From Goals to Aspects, Revisited: An NFR Pattern Language for Agentic AI Systems

이 논문은 2004 년 RE 컨퍼런스에서 제안된 '목표에서 측면으로 (Goals to Aspects)' 방법론을 재조명하고, 이를 급부상 중인 에이전트형 AI(Agentic AI) 에 적용하여 확장한 연구입니다. 저자는 에이전트 시스템의 높은 실패 원인 중 하나가 비기능적 요구사항 (NFR) 의 부적절한 모듈화라고 지적하며, 이를 해결하기 위한 패턴 언어와 방법론을 제시합니다.

주요 내용은 다음과 같습니다.

1. 문제 제기 (Problem)

• 에이전트형 AI 의 복잡성: 대규모 언어 모델 (LLM) 기반의 자율 에이전트는 도구 호출, 추론, 실행을 수행하며 보안, 관측 가능성 (Observability), 비용 관리, 내결함성 등 다양한 **교차 관심사 **(Crosscutting Concerns)를 가집니다.
• 현재의 한계: 기존 에이전트 프레임워크에서는 이러한 관심사들이 모듈화되지 않고 각 기능 코드에 산발적으로 (Scattering) 혼재되어 있습니다. 예를 들어, 권한 부여, 로깅, 속도 제한 (Rate limiting) 등이 여러 모듈에 중복 구현되거나 누락되어 프로젝트의 생산성 실패율을 높이고 있습니다.
• 기존 방법론의 부재: 전통적인 측면 지향 프로그래밍 (AOP) 문헌에는 에이전트 특유의 '프롬프트 주입 방어', '토큰 예산 관리', '도구 범위 샌드박싱' 등의 관심사가 포함되어 있지 않습니다.

2. 방법론 (Methodology)

논문은 3 단계 프로세스를 통해 에이전트 목표 모델에서 측면 (Aspect) 을 도출하고 구현합니다.

• **1 단계: 에이전트 목표 모델링 **(Agent Goal Modeling)
  • i* 프레임워크를 사용하여 에이전트 시스템의 행위자 (Agent User, System, LLM Provider 등) 와 그들의 의존성을 전략적 의존성 (SD) 모델로 정의합니다.
  • 전략적 근거 (SR) 모델을 통해 기능적 목표와 비기능적 소프트목표 (NFR Softgoals) 를 분해하고, 작업 (Task) 과 소프트목표 간의 기여도 (Contribution) 관계를 추적합니다.
• **2 단계: 에이전트용 V-그래프 분석 **(V-Graph Analysis for Agents)
  • 기존 RE 2004 의 V-그래프 모델을 확장하여 정의합니다. 하나의 에이전트 작업이 기능적 목표와 여러 NFR 소프트목표에 동시에 기여할 때 이를 V-그래프로 식별합니다.
  • **교차 밀도 **(Crosscutting Density, δ) 개념을 도입했습니다. 에이전트 작업 (예: "LLM 호출") 은 보안, 비용, 신뢰성, 관측 가능성 등 4 개 이상의 NFR 을 동시에 건드리므로 δ ≥ 4 의 높은 밀도를 가집니다. 이는 기존 소프트웨어보다 훨씬 복잡한 중첩된 V-그래프를 생성합니다.
  • 소스 코드에서의 산발성 (Scattering) 을 정량적으로 측정하여 V-그래프 분석 결과를 검증합니다.
• **3 단계: 패턴 인스턴스화 **(Pattern Instantiation)
  • 검증된 측면 후보를 12 개의 재사용 가능한 패턴으로 구체화합니다. 각 패턴은 i* 목표 모델 (왜 필요한지) 과 Rust 기반의 구체적인 측면 구현 (어떻게 구현하는지) 을 연결합니다.

3. 주요 기여 (Key Contributions)

1. **에이전트 특화 NFR 패턴 언어 **(12 개 패턴)
   • 4 가지 NFR 카테고리 (보안, 신뢰성, 관측 가능성, 비용 관리) 로 구성된 12 개의 패턴을 제시합니다.
   • 4 개의 신규 에이전트 특화 패턴:
     • **Tool Scope Sandbox **(보안) 에이전트의 도구 실행을 안전한 범위 (파일 경로, 명령어 허용 목록 등) 로 제한.
     • **Prompt Guard **(보안) 악성 입력에 의한 프롬프트 주입 공격 탐지 및 방어.
     • **Token Budget Manager **(비용) LLM 토큰 소비를 실시간으로 추적하고 예산 초과 시 차단.
     • **Action Audit Trail **(관측 가능성) 에이전트의 의사결정과 행동에 대한 완전한 감사 추적 (Audit Trail) 기록.
   • 기존 AOP 패턴 (회로 차단기, 속도 제한기 등) 을 에이전트 도메인에 맞게 재정의하고 조합 순서를 제시합니다.
2. 확장된 V-그래프 모델:
   • 단일 작업이 다차원적인 NFR 을 동시에 교차하는 에이전트 시스템의 특성을 포착하기 위해 기존 모델을 확장했습니다.
3. **실증적 사례 연구 **(ZEROCLAW 분석)
   • 오픈 소스 에이전트 프레임워크인 ZEROCLAW(192 개 파일, 약 12 만 줄의 Rust 코드) 를 분석하여 패턴 언어의 유효성을 검증했습니다.
   • 11 가지 교차 관심사 (기존 7 개 + 신규 4 개) 에 대한 산발성 (Scattering) 을 정량화했습니다.

4. 연구 결과 (Results)

• 산발성 및 중첩 확인: ZEROCLAW 분석 결과, 관심사 (예: 에러 처리, 보안, 로깅) 가 27 개 모듈 중 8 개 이상에 걸쳐 산발적으로 구현된 것이 확인되었습니다. 특히 'LLM 호출' 작업은 보안, 비용, 신뢰성, 관측 가능성 등 4 가지 측면이 중첩되어 있어, 수동 구현 시 일관성 유지가 어렵고 유지보수 비용이 큽니다.
• 진화적 안정성: 코드베이스가 성장함에 따라 산발된 코드 비율이 일정하게 유지되거나 오히려 증가하는 경향을 보였습니다. 이는 새로운 모듈이 기존 산발 패턴을 그대로 상속받기 때문입니다.
• 리팩토링 효과 증명:
  • **속도 제한 **(Rate Limiting) 사례를 통해, 3 개의 독립적인 구현체와 8 개 함수에 흩어진 약 195 줄의 코드를 1 개의 측면 (Aspect) 과 8 개의 선언적 어노테이션으로 재구성했습니다.
  • 결과적으로 96% 의 코드 감소를 달성했으며, 일관된 오류 처리와 로직을 확보했습니다.
  • 전체 7 가지 관심사에 대해 적용 시 약 2,100~2,700 줄의 중복 코드가 제거될 것으로 추정됩니다.
• 누락된 요구사항 발견: V-그래프 분석을 통해 프롬프트 주입 방어나 토큰 예산 관리와 같은 중요한 NFR 이 기존 프레임워크에 아예 구현되지 않았음을 발견했습니다.

5. 의의 및 결론 (Significance)

• 실천적 가이드라인 제공: 요구사항 분석 단계에서 교차 관심사를 체계적으로 식별하고, 이를 구체적인 코드 구현 (Rust AOP) 으로 연결하는 방법론을 제시하여 에이전트 시스템의 신뢰성을 높입니다.
• 규제 준수 및 지속 가능성: 감사 추적 (Audit Trail) 과 토큰 예산 관리 패턴은 향후 AI 규제 (EU AI Act 등) 대응과 컴퓨팅 자원 효율성 (지속 가능성) 에 필수적입니다.
• 방법론의 확장성: 22 년 전 제안된 '목표에서 측면으로' 방법론이 에이전트 AI 라는 새로운 도메인에서도 유효하며, 오히려 더 높은 복잡성을 가진 교차 관심사를 해결하는 데 필수적임을 입증했습니다.

결론적으로, 이 논문은 에이전트형 AI 시스템의 고장률을 줄이고 생산성을 높이기 위해 목표 기반 요구사항 분석과 **측면 지향 프로그래밍 **(AOP)을 결합한 체계적인 엔지니어링 접근법을 제시합니다.