기술 요약: 컨텍스트 – 능동적 목표 지향적 지능

문제 진술

현재 배포된 대화형 AI 시스템은 근본적으로 반응적이며, 에이전트가 사용자 메시지를 받은 후에만 응답을 생성하는 쿼리 - 응답 모델로 작동합니다. 이는 개방형 문의에는 적합하지만, 목표 지향적 상호작용(예: 소프트웨어 개발, 문서 검토, 지원 해결, 공유 거버넌스) 에는 구조적 비효율성을 부과합니다. 다중 참여자 목표 채팅에서 상호작용 턴의 상당 부분이 조정 턴(상태 설정, 차단자 식별, 책임 할당에 전념하는 교환) 이며, 이는 최종 상태로의 생산적 진전이 아닙니다. 이러한 턴은 최종 산출물에 가치를 추가하지 않고 공유 작업의 완료를 지연시키는 순수한 오버헤드입니다.

현재 아키텍처는 이러한 오버헤드를 제거하는 데 필요한 세 가지 특정 원시 연산을 결여하고 있습니다:

1. 작성 시 컨텍스트 (Write-time context): 상호작용 전에 풍부해진 컨텍스트를 사전 계산합니다.
2. 조합 가능한 샌드박스 프로그램: 학습된 정책 대신 통제된 명령형 논리를 사용합니다.
3. 능동적 상태 기계 지능: 사용자 프롬프트가 아닌 그래프 상태에 기반하여 진보하는 에이전트입니다.

방법론

본 논문은 Magarshak 아키텍처의 지능 계층인 Context를 소개하며, 반응형 에이전트를 능동적 목표 지향형 에이전트로 대체합니다. 이 아키텍처는 세 가지 상호 강화 메커니즘에 의존합니다:

1. 작성 시 컨텍스트 조립

Context 는 Groker 에이전트(이전 연구 [12] 에서 유래) 를 활용하여 작성 시 풍부해진 타입 속성을 사전 계산합니다. 상호작용 컨텍스트는 유지되는 비정규화 인덱스로부터 그래프 상태의 결정론적 순수 함수로서 조립됩니다.

• 컨텍스트 블록: 컨텍스트는 네 개의 블록으로 구조화됩니다: Bperm(영구 시스템 프롬프트), Bsess(세션 상태), Bcold(재개된 세션을 위한 요약 트리), Bdyn(동적, 턴별 지혜 프로그램 출력).
• KV-Cache 최적화: Bperm과 Bsess는 의미적 변경 사항 사이의 턴 간에 바이트가 동일하므로, 거의 100% 의 KV-Cache 재사용을 가능하게 합니다. 안정적인 블록은 전체 입력 가격의 약 10% 만 비용으로 발생시켜 턴당 대형 언어 모델 (LM) 비용을 극적으로 감소시킵니다.

2. 조합 가능한 샌드박스 지혜 프로그램

학습된 정책에 의존하는 대신, Context 는 LM 생성 명령형 프로그램의 **지혜 라이브러리 (Wisdom Library)**를 사용합니다.

• 거버넌스 및 안전성: 프로그램은 활성화 전에 검토되며, Safebox 샌드박스(읽기 전용 입력, 실시간 DB 쿼리 없음, 시간/메모리 제한) 에서 실행되고, 적합도 기반 선택을 통해 진화합니다.
• 단계 순서: 프로그램은 실행 단계 대수 (pre, ctx, post, auto, render, rel, agg, idx) 로 조직됩니다. 프로그램은 데이터 흐름 종속성에 따라 순차적 또는 병렬로 조립되어, 한 단계의 출력이 다음 단계의 입력을 정확하게 공급하도록 보장합니다.
• 선언적 와이어링: 프로그램은 타입 스트림 관계 (예: Safebox/subscribes) 를 통해 목표 유형에 와이어링되어 명령형 등록 코드를 제거합니다.

3. 능동적 목표 스트림 상태 기계

대화 상태 기계에 의해 주도되며, 다음 동작을 결정하기 위해 그래프 상태를 검사합니다.

• 능동적 진보: 그래프 상태가 상태 기계 진보 조건을 충족할 때 (예: 투표 임계값 달성, 의존성 해결), 시스템은 사용자 입력을 기다리지 않고 구조화된 상호작용 콘텐츠 (옵션 배열, 거버넌스 affordance, 명확화 프롬프트) 를 생성합니다.
• 크로스 플랫폼 렌더링: 후단 지혜 프로그램이 옵션 배열을 생성하면, 플랫폼 어댑터가 선언적 와이어링을 통해 이를 Telegram InlineKeyboards, Apple Interactive Messages, Email AMP 등 네이티브 형식으로 렌더링합니다.

주요 기여 및 형식적 결과

본 논문은 Context 아키텍처의 형식적 모델을 제시하고 여섯 가지 핵심 정리를 증명합니다:

1. 컨텍스트 안정성 정리: 의미 변화율의 함수로서 턴당 LM 비용을 제한합니다. 의미 변화율이 턴 빈도에 비해 느려질수록, 캐시된 구성 요소는 안정적인 접두사에 대해 전체 가격을 지불하는 것에 비해 10 배의 비용 절감에 근접합니다.
2. 프로그램 조합 정확성 정리: 단계 순서가 지정된 지혜 프로그램 파이프라인이 개별 정확성을 유지함을 확립합니다. 라이브러리가 단계적으로 정확하고 프로그램이 개별적으로 정확하다면, 조합된 파이프라인도 정확합니다.
3. 선언적 와이어링 건전성 정리: 완전하고 건전한 이벤트 라우팅을 증명합니다. SPACER 의 이벤트 큐 보장에 따라, 모든 일치하는 핸들러는 정확히 한 번 트리거되며, 일치하지 않는 핸들러는 트리거되지 않습니다.
4. 능동적 우위 정리: 능동적 에이전트가 목표 상태에 도달하는 데 필요한 예상 턴 수에 관해 반응형 에이전트를 **약하게 지배 (weakly dominate)**함을 증명합니다. 능동적 에이전트는 배경 이벤트를 처리하기 위한 응답을 트리거하는 사용자 메시지를 기다리는 데 따른 지연을 제거합니다.
5. 조정 오버헤드 제거 및 품질 보존 정리:
   • 오버헤드: 능동적 에이전트는 구조적으로 조정 턴 (상태 문의, 차단자 식별, 책임 할당, 투표 요청) 을 선제하여 조정 오버헤드 비율을 0 에 가깝게 감소시킵니다.
   • 품질: 조정 턴을 제거해도 산출물 품질이 저하되지 않습니다. 이러한 턴에는 LM 에 의해 합성된 심의 콘텐츠가 포함되지 않기 때문입니다. 실제로 능동적 에이전트는 차단 조건을 더 일찍 표면화함으로써 품질을 향상시킬 수 있습니다.
   • 결과: 능동적 에이전트는 다중 참여자 목표 채팅에서 **파레토 개선 (Pareto improvements)**입니다: 턴 수 감소, 동등하거나 더 높은 산출물 품질.
6. 크로스 플랫폼 투표 일관성 정리: 거버넌스 상태 (예: 투표 집계, 포크 승진) 가 모든 플랫폼 (Telegram, 이메일, 웹, 모바일) 에서 일관되고 직렬화됨을 보장하며, 하부의 부가 전용 스트림 로그를 통해 레이스 컨디션을 방지합니다.

또한, 이중 탐색 계층 - 캐시 대응 정리는 상향식 산출물 생성을 컨텍스트 계층과 연결하여, 아키텍처 및 섹션 수준의 컨텍스트는 효율적으로 캐시될 수 있지만 리프 요구 사항은 동적으로 유지됨을 확인합니다.

중요성 및 주장

본 논문은 Context 아키텍처가 단순히 반응적이지만 능동적으로 지능적인 AI 지원 협업 시스템을 위한 완전한 형식적 기초를 제공한다고 주장합니다.

• 구조적 효율성: 고립된 작업의 생산성을 측정하는 경험적 연구와 달리, 이 작업은 다중 참여자 조정 오버헤드를 형식화하고 능동성의 효과에 대한 경계를 증명합니다. 이는 반응형 에이전트의 비효율성이 구조적이며, 더 나은 학습 데이터가 아닌 설계에 의해 제거될 수 있음을 보여줍니다.
• 결정론적 거버넌스: 학습된 정책을 통제된 샌드박스 프로그램과 선언적 와이어링으로 대체함으로써, 시스템은 다중 에이전트 및 인간-AI 협업의 중요한 격차를 해결하며 플랫폼 간 정확성과 일관성을 보장합니다.
• 경제적 타당성: 이 아키텍처는 토큰 비용 감소 (KV-Cache 재사용을 통해) 및 상호작용 시간 단축 (능동적 진보를 통해) 을 통해 조직을 "증명적으로 더 효율적"으로 만들어, 모든 상호작용마다 시스템이 더 유능해지고 비용이 절감되도록 합니다.

구현은 Magarshak Machine 기반, Grokers 이해 계층, 그리고 Context 지능 계층을 통합한 오픈 소스 Qbix / Safebox / Safebots스택에서 실현됩니다.