모듈형 AI 에이전트 조율

복잡한 에이전트 시스템은 최종 답만으로는 실패 지점을 드러내지 않는다. 검색, 라우팅, 합성 중 어디에서 문제가 생겼는지 결과물만 보면 가려지기 때문이다.

**Levelt(1989)**의 인간 언어 생산 모델은 이 문제를 설명하는 유용한 비유가 된다. 인간은 개념화에서 말할 내용을 정하고, 형식화에서 언어 구조로 바꾸며, 발화에서 실제 출력으로 만든다. 각 단계는 입력과 출력이 분리된 모듈이어서 독립적으로 평가할 수 있다.

AI 에이전트도 같은 방향으로 진화한다. ReAct 같은 루프가 추론-행동-관찰을 반복한다면, AI21 Maestro는 추론, 계획, 실행을 분리해 더 높은 모듈성을 제공한다. 이 구조는 context drift를 줄이고, 의도를 실행 단계까지 보존하며, 각 행동 결과를 검증기(verifier) 로 외부에서 확인하게 만든다.

평가도 단계별로 나뉜다. 같은 시스템이라도 “오늘 너무 지쳤어” 같은 대화형 요청과 “사무실 반입 반려동물 정책이 바뀌었는가” 같은 조사형 요청은 서로 다른 경로를 타야 한다. 라우팅은 분류 정확도로, retrieval은 실제 현행·과거 HR 정책 문서를 제대로 가져왔는지 같은 grounding으로, synthesis는 faithfulness와 coverage로 검증할 수 있다.

이렇게 책임이 분리되면 잘못된 라우팅과 근거 없는 합성을 같은 실패로 뭉뚱그리지 않아도 된다. 문제를 특정 컴포넌트에 국소화해 수정할 수 있고, 전체 시스템을 다시 만지지 않아도 된다. 글은 결국 더 나은 글로벌 점수보다 더 명확한 구조가 필요하다고 정리한다. 추론, 계획, 실행, 검증이 분리된 에이전트가 더 쉽게 감사하고 진단할 수 있으며, 체계적으로 개선하기 쉬운 시스템에 가깝다.