기술 요약: LLM 매개 소프트웨어 진화를 위한 명세 기반 코드–텍스트–코드 리엔지니어링

1. 문제 제기

대형 언어 모델 (LLM) 은 소프트웨어 마이그레이션, 리팩토링, 코드 재생성에 increasingly 활용되고 있습니다. 그러나 직접적인 코드 대 코드 (Code-to-Code) 변환 접근법은 상당한 한계에 직면해 있습니다. 이러한 한계에는 다음이 포함됩니다:

• 의미적 드리프트 (Semantic Drift): 모델은 표면적인 구문은 유지하면서 근본적인 비즈니스 로직을 변경하거나 숨겨진 행동 변화를 도입할 수 있습니다.
• 비관용적 출력: 생성된 코드는 대상 환경에 부적합한 소스 언어 구조를 유지할 수 있습니다.
• 추적성 상실: 소스 코드, 모델의 해석, 재생성된 산출물 간의 명확한 연결 고리가 종종 부재합니다.
• 맥락적 격차: 직접적인 번역은 종종 데이터 의존성, 예외 처리, 비기능적 가정들을 고려하지 못합니다.

본 논문은 LLM 매개 소프트웨어 진화를 단순한 코드 생성이 아닌, 의미 일관성과 구조 보존을 보장하기 위한 중간 표현 계층이 필요한 통제된 리엔지니어링 과정으로 간주해야 한다고 주장합니다.

2. 방법론: 코드–텍스트–코드 프레임워크

제안된 프레임워크는 명세 기반 코드–텍스트–코드 리엔지니어링 모델을 도입합니다. 핵심 변환 흐름은 다음과 같이 정의됩니다:
$$C_0 \rightarrow S_n \rightarrow C_1$$
여기서 $C_0$는 소스 코드, $S_n$은 중립적 텍스트 명세, $C_1$은 재생성된 대상 코드입니다.

A. 중립적 텍스트 명세 ($S_n$)

단순한 코드 요약과 달리, $S_n$은 다음을 포착하도록 설계된 구조화되고 검증 가능한 산출물입니다:

• 프로그램 동작, 식별자, 그리고 계산 흐름.
• 조건, 부수 효과, 그리고 데이터 의존성.
• 소스 언어 구문 편향 없이 도메인 특화 의도.
• 소프트웨어가 무엇을 하는지 (what) 와 어떻게 구현되는지 (how) 를 분리하는 "의미 중재자" 역할을 수행합니다.

B. 지식 표현 계층

프레임워크는 추적성과 검증을 지원하기 위해 여러 표현 계층을 통합합니다:

• AST 및 메타데이터 추출: 생성 과정을 제약하고 환각을 줄이기 위해 사실 (함수 이름, 시그니처, 의존성) 을 구조화하여 추출합니다.
• 온톨로지 및 의미 주석: 중간 표현을 구조화된 지식 (OWL/SKOS) 에 매핑하여 추론과 재사용을 지원합니다.
• 그래프 표현: 코드 속성 그래프 (CPG) 를 활용하여 의존성 (호출, 읽기, 쓰기) 을 추적하고 변환 손실을 추정합니다.
• 하이브리드 검색: 벡터 검색 (의미 유사성용) 과 그래프 탐색 (구조적 의존성용) 및 메타데이터 필터링을 결합하여 Code2Text 및 Text2Code 단계를 모두 기반 (grounding) 합니다.

C. 파이프라인 아키텍처

종단 간 (end-to-end) 파이프라인은 다음을 포함합니다:

1. 사실적 맥락 추출: 명세 생성 전에 식별자와 의존성을 수집합니다.
2. Code2Text 생성: RAG 와 사실적 맥락을 사용하여 초기 중립 명세를 생성합니다.
3. 반복적 검증 및 정제: 누락된 동작이나 과도한 가정을 감지하기 위해 명세를 소스 코드와 비교합니다.
4. 휴먼-인-더-루프 (Human-in-the-Loop): 모호한 비즈니스 로직이나 숨겨진 가정에 대한 전문가 수정을 선택적으로 수행합니다.
5. Text2Code 생성: 검증된 명세를 기반으로 대상 코드를 생성하여 관용적인 대상 언어 구현을 보장합니다.
6. 대상 검증: 구문, 기능적 동등성, 그리고 인터페이스 안정성을 검증합니다.
7. DBMS 피드백 (SQL 의 경우): 방언별 정확성을 보장하기 위해 실행 기반 검증을 사용합니다.

D. 의미 인식 청킹

본 논문은 단순한 청킹이 의미 단위를 파괴한다고 강조합니다. 원자성, 자체 파서 가능성, 그리고 의미 인식을 기준으로 정의된 "이상적인 코드 청크"를 제안하며, Boundary F1 및 Chunk Certainty 와 같은 지표를 통해 평가합니다.

3. 주요 기여

본 논문은 다섯 가지 주요 기여를 제시합니다:

1. 개념적 해석: 코드–텍스트–코드를 번역 파이프라인이 아닌, 중립 텍스트가 통제된 지식 산출물인 명세 기반 리엔지니어링 과정으로 재정의합니다.
2. 파이프라인 아키텍처: 사실 추출, 반복적 검증, 인간 수정, 그리고 DBMS 지원 피드백을 통합한 포괄적인 시스템.
3. 지식 표현 모델: 소스 코드, 문서, 재생성된 산출물을 연결하기 위해 AST 메타데이터, 온톨로지, 그래프 의존성, 그리고 중립 텍스트를 결합한 통합 모델.
4. 실험적 평가: 여러 언어 (Java, Python, C++, SQL 방언) 를 아우르는 데이터셋과 중간 표현 (의사코드, 그래프 IR, 컴파일러 IR, 자연어 IR) 을 비교하는 평가 프로토콜.
5. 공식 손실 추정: 변환 손실을 정량화하기 위한 그래프 기반 공식화:
   • 방향성 구조 보존 ($\alpha$): 소스 의존성 유지 정도 측정.
   • 역방향 호환성 ($\beta$): 불필요한 대상 의존성 도입 정도 측정.
   • 인터페이스 보존 ($\delta_{IO}$): 입력/출력 안정성 보장.
   • 총 그래프 유사도 ($S$): 위의 항목들의 가중 조화 평균.

4. 실험 결과

저자들은 9 개 프로그래밍 언어와 5 개 SQL 방언에 대해 언어당 1,000 개의 스크립트로 구성된 데이터셋을 사용하여 실험을 수행했습니다.

• 중간 표현 비교: 자연어 IR(중립 명세) 은 의사코드, 그래프 기반 IR, 또는 컴파일러 스타일 IR 에 비해 LLM 매개 변환에 가장 강력한 실용적 적합성을 보여주었습니다.
• 검색 평가: 벡터 검색은 의미 관련성에 있어 더 정확했으나, 그래프 검색은 의존성 탐색에 있어 더 낮은 지연 시간을 제공했습니다. 하이브리드 접근법이 권장되었습니다.
• 문서 변환: TechDoc 에서 BusinessDoc 으로 변환 실험에서 24 개 청크 중 22 개가 검증을 통과했습니다. 실패 사례는 로직 왜곡 또는 범위 누락과 관련되어 검증 루프의 필요성을 강조했습니다.
• 프롬프트 튜닝: DSPy/MIPROv2 를 사용하여 저자들은 원래의 신중하게 제약된 기준 프롬프트가 자동 생성된 변형들보다 더 우수한 성과를 보임을 발견했습니다. 이는 제약된 리엔지니어링 작업의 경우 프롬프트 복잡성보다 중립성, 구조와 같은 명시적 제약이 더 중요함을 시사합니다.
• 그래프 지표: 공식 지표는 구조적 보존과 인터페이스 안정성을 성공적으로 정량화하여 "설득력 있지만 잘못된" 변환을 감지하는 방법을 제공했습니다.

5. 의미 및 주장

본 논문은 명세 기반 코드–텍스트–코드 리엔지니어링이 불투명한 직접 코드 생성에 대한 통제 가능하고, 추적 가능하며, 모니터링 가능한 대안을 제공한다고 주장합니다.

• 투명성: 중간 명세를 명시적으로 만들어 모델의 해석을 가시화하고, 검토 가능하며, 수정 가능하게 합니다.
• 품질 관리: 국소적 구문 정확성을 넘어 의미 커버리지, 검색 기반성, 그리고 구조 보존을 평가하는 방향으로 프레임워크를 확장합니다.
• 지능형 모니터링: 저자들은 이 프레임워크를 단순한 변환 도구가 아닌, 의미 일관성과 변환 손실이 지속적으로 평가되는 "지능형 모니터링"의 대상으로 위치시킵니다.
• 리엔지니어링 대 번역: 이 연구는 LLM 에 의해 매개된 소프트웨어 진화가 단순한 번역에서 코드, 기술 문서, 비즈니스 요구사항, 그리고 그래프 구조를 포함하는 다수준 표현 과정으로의 전환이 필요하다고 주장합니다.

본 논문은 이 접근법이 유망함을 보여주지만, 의미 드리프트와 환각의 위험을 완화하기 위해 특히 금융 또는 의료 시스템과 같은 고위험 분야에서 청킹, 검색 기반성, 그리고 휴먼-인-더-루프 검증을 신중하게 처리해야 한다고 결론지었습니다.