뉴로심볼릭 명제

세 가지 누적 실패 모드 때문에 순수 LLM 에이전트는 TravelPlanner 벤치마크에서 고작 0.6%의 성공률을 기록합니다. 첫째, 확률의 사슬: 각 단계가 90%의 확률로 성공한다면 10단계 워크플로우의 성공률은 고작 34%입니다(0.9의 10제곱). 항공권 예약에는 10개 이상의 순차 작업이 필요합니다. 둘째, 컨텍스트 드리프트: 컨텍스트 윈도우가 중간 데이터로 채워질수록 소프트맥스 어텐션이 너무 얇게 분산되어, 에이전트가 이전 단계에서 설정한 예산 한도 같은 제약조건을 '잊어버리게' 됩니다. 셋째, 환각 연쇄: 2단계의 미묘한 오류(오전 2:00을 오후 2:00으로 잘못 읽음)는 모든 하류 단계로 전파되며, 에이전트는 자신의 오류를 스스로 강화합니다. 근본적인 문제는 아키텍처에 있습니다: 제어 흐름(다음에 무엇을 할지 결정)은 언어 과제가 아니라 로직 과제입니다.

핵심 아키텍처 반전은 LLM을 계획자(제어)가 아니라 번역기(지각)로 취급하는 것입니다. Veriprajna의 아키텍처에서는 다음과 같습니다. 제어 흐름은 확률론적 토큰 예측이 아니라 결정론적 그래프 엣지(Python 조건 로직)를 사용합니다. 상태 지속성은 암묵적인 채팅 기록이 아니라 명시적인 타입화 데이터베이스 스키마(Pydantic/TypedDict)를 사용합니다. API 상호작용은 형식 오류가 발생하기 쉬운 LLM 생성 페이로드가 아니라 코드 생성된 타입 안전 JSON을 사용합니다. 오류 복구는 재시도를 반복하는 막연한 루프가 아니라 매핑된 결정론적 전략을 사용합니다. LLM은 자연어에서 구조화된 데이터를 추출하고, 모호한 지시를 해소하며, 사람이 읽기 좋은 요약을 생성하는 등 자신이 가장 뛰어난 일을 담당합니다. 그래프는 예산 검증, API 순서화, 제약조건 확인 등 결정론이 필요한 일을 담당합니다. 제약조건이 어텐션 윈도우가 아니라 타입화된 상태 변수에 살고 있기 때문에 컨텍스트 드리프트가 제거됩니다.

LangGraph는 네 가지 핵심 엔터프라이즈 역량을 제공합니다. 영속성 및 체크포인팅: 모든 노드 전이 후 상태가 데이터베이스에 저장되어 몇 시간 뒤의 세션 재개와, 엔지니어가 임의의 체크포인트를 불러와 실행을 재생할 수 있는 타임 트래블 디버깅이 가능합니다. 휴먼인더루프(HITL): 그래프가 승인 게이트(예: 항공권 비용이 $1,000 정책 한도 초과)에서 일시 중지하고 관리자에게 이메일을 보낸 뒤 인간의 승인 후에만 재개하는 네이티브 인터럽트 패턴입니다. 감사 추적 및 컴플라이언스: 노드 실행 로그가 각 결정이 내려진 정확한 이유를 보여주어 고위험 AI에 대한 EU AI법 투명성 요건을 충족합니다. 비용 최적화: 하드코딩된 오류 처리기가 환각 루프(멈춘 세션당 $5-$10 비용)를 방지하고, 코드 기반 컨텍스트 압축이 50KB 원시 GDS 응답 대신 관련 5개 필드만 LLM에 전달하여 토큰 사용량을 90% 줄입니다.