1. 문제 정의 (Problem)

대형 언어 모델 (LLM) 을 활용한 코드 생성 (Code Generation) 작업에서 모델의 성능은 단순히 모델 자체의 추론 능력뿐만 아니라 문제 제시 방식 (Problem Representation) 에도 크게 의존합니다. 기존 연구들은 추론 단계를 추가하거나 (Chain-of-Thought), 구조화된 중간 단계를 도입하는 방식을 주로 사용했습니다. 그러나 이러한 방법들은 종종 문제의 조건들이 여전히 파편화되어 있고散漫하게 제시된다는 한계가 있습니다. 특히 복잡한 알고리즘적 문제의 경우, 모델이 맥락을 이해하고 다단계 추론을 수행하는 데 있어 불완전하거나 모호한 문제 설명이 장벽이 됩니다.

2. 방법론: StoryCoder (Methodology)

저자들은 인간이 파편화된 정보를 일관된 서사 (Narrative) 로 조직하여 이해하는 인지 과학적 원리 (Johnson-Laird, 1983 등) 에서 영감을 받아 StoryCoder 프레임워크를 제안했습니다. 이는 코드 생성 문제를 구조화된 자연어 서사로 재구성 (Reformulation) 하는 프롬프트 엔지니어링 기법입니다.

핵심 프로세스:

1. 알고리즘 및 장르 선택 (Algorithm & Genre Selection):
   • 주어진 문제에 가장 적합한 알고리즘 카테고리 (예: 동적 계획법, 그리디, 그래프 등 8 가지) 를 식별합니다.
   • 선택된 알고리즘과 문제에 자연스럽게 어울리는 서사 장르 (예: 판타지 모험, 과학 소설, 수학적 미스터리 등) 를 선택합니다.
2. 서사 재구성 (Narrative Reformulation):
   • 원본 문제를 다음 3 가지 구성 요소로 이루어진 일관된 이야기로 변환합니다:
     • 작업 개요 (Task Overview): 문제의 배경과 목표를 서사적 맥락에 통합하여 제시합니다.
     • 제약 조건 (Constraints): 입력 범위, 시간 제한, 규칙 등을 이야기 속의 자연스러운 제한 사항으로 재해석합니다.
     • 예제 입력/출력 (Example Input/Output): 테스트 케이스를 이야기의 흐름 속에 맥락적으로 통합합니다.
3. 솔루션 생성 (Solution Generation):
   • 생성된 서사 프롬프트를 사용하여 코드를 생성합니다. (생성 모델과 해결 모델이 동일한지 여부에 따라 Self-solving 또는 Cross-model 설정 가능)

3. 주요 기여 (Key Contributions)

• StoryCoder 프레임워크 제안: 파편화된 프롬프트를 일관된 서사적 설명으로 재구성하여 LLM 의 통합적 추론 (Integrative Reasoning) 을 촉진하는 새로운 프롬프트 기법 제시.
• 광범위한 성능 향상: 11 개의 모델 (Open-source 및 Closed-source) 과 3 개의 벤치마크 (HumanEval, LiveCodeBench, CodeForces) 에서 일관된 성능 개선을 입증. Zero-shot pass@10에서 평균 **18.7%**의 향상 기록.
• 정량적 분석을 통한 메커니즘 규명:
  • 서사 재구성이 모델이 올바른 알고리즘 전략을 선택하도록 유도함.
  • **구현 오류 (Implementation Errors)**를 감소시킴.
  • 생성된 코드가 더 **모듈화 (Modular)**되고 구조화된 형태를 띠게 함.
  • 이러한 이득은 서사의 **일관성 (Coherence)**과 **장르 정렬 (Genre Alignment)**에 의존함을 확인.

4. 실험 결과 (Results)

• 벤치마크 성능: HumanEval, LiveCodeBench, CodeForces 세 가지 벤치마크에서 반복 샘플링 (Repeated Sampling), CoT, SCoT 등 기존 기법들을 모두 능가했습니다. 특히 난이도가 높은 CodeForces 와 LiveCodeBench 에서 개선 폭이 컸습니다.
• 알고리즘 일치도 (Algorithmic Agreement): 서사 프롬프트를 사용한 경우, 모델이 초기에 선택한 알고리즘과 생성된 코드의 알고리즘이 일치하는 비율이 높아졌습니다. 이는 모델이 올바른 추론 경로를 따르도록 유도했음을 의미합니다.
• 오류 분석: 서사 프롬프트는 잘못된 알고리즘 선택과 구현 오류를 모두 줄였습니다.
• 구조적 분석 (AST 분석): 생성된 코드의 추상 구문 트리 (AST) 분석 결과, 서사 프롬프트를 사용한 코드는 평균 함수 수, 헬퍼 함수 사용률, AST 깊이가 증가하여 더 모듈화되고 계층적인 구조를 가짐을 확인했습니다.
• 일관성과 장르의 중요성:
  • 서사의 구성 요소 (개요, 제약, 예제) 를 무작위로 섞은 경우 (Permutation) 는 원본 프롬프트보다 좋았으나, 완전한 일관된 서사보다는 성능이 떨어졌습니다. 이는 정보의 일관된 통합이 중요함을 시사합니다.
  • 모델의 선호 장르와 맞지 않는 장르 (Misaligned Genre) 를 강제로 적용하면 성능이 급격히 하락하여, **문제 설명과 모델 추론 간의 정렬 (Alignment)**이 필수적임을 보여줍니다.

5. 의의 및 결론 (Significance)

이 연구는 코드 생성 작업에서 **문제 표현 (Problem Representation)**의 중요성을 강조합니다. 단순히 코드를 더 많이 생성하거나 추론 단계를 늘리는 것을 넘어, 문제를 인간이 이해하기 쉬운 서사적 구조로 재구성함으로써 LLM 의 추론 능력을 극대화할 수 있음을 증명했습니다.

• 일반성: 모델의 규모나 아키텍처 (Open-source vs Closed-source) 에 관계없이 적용 가능한 보편적인 기법입니다.
• 인지 과학적 통찰: LLM 이도 인간과 유사하게 파편화된 정보를 구조화된 맥락 (서사) 으로 이해할 때 더 효과적으로 추론함을 보여줍니다.
• 미래 전망: 이 접근법은 수학 문제, 멀티모달 추론, 과학적 발견 등 다양한 복잡한 추론 작업으로 확장될 수 있는 가능성을 제시합니다.

결론적으로, StoryCoder 는 LLM 이 복잡한 알고리즘 문제를 해결할 때 올바른 전략을 선택하고 구현 오류를 줄이며, 구조화된 코드를 생성하도록 돕는 강력한 프레임워크입니다.