5,450만 시냅스를 재구성했다. 감각 입력부터 출력까지의 연결을 추적할 수 있어, 에이전트의 모듈과 행동 경로를 설계하는 출발점이 된다.
- [2] A critique of pure learning and what artificial neural networks can learn from animal brains
Zador, Nature Communications, 2019. 선천적 회로와 학습 기반 행동의 관계에 대한 관점 논문. REFLEX에서도 검증된 기본 스킬을 초기부터 제공하고 학습 경로와 함께 사용한다.
- [3] Single-cell analysis of habituation in Stentor coeruleus
Rajan et al., Current Biology, 2023 (온라인 공개 2022). 반복 기계 자극에 대한 단세포의 반응 변화와 강한 자극에 대한 반응을 연구했다. 국소 단위에서도 자극 이력에 따라 반응이 바뀌는 사례다.
- [4] Distilling the Knowledge in a Neural Network
Hinton, Vinyals & Dean, 2015. 큰 모델의 지식을 작은 모델로 전달하는 증류 연구. L3에서 학습한 동작을 L2의 처리 능력으로 옮길 때 활용할 수 있다.
- [5] FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance
Chen, Zaharia & Zou, 2023. 여러 언어 모델을 비용과 품질에 맞게 조합하는 관련 연구. REFLEX의 계층 선택, 비용·품질 평가, 상위 이관 경로를 설계할 때 참고할 수 있다.
- [6] Synaptic architecture of leg and wing premotor control networks in Drosophila
Lesser et al., Nature, 2024. 초파리의 다리·날개 전운동 회로에서 기능적으로 관련된 근육을 잇는 모듈과 운동계별 연결 차이를 분석했다.
- [7] Network statistics of the whole-brain connectome of Drosophila
Lin et al., Nature, 2024. 희소한 뇌 연결에서 허브 조직과 여러 경로의 연결성을 분석했다. 전문 영역과 통합 경로를 함께 설계하는 근거다.
- [8] The evolutionary origins of modularity
Clune, Mouret & Lipson, Proceedings of the Royal Society B, 2013. 계산 진화에서 성능과 연결 비용을 함께 선별했을 때 모듈성과 새로운 과제에 대한 적응이 나타났다.
- [9] Spontaneous evolution of modularity and network motifs
Kashtan & Alon, PNAS, 2005. 하위 목표의 조합이 바뀌는 계산 진화 환경에서 모듈적인 구조가 생겨나는 과정을 연구했다.
- [10] GPTSwarm: Language Agents as Optimizable Graphs
Zhuge et al., ICML, 2024. 언어 에이전트를 처리 노드와 정보 흐름의 그래프로 표현하고 노드 및 연결을 최적화한다.
- [11] Cut the Crap: An Economical Communication Pipeline for LLM-based Multi-Agent Systems
Zhang et al., 2024 사전공개. AgentPrune은 에이전트 간 공간·시간 통신 연결을 가지치기해 메시지 비용을 줄이는 방법을 평가했다.
- [12] Automated Design of Agentic Systems
Hu, Lu & Clune, 2024 사전공개. 새 에이전트 설계 코드를 생성하고 평가 결과와 함께 축적하는 Meta Agent Search를 제안했다.
문헌 확인: 2026-09-30