Turn: A Language for Agentic Computation

이 논문은 LLM 추론을 타입 안전성, 신뢰성, 격리된 컨텍스트, 자격 증명 보호, 컴파일 시 스키마 바인딩을 보장하는 언어 수준 원시 기능으로 통합하여 자율적 에이전트 소프트웨어를 위한 컴파일된 액터 기반 프로그래밍 언어 'Turn'을 제안합니다.

핵심

이 논문은 **"Turn"**이라는 새로운 프로그래밍 언어를 소개합니다. 이 언어는 인공지능 (LLM) 이 스스로 생각하고 행동하는 '에이전트 (Agent)' 프로그램을 만들 때 발생하는 여러 가지 위험한 실수들을 언어 자체에서 막아주도록 설계되었습니다.

기존의 방식은 "우리가 조심해서 코드를 짜야 해"라는 전제하에 개발되었지만, Turn 은 **"컴퓨터가 실수할 수 있는 부분을 언어가 자동으로 통제한다"**는 철학을 따릅니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🏗️ 비유: "무질서한 사무실" vs "Turn 이 있는 스마트 사무실"

지금까지 AI 에이전트를 만드는 방식은 무질서한 임시 사무실을 운영하는 것과 비슷했습니다.

• 문제점 1 (기억 상실): 직원 (AI) 이 너무 많은 일을 기억하려다 중요한 정보를 잊어버립니다. (Context Limit)
• 문제점 2 (엉터리 보고서): AI 가 보고서를 작성할 때 형식이 엉망이면, 프로그램이 그걸 모르고 계속 진행하다가 나중에 터집니다. (Untyped Output)
• 문제점 3 (비밀 누출): 직원에게 회사 비밀번호를 적힌 메모를 주면, AI 가 실수로 그걸 외부에 알려버릴 수 있습니다. (Credential Leakage)
• 문제점 4 (중단 불가): 전기가 나가면 모든 작업이 사라지고 처음부터 다시 해야 합니다. (No Durable Execution)

Turn 언어는 이 모든 문제를 해결하는 완벽하게 설계된 스마트 사무실을 제공합니다.

---

🛡️ Turn 이 해결하는 5 가지 핵심 문제 (비유 설명)

1. 🧠 "지적 안전장비" (Cognitive Type Safety)

• 기존 방식: AI 에게 "보고서 써줘"라고 하면, AI 가 엉터리로 쓴 걸 우리가 눈으로 확인해야 합니다. 틀리면 프로그램이 멈춥니다.
• Turn 방식: AI 에게 "보고서 양식 (스키마) 을 보고 그 안에 맞춰서 써줘"라고 미리 알려줍니다. AI 가 답을 보내면, 컴퓨터가 자동으로 "이게 양식대로 쓰였나?"를 검사합니다.
  • ✅ 결과: 틀린 답은 AI 가 다시 고치게 되고, 올바른 답만 프로그램에 들어갑니다. 개발자가 일일이 확인할 필요가 없습니다.

2. 🎲 "불확실성 조절기" (Confidence Operator)

• 기존 방식: AI 가 "아마도 맞을 거예요"라고 말해도, 프로그램은 무조건 그 말을 믿고 실행합니다.
• Turn 방식: AI 가 답을 줄 때 **"내가 이 답에 얼마나 확신하나요? (0~1 점)"**라는 점수를 함께 줍니다.
  • ✅ 결과: 점수가 낮으면 (예: 0.5 점), 프로그램은 "AI 가 확신이 없으니, 내가 미리 정해둔 안전한 방법 (Fallback) 으로 처리하자"라고 자동으로 결정합니다.

3. 🏢 "개인 사무실과 우편함" (Actor Process Model)

• 기존 방식: 모든 직원이 하나의 큰 회의실 (메시지 리스트) 에 모여서 말을 섞다 보니, 중요한 정보가 섞이거나 잊혀집니다.
• Turn 방식: 각 직원은 자신만의 개인 사무실을 가집니다.
  • 개인 메모: 중요한 정보는 개인 사무실의 금고에 안전하게 보관됩니다.
  • 우편함: 다른 직원과 대화할 때는 우편함을 통해 메시지를 주고받습니다.
  • 결과: 한 직원의 실수가 다른 직원의 기억을 망가뜨리지 않습니다.

4. 🔐 "보안 지갑" (Capability-Based Identity)

• 기존 방식: AI 에게 "이메일 보내줘"라고 할 때, 비밀번호를 문자열로 직접 건네줍니다. AI 가 실수로 그 비밀번호를 "내 이름은 ~ 입니다"라고 말해버릴 수도 있습니다.
• Turn 방식: 비밀번호를 직접 건네주지 않습니다. 대신 **"이메일을 보낼 수 있는 권한 (키)"**이라는 투명한 지갑을 줍니다.
  • ✅ 결과: AI 는 그 지갑을 열어서 이메일을 보낼 수는 있지만, 지갑 안에 있는 실제 비밀번호를 볼 수도, 말해줄 수도 없습니다. 비밀번호는 AI 의 눈에 절대 띄지 않습니다.

5. 📜 "자동 저장 기능" (Durable Execution)

• 기존 방식: 작업 도중 전기가 나가면 모든 게 사라집니다.
• Turn 방식: 작업이 멈추기 직전, 모든 상태 (메모, 진행 상황, 우편함) 를 자동으로 사진 찍어 저장해 둡니다.
  • ✅ 결과: 전기가 나갔다가 다시 켜지면, 멈췄던 자리에서 정확히 이어집니다. 개발자가 "저장" 버튼을 누를 필요가 없습니다.

---

🚀 실제 예시: "투자 위원회"

이 논문에서는 NVDA(엔비디아) 주식을 분석하는 투자 위원회 프로그램을 예로 들었습니다.

• 의장: 시장 데이터를 가져옵니다.
• 분석가: AI 를 통해 분석합니다. (AI 가 확신이 없으면 자동으로 '공정' 판정을 내립니다.)
• 리스크 관리관: 위험도를 체크합니다.

이 세 명이 각자 개인 사무실에서 일하고, 비밀번호는 보지 못한 채 권한만 가지고 작업을 하며, AI 가 틀린 답을 내면 자동으로 고쳐집니다.

기존의 복잡한 프로그래밍 (Python 등) 으로 이걸 만들려면 약 350 줄 이상의 코드가 필요하고, 외부 데이터베이스나 메시지 큐 같은 복잡한 장비를 써야 했지만, Turn 언어에서는 89 줄만으로도 모든 기능이 안전하게 작동합니다.

💡 결론

Turn 은 "AI 가 실수할 수 있는 부분은 언어가 대신 막아주는" 새로운 방식의 프로그래밍입니다.
개발자가 "조심해, 실수하지 마"라고 외치는 대신, **컴퓨터가 "실수할 수 있는 길은 아예 막아놨어"**라고 말해주는 것입니다. 이는 AI 에이전트를 더 안전하고, 신뢰할 수 있으며, 쉽게 만들 수 있게 해줍니다.

기술 요약

1. 문제 정의 (Problem)

기존의 에이전트 개발 방식은 일반 목적 언어에 프레임워크 (LangChain, AutoGPT 등) 를 입히는 형태를 취하고 있습니다. 이는 다음과 같은 **5 가지 근본적인 실패 모드 (Failure Modes)**를 초래합니다.

1. 무제한 컨텍스트 (Unbounded Context): 메시지가 단순 리스트로 관리되어 토큰 한계를 초과하면 중요한 정보가 유실되거나 잘립니다.
2. 타입이 지정되지 않은 추론 결과 (Untyped Inference Output): LLM 이 반환한 문자열을 JSON 으로 파싱할 때 스키마 불일치로 인한 런타임 오류가 빈번하게 발생합니다.
3. 분산된 상태 (Fragmented State): 에이전트의 상태가 변수, DB, API 응답 등에 흩어져 있어 직렬화되거나 일관된 표현이 불가능합니다.
4. 내구성 없는 실행 (No Durable Execution): 프로세스가 종료되면 에이전트의 상태가 손실되며, 재시작 시 상태를 복구할 언어적 메커니즘이 부재합니다.
5. 자격 증명 유출 (Credential Leakage): API 키나 OAuth 토큰이 문자열로 저장되어 LLM 이 이를 직접 볼 수 있게 되며, 악성 프롬프트 주입 등을 통해 유출될 위험이 있습니다.

이러한 문제들은 프레임워크의 관례 (Convention) 로만 처리되어 언어 차원의 보장이 불가능합니다.

2. 방법론 및 언어 설계 (Methodology & Design)

Turn 은 AOT(Ahead-of-Time) 컴파일 방식의 액터 기반 (Actor-based) 프로그래밍 언어입니다. Erlang 의 액터 모델을 차용하여 각 에이전트가 독립적인 컨텍스트, 메모리, 메일박스를 가지도록 설계되었으며, LLM 추론을 언어의 기본 원시 (Primitive) 로 취급합니다.

핵심 설계 철학

• 타겟팅된 엄격성 (Targeted Strictness): 에이전트 내부 로직은 동적 타입을 유지하여 유연성을 확보하되, **LLM 추론 (최대 엔트로피 영역)**과 **API 계약 (최대 위험 영역)**에서는 정적 타입 안전성을 강력하게 적용합니다.
• 액터 모델 적용: 각 에이전트 프로세스는 격리된 환경에서 실행되며, Erlang 의 "Let it crash" 패턴을 적용하여 장애 전파와 복구를 지원합니다.

3. 주요 기여 (Key Contributions)

Turn 은 에이전트 개발의 5 가지 핵심 문제를 해결하는 5 가지 언어 수준 구조를 도입했습니다.

1) 인지적 타입 안전성 (Cognitive Type Safety)

• infer Struct { prompt } 원시: LLM 추론을 타입이 지정된 원시 연산으로 만듭니다.
• 작동 방식: 컴파일러가 struct 정의에서 JSON Schema 를 생성하고, VM 이 LLM 의 응답을 이 스키마에 맞춰 검증합니다. 검증 실패 시 재시도 (re-prompt) 를 수행하거나 에러를 발생시킵니다.
• 효과: LLM 이 반환한 값이 선언된 타입 구조와 일치함을 컴파일 및 런타임에 보장합니다.

2) 확률적 제어 흐름 (Probabilistic Control Flow)

• confidence 연산자: LLM 추론 결과의 신뢰도 (0~1 사이의 스칼라 값) 를 추출합니다.
• 작동 방식: 신뢰도가 임계값 (예: 0.7) 미만일 경우, 결정론적 (Deterministic) 인 대체 로직 (Fallback) 으로 분기하여 에이전트의 실패를 방지합니다.

3) 에이전트 프로세스 모델 (Agentic Process Model)

• 3 단계 컨텍스트 아키텍처: "Lost in the Middle" 현상을 해결하기 위해 컨텍스트를 3 계층으로 관리합니다.
  • P0 (System): 시스템 프롬프트 (최초 위치, 높은 회상률).
  • P1 (Working): 최근 컨텍스트 (최종 위치, 높은 회상률).
  • P2 (Episodic): 중간 영역의 오래된 컨텍스트 (P1 이 가득 차면 P2 로 이동, 삭제되지 않음).
• 격리된 상태: 각 액터는 독립적인 컨텍스트 윈도우와 지속적 메모리를 가지며, 메시지 전달을 통해 통신합니다.

4) 능력 기반 신원 (Capability-Based Identity)

• grant identity 원시: API 자격 증명을 문자열로 저장하지 않고, VM 호스트에서 발급한 불가사 (Opaque) 핸들만 에이전트에게 제공합니다.
• 보안: 이 핸들은 문자열로 변환, 직렬화, 또는 LLM 에 노출될 수 없습니다. 실제 토큰은 VM 커널 트랩 (Kernel Trap) 내부에서만 처리되므로 유출이 원천 차단됩니다.

5) 컴파일 타임 스키마 흡수 (Compile-Time Schema Absorption)

• use schema::<protocol>("url") 매크로: 컴파일 시점에 외부 API 명세 (OpenAPI 등) 를 가져와서 네이티브 Turn 구조체와 클로저를 생성합니다.
• 효과: LLM 출력과 외부 API 입력 간의 타입 불일치를 컴파일 단계에서 해결합니다.

4. 평가 결과 (Results)

Turn 은 Rust 로 구현되었으며, 105 개의 테스트 (24 개의 목적별 실험 + 81 개의 유닛 테스트) 를 모두 통과했습니다. Apple M4 환경에서의 주요 결과는 다음과 같습니다.

• 자격 증명 은폐 (Credential Opacity): Identity 핸들은 절대 문자열로 변환되지 않으며, 실제 토큰이 에이전트 힙 (Heap) 에 존재하지 않음을 검증했습니다.
• 신뢰도 전파 (Confidence Propagation): 확률적 대수 (Product rule, Zadeh min 등) 가 올바르게 적용되어 신뢰도 기반 분기가 정확히 작동함을 확인했습니다.
• 구조화된 컨텍스트 (Structured Context): P0/P1/P2 아키텍처가 컨텍스트 크기가 커져도 시스템 프롬프트와 최신 정보가 항상 최우선/최후 위치를 유지함을 검증했습니다.
• 메모리 격리 및 확장성: 프로세스 간 메모리 격리가 완벽하며, 10 만 개 이상의 엔트리에서도 O(1) 의 읽기/쓰기 지연 시간을 유지합니다.
• 내구성 있는 실행 (Durable Execution): suspend 명령어로 전체 VM 상태 (프로그램 카운터, 스택, 메모리 등) 를 JSON 으로 직렬화하여 복구할 수 있으며, 데이터 손실 없이 정확한 복원이 가능합니다 (5,000 개 엔트리 기준 약 7ms).
• 성능 오버헤드: JSON 스키마 검증 (0.587µs) 및 메시지 전송 (2.34µs) 등의 오버헤드는 LLM 네트워크 지연 (100ms~5s) 에 비해 무시할 수준입니다.

5. 의의 및 결론 (Significance & Conclusion)

Turn 은 에이전트 소프트웨어 개발 패러다임을 **프레임워크 기반의 "루프 (Loop)"**에서 **언어 기반의 "프로세스 (Process)"**로 전환합니다.

• 시스템 복잡성 감소: 분산 시스템 아키텍처 (Redis, 메시지 큐, 수동 재시도 로직 등) 를 언어 런타임 하나로 통합하여, 투자 위원회 예제와 같은 복잡한 에이전트 시스템을 350 줄 이상의 코드에서 89 줄로 단축했습니다.
• 보안 및 신뢰성 강화: 에이전트의 핵심 불변성 (Unbounded Context, Typed Output, Credential Isolation 등) 을 개발자의 실수에 맡기는 것이 아니라, 컴파일러와 VM 이 기계적으로 강제합니다.
• 미래 지향성: Turn 은 에이전트 컴퓨팅을 위한 전용 언어 (DSL) 로서, LLM 의 불확실성을 언어적 도구로 관리하는 새로운 표준을 제시합니다.

결론적으로 Turn 은 에이전트 소프트웨어의 신뢰성을 높이기 위해 **언어 설계 (Language Design)**가 필수적임을 증명하며, 오픈소스 프로젝트 (GitHub) 로 공개되어 생태계 확장을 준비하고 있습니다.