QUARE: Multi-Agent Negotiation for Balancing Quality Attributes in Requirements Engineering

이 논문은 안전, 효율성, 신뢰성 등 다양한 품질 속성 간의 갈등을 체계적으로 해결하기 위해 다섯 가지 전문 에이전트 간의 협상 프로토콜과 KAOS 목표 모델 생성을 결합한 다중 에이전트 프레임워크 'QUARE'를 제안하며, 이를 통해 기존 방법론 대비 요구사항 준수율과 의미 보존성을 크게 향상시킨다는 것을 입증합니다.

핵심

이 논문은 **"QUARE"**라는 이름의 새로운 소프트웨어 개발 도구를 소개합니다. 이 도구는 인공지능 (AI) 여러 대가 함께 일하며, 복잡한 소프트웨어의 요구사항을 만들어내는 방식을 혁신합니다.

기존의 방식이 "한 명의 천재가 모든 것을 다 해결하려다 실패하는 것"이라면, QUARE 는 **"전문가들이 모여 토론하고 합의하는 회의실"**과 같습니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴겠습니다.

---

1. 문제: 왜 소프트웨어 개발은 실패할까?

소프트웨어를 만들 때, 우리는 많은 것을 동시에 원합니다.

• "차량이 안전해야 해 (Safety)"
• "속도가 빨라야 해 (Efficiency)"
• "전기 소모가 적어야 해 (Green)"
• "해킹당하지 않아야 해 (Trustworthiness)"
• "법과 윤리를 지켜야 해 (Responsibility)"

하지만 이 요구사항들은 서로 충돌합니다. 예를 들어, "안전성을 위해 브레이크를 500ms(0.5 초) 안에 작동하게 하라"고 하면, "속도를 위해 30ms(0.03 초) 안에 작동하게 하라"는 요구사항과 정면으로 부딪힙니다.

기존의 AI 는 이 충돌을 해결할 때, "한쪽을 무시하고 다른 쪽을 택하거나 (우선순위 부여)" 혹은 "모호하게 중립적인 답을 내는" 방식을 썼습니다. 그래서 중요한 안전 규정을 놓치거나, 실제 구현이 불가능한 요구사항이 만들어지곤 했습니다.

2. 해결책: QUARE 의 '전문가 회의'

QUARE 는 이 문제를 해결하기 위해 **5 명의 AI 전문가 (에이전트)**와 **1 명의 회의 진행자 (오케스트레이터)**를 고용합니다.

🎭 등장인물들 (5 명의 전문가)

각자 한 가지 분야에 특화된 AI 들입니다.

1. 안전 요원 (Safety): "사고가 나면 안 돼! 무조건 안전이 최우선이야."
2. 효율 요원 (Efficiency): "시간과 자원을 아껴야 해. 너무 느리면 안 돼."
3. 환경 요원 (Green): "전기나 연료를 아껴서 지구를 지켜야 해."
4. 신뢰 요원 (Trustworthiness): "해커들이 침입하지 못하게 잠금장치를 강화해야 해."
5. 책임 요원 (Responsibility): "법규와 윤리를 지키는 게 중요해."

🗣️ 회의 방식: '변증법적 협상' (Dialectical Negotiation)

이들은 단순히 투표하거나 순서대로 말하지 않습니다. **철학적인 토론 (테제 - 반테제 - 종합)**을 합니다.

• 테제 (제안): 안전 요원이 "브레이크는 500ms 안에 작동해야 해"라고 제안합니다.
• 반테제 (비판): 효율 요원이 "그건 너무 느려! 30ms 안에 해야 해. 그래야 차가 제때 멈출 수 있어"라고 반박합니다.
• 종합 (해결): 여기서 기존 방식이라면 "안전이 중요하니까 500ms 로 하자"라고 한쪽을 밀어냈을 것입니다. 하지만 QUARE 는 창의적인 해결책을 찾습니다.
  • 해결책: "평소에는 30ms(빠른 경로) 로 작동하고, 이상 징후가 감지되면 500ms(철저한 경로) 로 작동하는 이중 시스템을 만들자!"
  • 결과: 안전도 지키고, 속도도 지키는 모두가 만족하는 합의가 나옵니다.

3. 검증: "이게 진짜 법을 지키는 거야?"

회의가 끝난 후, 만들어진 요구사항은 검증 단계를 거칩니다.

• 구조적 검사: 논리적 모순이 없는지 확인합니다. (예: "A 가 B 를 필요로 하는데, B 는 A 를 필요로 한다"는 순환 논리 방지)
• 규정 준수 검사 (RAG): 실제 산업 표준 (예: 자동차 안전 기준 ISO 26262) 과 비교합니다. AI 가 "지식"을 검색해서, 우리가 만든 요구사항이 실제 법규를 98% 이상 충족하는지 확인합니다.

4. 결과: 왜 QUARE 가 더 좋은가?

이 논문은 QUARE 를 기존 방식 (MARE, iReDev) 과 비교했습니다.

• 더 많은 요구사항: 기존 방식보다 25~43% 더 많은 요구사항을 찾아냈습니다. (전문가들이 각자 다른 관점을 제시했기 때문입니다.)
• 충돌 해결 능력: 서로 다른 요구사항을 단순히 무시하지 않고, 창의적으로 통합했습니다.
• 규정 준수율: 기존 방식이 47% 정도만 법규를 만족했다면, QUARE 는 **98.2%**까지 달성했습니다. 이는 안전이 중요한 자율주행차 같은 분야에서 매우 중요합니다.
• 의미 보존: 대화 과정에서 원래 의도가 왜곡되지 않고 잘 보존되었습니다 (94.9% 유지).

5. 핵심 교훈: "큰 AI 가 답이 아니다"

이 연구의 가장 중요한 메시지는 **"AI 모델이 거대할수록 좋은 게 아니다"**입니다.
오히려 **잘게 쪼개진 역할 분담 (전문가화)**과 명확한 대화 규칙 (협상 프로토콜), 그리고 엄격한 검증이 더 중요합니다.

📝 한 줄 요약

"QUARE 는 서로 다른 의견을 가진 AI 전문가들이 격렬하게 토론하고, 서로의 요구를 절충하여 '안전하고 빠르며 법을 지키는' 완벽한 소프트웨어 설계도를 만들어내는 시스템입니다."

이처럼 QUARE 는 단순한 자동화를 넘어, 인간이 복잡한 문제를 해결할 때처럼 논리적이고 창의적인 협상을 통해 소프트웨어의 품질을 획기적으로 높여줍니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 요구사항 공학 (RE) 의 한계: 소프트웨어 개발의 성공을 좌우하는 요구사항 공학은 여전히 자동화하기 어렵습니다. 특히 안전성, 효율성, 지속 가능성, 신뢰성 등 서로 상충될 수 있는 다수의 품질 속성 (Quality Attributes) 을 균형 있게 조정하고 이해관계자의 의도를 유지하는 것이 핵심 난제입니다.
• 기존 LLM 기반 접근법의 결함: 기존의 대규모 언어 모델 (LLM) 기반 접근법은 주로 단일 에이전트 (Monolithic) 가 모든 작업을 수행하거나, 암시적 집계 (Implicit Aggregation) 에 의존합니다. 이로 인해 다음과 같은 문제가 발생합니다.
  • 충돌의 은폐: 다양한 이해관계자의 관점이 단일 서사로 통합되면서 품질 간 상충 관계 (Trade-offs) 가 명확히 드러나지 않습니다.
  • 구조적 결여: 목표 지향적 모델링 (KAOS 등) 이나 표준 준수를 위한 체계적인 검증 프로토콜이 부족합니다.
  • 단일 에이전트의 편향: 하나의 모델이 모든 품질 속성을 동시에 처리할 때, 특정 목표 (예: 성능) 가 다른 중요한 목표 (예: 안전성, 윤리) 를 압도하는 경향이 있습니다.

2. 제안된 방법론: QUARE 프레임워크 (Methodology)

QUARE(Quality-Aware Requirements Engineering) 는 요구사항 분석을 다양한 품질 전문 에이전트 간의 구조화된 협상 (Negotiation) 으로 정의하는 멀티 에이전트 프레임워크입니다.

A. 아키텍처 및 에이전트 구성

• 5 가지 품질 전문 에이전트: ISO/IEC 25010 표준과 최신 AI 시스템 요구사항을 기반으로 5 가지 핵심 품질 차원에 특화된 에이전트를 구성합니다.
  1. Safety (안전성): 위험 식별 및 완화.
  2. Efficiency (효율성): 성능 최적화 및 지연 시간 관리.
  3. Green (지속 가능성): 에너지 효율 및 탄소 배출.
  4. Trustworthiness (신뢰성): 보안 및 개인정보 보호.
  5. Responsibility (책임성): 규제 준수 및 윤리.
• Orchestrator (조정자): 에이전트 간의 협상을 조정하고 워크플로우를 관리합니다.

B. 5 단계 파이프라인

1. 병렬 생성 (Parallel Generation): 5 개 에이전트가 동일한 프로젝트 설명을 바탕으로 각자의 품질 관점에서 요구사항을 생성합니다.
2. 변증법적 협상 (Dialectical Negotiation):
   • 충돌 감지: 임베딩 유사도 및 LLM 분류를 통해 '자원 기반 충돌 (Resource-bound)'과 '논리적 불일치 (Logical Incompatibility)'를 식별합니다.
   • 협상 루프: '정론 (Thesis) - 반론 (Antithesis) - 종합 (Synthesis)' 구조로 3 회까지 반복 협상을 수행합니다. 단순한 우선순위 부여가 아닌, 아키텍처적 재구성을 통해 양측 요구를 모두 충족하는 해결책을 도출합니다.
3. 통합 및 위상 검증 (Integration & Topology Validation): 협상된 결과를 KAOS 목표 모델로 통합하며, 순환 참조 (Cycle) 가 없는 DAG(유방향 비순환 그래프) 구조를 검증합니다.
4. 검증 (Verification): RAG(Retrieval-Augmented Generation) 를 활용하여 산업 표준 (ISO 26262, ISO 27001 등) 과의 준수 여부를 확인하고 환각 (Hallucination) 을 탐지합니다.
5. 표준화 출력: 검증된 요구사항을 KAOS 목표 모델 (JSON, GSN XML) 및 테스트 케이스 등으로 변환합니다.

C. 핵심 기술적 특징

• 변증법적 협상 프로토콜: 에이전트 간 명시적인 논쟁을 통해 충돌을 표면화하고, 이를 해결하는 과정에서 이해관계자의 의도 (Semantic Intent) 를 보존합니다.
• RAG 기반 준수 검증: 생성된 요구사항이 실제 산업 표준 조항을 충족하는지 자동화된 검증 계층을 통해 확인합니다.
• 기하학적 평가 지표: 요구사항의 다양성을 평가하기 위해 5 차원 품질 공간에서의 볼록 껍질 부피 (Convex Hull Volume, CHV) 와 중심까지의 평균 거리 (Mean Distance to Centroid, MDC) 를 도입했습니다.

3. 주요 기여 (Key Contributions)

1. 협상 기반 멀티 에이전트 아키텍처: 요구사항 분석을 단일 에이전트 처리가 아닌, 품질 전문 에이전트 간의 명시적 충돌 해결을 위한 협력적 협상 과정으로 재정의했습니다.
2. 자동화된 KAOS 모델링 파이프라인: 비구조화된 요구사항을 구조적으로 유효하고 추적 가능한 KAOS 목표 모델로 변환하는 자동화 프로세스를 제시했습니다.
3. 기하학적 평가 방법론: 단순한 스칼라 지표를 넘어, 요구사항의 다양성과 균형을 5 차원 품질 공간의 기하학적 특성 (CHV, MDC, Coverage Uniformity 등) 으로 정량화하는 새로운 평가 체계를 제안했습니다.
4. OpenReBench 오픈소스: 비교 대상이었던 MARE 및 iReDev 프레임워크의 공적 구현체가 부재한 점을 고려하여, 동일한 조건에서 재구현한 오픈소스 벤치마크를 공개했습니다.

4. 실험 결과 (Results)

MARE, iReDev, 단일 에이전트 베이스라인과 비교하여 5 가지 사례 연구 (자율주행, 금융, 정보시스템 등) 에서 평가되었습니다.

• 커버리지 및 다양성 (RQ1):
  • QUARE 는 기존 멀티 에이전트 프레임워크보다 25~43% 더 많은 요구사항을 생성했습니다.
  • 품질 차원 균형 (Balance): 단일 에이전트 대비 요구사항 수가 2.5 배 증가했으며, 품질 차원별 커버리지 균일성 (CU) 이 가장 낮아 (0.20) 모든 품질 속성이 고르게 다루어짐을 보였습니다.
• 협상 효과 및 의미 보존 (RQ2):
  • 의미 보존 (Semantic Preservation): 초기 생성 (Phase 1) 과 최종 통합 (Phase 3) 간의 BERTScore 가 **94.9%**로, MARE(89.0%) 와 iReDev(92.6%) 보다 모두 높았습니다.
  • 충돌 해결 방식: 단순한 우선순위 부여가 아닌, 아키텍처적 분해 (예: 동기식/비동기식 파이프라인 분리) 를 통해 상충되는 요구사항을 동시에 해결하는 창의적인 솔루션을 도출했습니다.
• 구조적 유효성 및 준수 (RQ3):
  • 준수 커버리지 (Compliance Coverage): 산업 표준 (ISO 26262 등) 준수율이 **98.2%**로, 기존 프레임워크 (약 47%) 대비 105% 향상되었습니다. 이는 RAG 기반 검증 계층의 효과 때문입니다.
  • 검증 가능성 (Verifiability): ISO 29148 기준 평가에서 4.96/5.0 점으로 가장 높은 점수를 기록했습니다.

5. 의의 및 결론 (Significance)

• 모델 규모보다 아키텍처의 중요성: RE 자동화의 성패는 LLM 의 규모 (Model Scale) 보다는 원칙적인 아키텍처 분해 (Quality-specialized decomposition) 와 명시적 상호작용 프로토콜 (Explicit negotiation) 에 더 크게 의존함을 증명했습니다.
• 실무 적용 가능성: QUARE 는 경량 모델 (gpt-4o-mini) 과도 호환되며, 협상 과정의 기록 (Negotiation Trace) 이 규제 감사 (Regulatory Audit) 에 활용될 수 있어 안전-중요 (Safety-critical) 시스템 및 규제 산업에 적합합니다.
• 향후 방향: 인간-인공지능 협업 (Human-in-the-loop) 의 강화 및 형식적 논증 이론 (Formal Argumentation) 을 협상 프로토콜에 더 깊이 통합하여 완전성과 허용 가능성에 대한 이론적 보장을 강화할 필요가 있습니다.

이 논문은 요구사항 공학 분야에서 LLM 기반 멀티 에이전트 시스템이 단순한 자동화를 넘어, 복잡한 품질 속성 간의 균형을 맞추고 산업 표준을 준수하는 공학적 산출물을 생성할 수 있음을 입증했습니다.