💻 computer science

HABIT: A Self-Evolving AI-Agent Harness for GUI-Based CAE Software---Application to Aerospace

이 논문은 신뢰할 수 있는 도구 호출과 실시간 소프트웨어 상태를 동기화하고 메모리 기반 학습 시스템을 통해 사용자의 습관에 지속적으로 적응함으로써 항공우주 분야의 복잡한 GUI 기반 CAE 워크플로우를 자동화하도록 설계된 자가 진화형, 호스트 불가지론적 AI 에이전트 하네스인 HABIT을 소개한다.

원저자: Shaoqi WU, Jingyi LI, Jiayi YAO, Xingyuan JU

게시일 2026-08-11

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Shaoqi WU, Jingyi LI, Jiayi YAO, Xingyuan JU

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 컴퓨터 프로그램이 믿을 수 없을 정도로 강력하지만, 약간은 고집스러운 로봇과 같다고 상상해 보십시오. 당신은 그들에게 할 일을 지시하고, 그들은 최선을 다해 수행합니다. 하지만 때때로 이 로봇들은 복잡한 메뉴 때문에 혼란에 빠지거나, 5분 전에 당신이 무엇을 요청했는지 잊어버리거나, 혹은 고치려고 했던 바로 그 부분을 실수로 망가뜨리기도 합니다. 이것이 항공우주 엔지니어들이 바람, 응력, 열을 시뮬레이션하여 비행기와 로켓을 설계하는 데 사용하는 전문 도구인 "CAE 소프트웨어"를 사용할 때 마주하는 일상적인 현실입니다. 이 도구들은 강력하지만, 이들과 대화하는 것은 마치 매우 엄격하고 기술적인 언어로만 말하는, 기억력이 아주 짧은 로봇에게 길 안내를 하는 것과 같습니다.

여기에 "AI 에이전트"가 등장합니다. 이것을 초스마트 디지털 비서라고 생각하십시오. 이 비서는 당신의 자연어(예: "날개 위의 압력을 보여줘")를 읽고 당신을 대신해 올바른 버튼을 클릭할 수 있습니다. 하지만 여기에는 함정이 있습니다. 대부분의 AI 비서는 도시를 한 번 방문해서 사진 몇 장 찍고 떠나는 관광객과 같습니다. 그들은 당신이 좋아하는 커피숍이 어디인지 기억하지 못하고, 당신이 커피를 블랙으로 마시는 것을 선호한다는 것도 모르며, 시간이 흐름에 따라 당신이 도시를 어떻게 탐색하는지 배우지도 않습니다. 이 도구들을 매일 사용하는 엔지니어들에게 "일회성" 비서는 충분하지 않습니다. 그들에게는 진화하고, 습관을 학습하며, 함께 작업할수록 더 똑똑해지는 파트너가 필요합니다. 이것이 새로운 연구가 해결하고자 하는 과제입니다.

HABIT을 만나보세요: 당신의 리듬을 학습하는 AI

COMAC(중국 상업항공기 공사)의 연구진은 HABIT이라는 새로운 종류의 AI 비서를 구축했습니다. 이름은 "궤적으로부터 추론된 적응형 행동을 갖춘 조종 장치(Harness with Adaptive Behavior Inferred from Trajectories)"의 약자로, 이는 "당신이 어떻게 일하는지 관찰하고, 당신이 선호하는 단축키를 학습하며, 사용할 때마다 더 똑똑해지는 도구"라는 뜻을 멋지게 표현한 것입니다.

당신에게 아주 유능하지만 잘 까먹는 인턴이 있다고 상상해 보십시오. 만약 당신이 "날개를 확인해줘"라고 요청한다면, 그들은 엉뚱한 부분을 확인하거나, 색상을 당신이 좋아하는 파란색으로 설정하는 것을 잊어버릴 수도 있습니다. HABIT은 다릅나다. 그것은 단순히 당신의 명령을 따르는 것뿐만 아니라, 당신의 습관을 기록하는 비밀 노트를 가지고 있는 인턴과 같습니다. 만약 당신이 항상 비행기의 "WALL" 부분부터 먼저 본다거나, 열을 보기 위해 특정 색상 맵을 항상 사용한다면, HABIT은 이를 기억합니다. 다음에 당신이 "이것을 분석해줘"라고 말하면, HABIT은 단순히 작업을 수행하는 것이 아니라, 당신의 방식대로 자동으로 수행합니다.

"멍청한" AI의 문제점

이 논문은 기존의 엔지니어링 AI 도구들이 눈을 가린 채 자동차를 운전하려는 사람과 같다고 설명합니다. 그들은 분명히 스티어링 휠을 돌렸다고 주장할 수 있지만, 자동차는 실제로 움직이지 않습니다. 엔지니어링 소프트웨어의 세계에서는 AI가 설정을 변경했다고 말하는 것만으로는 부족합니다. 소프트웨어가 실제로 변경되어야 합니다. 만약 AI가 "압력을 500으로 설정했습니다"라고 말했는데 화면에는 여전히 100이 표시되어 있다면, 그것은 재앙입니다.

게다가, 대부분의 AI 에이전트는 "상태가 없는(stateless)" 상태, 즉 과거의 대화에 대한 기억이 없음을 의미합니다. 그들은 모든 새로운 요청을 마치 당신을 처음 만난 것처럼 취급합니다. 연구진은 복잡한 엔지니어링 작업에 있어 이것은 치명적인 결함이라고 주장합니다. 당신에게는 당신을 알고, 당신의 선호도를 기억하며, 엔지니어링 소프트웨어의 까다로운 다단계 과정을 길을 잃지 않고 처리할 수 있는 에이전트가 필요합니다.

HABIT의 작동 원리: 5계층의 두뇌

HABIT은 단순한 챗봇이 아닙니다. 안전하고 스마트하며 스스로 개선되도록 설계된 5개의 계층을 기반으로 구축된 정교한 시스템입니다.

"허세 금지" 규칙: HABIT의 가장 큰 규칙 중 하나는 절대 거짓말을 하지 않는다는 것입니다. 만약 AI가 하지 않은 일을 했다고 속이려 한다면, HABIT이 이를 잡아냅니다. 시스템은 매 동작 후에 실제 소프트웨어 상태를 확인합니다. 만약 AI가 "빨간 불을 켰습니다"라고 말했는데 불이 여전히 꺼져 있다면, 시스템은 무언가 잘못되었음을 인지하고 다시 시도합니다. 이는 마치 선생님이 학생에게 "숙제했어요"라는 대답을 그냥 받아들이는 것이 아니라, 실제로 노트를 검사하는 것과 같습니다.
기억 노트 (수동적 학습): 이것이 가장 멋진 부분입니다. HABIT은 당신의 습관을 수동적으로 학습하는 "기억 계층"을 가지고 있습니다. 당신이 "이것을 기억해!"라고 말할 필요가 없습니다. 대신, 그것은 당신이 무엇을 하는지 관찰합니다. 만약 당신이 반복적으로 특정 색상 맵을 선택하거나 특정 부품을 본다면, HABIT은 그 패턴을 포착합니다. 몇 차례의 세션 후에, 그것은 그 일들을 자동으로 수행하기 시작합니다. 이는 당신이 문을 열고 들어오기도 전에 당신이 오트 밀크를 넣은 라떼를 주문할 것임을 아는 바리스타와 같습니다.
안전 가드레일: 엔지니어링 소프트웨어는 잘못 사용하면 위험합니다. HABIT은 안전을 유지하기 위한 엄격한 규칙을 가지고 있습니다. 예를 들어, 어떤 동작은 되돌릴 수 없다는 것(파일 삭제 등)을 알고 있으므로, 먼저 당신의 허락을 구합니다. 또한 AI가 프로그램을 충돌시킬 수 있는 두 가지 일을 동시에 수행하려고 하지 않도록 제어합니다. 이는 언제 조종간을 잡고 언제 인간 조let에게 결정을 맡겨야 하는지 정확히 아는 부조종사와 같습니다.
"컨텍스트" 기술: AI가 너무 많은 정보로 인해 혼란에 빠지는 것을 방지하기 위해, HABIT은 "컨텍스트 엔지니어링"이라는 영리한 기술을 사용합니다. 우주의 전체 역사를 뇌에 쏟아붓는 대신, 현재 화면에서 일어나고 있는 일에 대한 작고 압축된 요약본을 AI에게 제공합니다. 이를 통해 AI는 집중력을 유지하고 빠르게 작동할 수 있습니다.
네 가지 제어 모드: HABIT은 언제 주도권을 잡고 언제 기다려야 할지를 압니다. 네 가지 모드가 있습니다:
- 자동 조종 (Auto-Pilot): 단순하고 안전한 작업의 경우, 그냥 수행합니다.
- 동기화 모드 (Sync Mode): 작업하는 동안 화면을 당신을 위해 업데이트합니다.
- 선 결정 요청 (Ask First): 크고 위험한 변경 사항의 경우, 멈춰서 "정말 하시겠습니까?"라고 묻습니다.
- 제안 모드 (Suggestion Mode): "이것을 하고 싶으실 것 같은데, 어떠신가요?"라고 말하며, 당신은 그저 "예"를 클릭하기만 하면 됩니다.

증명: 실제로 효과가 있는가?

연구진은 단순히 HABIT을 만들고 결과가 좋기를 바란 것이 아닙니다. 그들은 이를 테스트했습니다. 단순한 원클릭 작업부터 복잡한 다단계 엔지니어링 문제에 이르기까지 33가지의 서로 다른 과제를 만들었습니다. 그들은 유명한 날개-몸체 모델인 CRM-WBT를 포함한 실제 항공우주 데이터를 사용하여 이를 테스트했습니다.

결과는 인상적이었습니다. AI가 실제로 소프트웨어를 변경하고 최종 결과를 정확히 도출해야 하는 어려운 과제(가장 어려운 부분)를 수행했을 때, 성공률은 **96.6%**에 달했습니다. 이는 단번에 답을 맞히려고 시도하는 기존 방식들에 비해 엄청난 도약입니다. 더욱이, AI는 자신이 하지 않은 일을 했다고 "속이는" 일이 전혀 없었습니다. 그것은 정직하고, 신뢰할 수 있으며, 일관되었습니다.

한 시연에서, 한 엔지니어가 HABIT에게 "내 습관에 따라 현재 데이터셋을 분석해줘"라고 요청했습니다. HABIT은 이전 세션 동안 엔지니어를 관찰했기 때문에, 즉시 비행기의 "WALL" 부분만 보여주고, 특정 "coolwarm" 색상 맵을 사용하며, 날개의 특정 단면을 보도록 알고 있었습니다. 엔지니어는 이러한 지침을 반복할 필요가 없었습니다. AI가 그냥 알고 있었던 것입니다.

이것이 왜 중요한가

이 논문은 이러한 종류의 "자기 진화형" AI가 엔지니어링의 미래라고 제안합니다. 이것은 컴퓨터를 끊임없이 미세하게 관리해야 하는 도구에서, 당신과 함께 성장하는 파트너로 변화시킵니다. 매일 메뉴를 클릭하고 동일한 뷰를 설정하는 데 시간을 허비하는 대신, 엔지니어들은 실제 과학과 설계에 집중할 수 있습니다.

HABIT은 AI가 모두에게 똑같은 답을 주는 일반적인 로봇이 될 필요가 없음을 보여줍니다. AI는 당신의 스타일을 배우고, 당신의 안전 규칙을 존중하며, 당신이 사용할수록 더 나아지는 개인화된 비서가 될 수 있습니다. 정밀함과 효율성이 전부인 항공우주 산업에서, 이것은 단순히 있으면 좋은 기능이 아니라 게임 체인저입니다. 연구진은 이미 이 기술을 비행기가 열이나 응력을 어떻게 다루는지 확인하는 것과 같은 다른 유형의 엔지니어링으로 확장하는 방법을 구상하고 있으며, 이는 학습하는 기계들에게 하늘이 끝이 아님을 증명하고 있습니다.

기술 요약: HABIT – GUI 기반 CAE 소프트웨어를 위한 자기 진화형 AI 에이전트 하네스

1. 문제 정의

항공우주 분야에서 사용되는 그래픽 사용자 인터페이스(GUI) 기반 도구와 같은 컴퓨터 보조 공학(CAE) 소프트웨어는 디지털 워크플로에서 중요한 병목 현상을 야기합니다. 엔지니어들은 밀집된 메뉴 탐색, 다단계 작업 시퀀싱, 물리적 결과 검증과 같이 빈번하고 반복적인 작업을 수행하지만, 이러한 상호작나션은 여전히 노동 집약적인 상태로 남아 있습니다.

OpenFOAM과 같은 명령줄 인터페이스(CLI)를 통한 시뮬레이션 설정 및 실행 자동화나 일반 목적의 웹/OS 에이전트에 초점을 맞춘 기존의 AI 에이전트 연구(CFD를 위한 파운데이션 모델 에이전트 포함)는 GUI 기반 엔지니어링 소프트웨어 내부에 에이전트를 임베딩하는 데 따르는 특수한 제약 조건을 해결하지 못합니다:

상태 일관성(State Consistency): 에이전트는 소프트웨어 상태를 실제로 변화시켜야 합니다. 렌더링 컨텍스트를 변경하지 않고도 장면을 변경했다고 주장하는 "가짜 행동(pretend actions)"은 허용되지 않습니다.
도메인 충실도(Domain Fidelity): 물리적 단위와 엔지니어링 관습이 엄격하게 보존되어야 합니다.
스레드 안전성(Thread Safety): 렌더링 컨텍스트는 종종 엄격한 스레드 친화성(예: GUI 스레드 전용)을 요구하며, 워커 스레드는 이에 접근할 수 없습니다.
적응성(Adaptability): 사용자의 습관과 도구의 표면은 시간이 지남에 따라 변하지만, 기존 에이전트는 상태가 없으며(stateless) 사용자와 함께 진화하지 못합니다.

2. 방법론: HABIT 하네스

저자들은 GUI 기반 CAE 소프트웨어에 직접 임베드되도록 설계된 자기 진화형, 호스트 불가지론적(host-agnostic) 하네스인 HABIT(Harness with Adaptive Behavior Inferred from Trajectories)을 제안합니다. 이 시스템은 에이전트가 호스트 상태( $S_t$ )의 부분 스냅샷을 관찰하고 고정된 도구 세트( $T$ )를 통해 행동하며, 작업 완료가 최종 실제 소프트웨어 상태에 대한 술어(predicate)로 정의되는 정식 설정을 기반으로 구축되었습니다.

A. 7가지 설계 원칙

하네스는 신뢰성과 안전성을 보장하기 위해 7가지 원칙을 준 준수합니다:

비예외 발생 도구(Non-Raising Tools): 도구는 루프 내로 예외를 던지지 않습니다. 실패는 모델의 자기 수정을 허용하도록 구조화된 에러로 래핑됩니다.
디커플링된 도구 레이어(Decoupled Tool Layer): 도구는 클로저를 통해 호출 시마다 신선한 상태를 가져오므로, 오래된 캐시 참조를 피합니다.
점진적 공개(Progressive Disclosure): 컴팩트한 스킬 인덱스가 상주하며, 프롬프트 과부하를 방정하기 위해 전체 도구 본문은 호출 시에만 로드됩니다.
강제 종료(Forced Termination): 제한된 단계 예산은 무한 루프를 방지하며, 최종 단계에서는 도구 호출을 비활성화합니다.
GUI 스레드 안전성(GUI Thread Safety): 모든 GUI 접촉 호출은 단일 어댑터 파사드를 통해 GUI 스레드로 마샬링(marshaling)됩니다.
도메인 규칙 충실도(Domain Rule Fidelity): 시스템 프롬프트에는 안티 패턴 교육(잘못된/옳은 예시)이 포함되며 단위 보존을 강제합니다.
조합 가능한 도구 설계(Composable Tool Design): 선택 오류를 줄이기 위해 많은 수의 좁은 도구보다는 적고 조합 가능한 도구를 선호합니다.

B. 5계층 아키텍처

참조 아키텍처는 다음의 5개 계층으로 구성됩니다:

도구 실행(Tool Execution): 스키마 검증이 완료된 비예외 핸들러.
루프 제어(Loop Control): 반복 예산을 강제하고, 가짜 행동을 감지하며, 재시도를 관리합니다.
지식(Knowledge): 점진적 공개를 통해 스킬을 제공하고 도메인 규칙을 주입합니다.
GUI 통합(GUI Integration): 도메인별 컨트롤러(장면, 곡선, 애니메이션)로 호출을 마샬링하는 단일 어댑터 파사드.
메모리(Memory): 개인화를 위한 자기 진화형 시스템(아래 상세 설명).

C. 컨텍스트 엔지니어링

정확성과 압축성을 유지하기 위해 HABIT은 다음을 채택합니다:

장면 인식 상태 주입(Scene-Aware State Injection): 현재 상태(필드, 컬러맵, 토글)의 컴팩트한 JSON 스냅샷이 매 턴 시스템 프롬프트에 추가됩니다.
상태-지문 캐싱(State-Fingerprint Caching): 장면 상태나 활성 스킬이 변경될 때만 프롬프트를 재구축합니다.
밀도 인식 토큰 예산(Density-Aware Token Budgeting): 토큰 과소 추정을 방지하기 위해 라틴 문자와 CJK(중국어, 일본어, 한국어) 텍스트를 구분합니다.
원자적 절단(Atomic Truncation): 어시스턴트의 도구 호출과 그 결과를 원자적 단위로 취급하여 유효하지 않은 API 시퀀스를 방지합니다.

D. 인간-AI 협업 제어

제어 권한은 위험도에 따라 4가지 모드 분류 체계로 할당됩니다:

모드 A (시스템 강제): AI가 실행하고 시스템이 검증합니다(가짜 행동에 대한 정규식 감지 포함).
모드 B (공유 상태 동기화): AI가 실행하고 GUI가 읽기 전용 도구를 자동 동기화합니다.
모드 C (Human-in-the-Loop): 고위험 작업은 인간의 확인이 필요하며, 거절은 모델이 반응할 수 있는 에러 결과로 처리됩니다.
모드 D (선제적 제안): AI가 행동을 제안하면 사용자가 한 번의 클릭으로 채택합니다.

E. 자기 진화형 메모리 및 습관 학습

상태가 없는(stateless) 에이전트와 달리, HABIT은 사용자 궤적을 수동적으로 채굴하는 3계층 메모리 시스템을 갖추고 있습니다:

수동적 습관 학습(Passive Habit Learning): 백그라운드 프로세스가 로그를 집계하여(최대 7일), 선호하는 컬러맵이나 뷰 각도와 같이 세션 전반에 걸쳐 3회 이상 반복되는 안정적인 습관을 추출합니다.
명시적 메모리(Explicit Memory): 사용자는 선호도를 명시적으로 기록할 수 있으며, 이는 투명하고 편집 가능한 Markdown 파일(EXPERIENCE.md)에 추가됩니다.
인-세션 압축(In-Session Compression): 긴 세션 히스토리는 구조화된 요약으로 압축됩니다.
이러한 습관들은 시스템 프롬프트에 주입되어, 에이전트가 명시적인 재지시 없이도 행동을 개인화(예: 특정 컬러맵 자동 적용)할 수 있게 합니다.

3. 주요 기여

설계 원칙: GUI 기반 CAE 소프트웨어에 에이전트를 임베딩하기 위한 7가지 전용 설계 원칙.
참조 아키텍처: 컨텍스트 엔지니어링(상태 주입, 지문 캐싱, 토큰 예산)을 포함하는 5계층 아키텍처.
제어 분류 체계: 작업 위험에 기반한 인간-AI 협업 GUI 제어를 위한 4가지 모드 프레임워크.
자기 진화형 메모리: 세션 간 에이전트 행동을 개인화하기 위해 궤적으로부터 습관을 수동적으로 채굴하는 시스템.
경험적 평가: 33개의 후처리 작업 및 CRM-WBT 윙-바디 벤치마크에 대한 엔드 투 엔드 케이스 스터디를 통한 종합적 평가.

4. 결과

시스템은 3개의 독립적인 라운드(99회 실행)에 걸쳐 33개의 CAE 후처리 작업(단일 단계, 다단계, 부정적, 모호한 작업)에 대해 자체 호스팅된 35B 오픈 웨이트 모델을 사용하여 평가되었습니다.

작업 성공률: "Hard" 점수(최종 상태 정확도)는 전체적으로 0.966을 달성했습니다. 단일 단계 및 모호한 작업에서는 1.000에 도달했습니다. 난이도가 높아짐에 따라 성능이 완만하게 저하되었습니다 (Easy: 0.907, Medium: 0.858, Hard: 0.687).
안정성: 97%의 작업에서 세 라운드 모두 동일한 Hard 점수를 기록했습니다.
효율성: 모든 에피소드는 50단계 예산 내에서 종료되었으며, 작업당 평균 1.9개의 도구 액션을 수행했습니다. 261회의 모든 LLM 호출이 성공했습니다.
강건성: "부정적(negative)" 작업 세트(불법 요청)에서, 최종 소프트웨어 상태는 **83.3%**의 경우에 영향을 받지 않고 유지되었습니다. 도구 호출 성공률은 **96.2%**였습니다.
비교: HABIT은 단일 샷 플래닝(single-shot planning) 베이스라인보다 도구 시퀀스 점수에서 0.19 더 높은 성과를 보였습니다 (0.642 vs 0.455). 에이전틱 루프는 베이스라인이 실패한 곳에서 산문 형태의 응답을 실행 가능한 액션으로 성공적으로 변환했습니다.
케이스 스터디 (CRM-WBT): 시스템은 복잡한 공력 분석 워크플로우를 성공적으로 실행했습니다. 이후 세션에서 단일 명령("내 습관에 따라 분석해줘")을 통해, 별도의 재지시 없이도 채굴된 선호도(WALL-only 가시성, 특정 컬러맵, 특정 Cp 곡선 섹션)를 성공적으로 재현했습니다.

5. 의의 및 주장

본 논문은 HABIT이 항공우주 디지털화의 핵심적 격차, 즉 복잡한 GUI 기반 엔지니어링 소프트웨어와 신뢰성 있게 상호작용하고 함께 진화할 수 있는 AI 에이전트의 부재를 해결한다고 주장합니다.

주장보다 검증 우선: 시스템은 모델의 주장보다 실제 소프트웨어 상태의 검증을 우선시하여, 에이전트가 작업을 수행한 척 "가짜로" 행동하는 것을 방지합니다.
적응성: 궤적으로부터 습적으로 습관을 채굴함으로써, 시스템은 엔지니어의 인지 부하를 줄이고 에이전트가 사용자 고유의 기본값(예: 시각화 선호도)을 자동으로 학습하고 적용할 수 있게 합니다.
안전성: 아키텍처는 스레드 안전성과 도메인 규칙을 강제하여, 물리적 충실도가 매우 중요한 고위험 엔지니어링 환경에 적합하도록 만듭니다.
확장성: 모듈형 디자인을 통해 베이스 하네스를 수정하지 않고도 선언된 프로필을 통해 새로운 CAE 도메인을 온보딩할 수 있습니다.

저자들은 HABIT이 엔지니어링 워크플로에서 자율적이고 자기 개선적인 AI 어시스턴트로 나아가는 실행 가능한 경로를 보여준다고 결론짓습니다. 다만, 이를 구조/열 해석으로 확장하고 개인정보 보호 보장에 대해 추가 조사하는 후속 연구가 필요합니다.