Token Lab검색

JEV · AGENT SYSTEMS

Jev와 코딩 에이전트 Harness: 판단, 문맥, 비용과 실행 제어

확산된 PDF의 주장을 검토하고 타입 기반 판단을 에이전트에 연결하는 원리를 참조 구조, 계산, 실행 가능한 로컬 실습으로 설명합니다.

JevHarnessRLCDContext engineering

출처 및 버전 정보
이 글의 목차

Jev가 바꾸는 것과 소프트웨어의 책임

코딩 에이전트는 추론과 동작을 반복하는 상태 기반 프로그램입니다. Harness는 문맥, 도구, 예산, 관찰 기록과 실행 권한을 관리합니다. 모델은 패치를 제안하지만 어떤 저장소 버전을 보고 무엇을 실행할지는 런타임이 결정합니다.

Jev는 TypeSafe의 판단 모델이며 코드 생성기를 대체하지 않습니다. 입력 상태에서 타입이 정해진 판단을 반환합니다 [1]. HTTP 클라이언트의 재시도 증폭을 수정하는 SRE 에이전트를 예로 사용합니다. 생성 모델이 코드를 작성하고 판단 모델은 증거 선택을 돕지만 인증과 권한 집행은 소프트웨어가 담당합니다.

목표는 라우팅의 비용 효과를 계산하고 재현 가능한 harness를 만드는 것입니다. JSON은 데이터 계약, 확률은 불확실성, 캐시는 동일한 ID와 버전에서만 유효한 재사용입니다. Python 함수와 타임아웃을 이해하면 유료 모델 없이 실습할 수 있습니다.

홍보 문구와 증거의 범위를 구분하기

12쪽 PDF는 2026년 9월 독립 편집본이며 TypeSafe의 공식 승인이 없다고 명시합니다. 명시적 상태, 질문별 문맥, 정책 기반 라우팅을 제안합니다 [2]. Almeida가 InstructGPT 공동 저자인 것은 사실이지만 [3], PDF 저자라는 증거는 아닙니다.

공식 보고서의 193.6×와 444.6×는 모델 확률을 기준으로 삼은 특정 System One 워크플로 비교입니다 [4]. 전체 코딩 에이전트의 개선을 입증하지 않습니다. 제공된 글의 ‘2시간 설정’도 재현 절차가 없습니다.

판단 한 번, 워크플로, 올바른 수정은 분모가 다릅니다. 재시도가 늘면 시도당 비용이 줄어도 해결당 비용은 커집니다. 이 글은 독자적인 공학 분석과 로컬 시뮬레이션이며 비공개 모델 내부를 복원하지 않습니다.

문장 생성에서 범위가 정해진 판단으로

자기회귀 생성은 다음 토큰을 순차적으로 예측하고, 제한된 판단은 이미 정의된 결과 집합을 다룹니다. TypeSafe는 병렬 출력과 RLCD를 설명하지만 [4] [5], 학습을 재현할 구조·손실·데이터는 확인되지 않습니다. 추측한 내부 구현을 사실처럼 제시하지 않습니다.

‘서비스를 수정하라’는 조사가 필요하지만 ‘이 증거를 어느 하위 시스템에 보낼까’는 후보가 정해진 판단입니다. 그러나 재시도 정책이 없는 스택 트레이스는 형식상 맞아도 원인을 잘못 가리킬 수 있습니다.

스키마는 존재하지 않는 도구 이름은 막지만 유효한 도구를 잘못 선택하는 것은 막지 못합니다. 타입이 있는 함수도 잘못된 정수를 반환합니다. 구조화 출력 LLM과 같은 과제에서 품질, 보정, 지연을 비교해야 합니다.

기호 x는 입력, y₁:T는 토큰 열, s는 상태, Q는 질문, A는 허용 답 집합입니다. 뒤 식은 인터페이스 추상화이며 Jev 학습 목적이 아닙니다.

모델보다 먼저 질문을 설계하기

Choice는 후보 선택, Score는 순서가 있는 기준, Noul은 명제의 확률입니다 [6] [7] [8]. 관련도 0.8이 패치 정답률 80%는 아닙니다. 후보 하나를 골라도 원인이 후보 집합 안에 있다는 증거는 아닙니다.

증거 패킷에는 목표, 리비전, 실패 assertion, 코드 일부, 허용 후보 ID, 누락 정보를 담습니다. 충분성과 관련성을 따로 묻고 부족하면 검색을 추가합니다. 누락과 모순은 다른 이유로 기록합니다.

독립 질문은 같은 스냅샷에서 묶습니다. B가 A의 답에 의존하면 다음 단계에서 실행합니다. 기준과 임계값을 버전 관리하여 과거 기록의 의미를 보존합니다.

보정, 집중도, 오류의 비용

Choice confidence는 최고 확률을 균등 분포 기준으로 재조정합니다 [9]. 후보가 셋이고 최고 확률이 0.8이면 0.7입니다. 둘을 확인해도 독립된 증거가 늘지는 않습니다. Noul에는 별도 confidence가 없습니다.

보정은 집단의 성질입니다. 0.8 부근 예측에서는 약 80%가 실제로 발생해야 합니다. 일정 확률만 내는 예측기도 보정은 가능하지만 구분 능력은 약합니다. 높은 정확도도 드문 위험 동작에서 과신할 수 있습니다. 저장소, 언어, 동작별로 확인해야 합니다.

자체 예로 오류 손실 100, 완벽한 수동 검토 비용 2를 가정합니다. 자동 동작의 기대 손실은 (1−p)×100이므로 p>0.98에서 유리합니다. 실제 권장 임계값이 아니며 사람도 틀릴 수 있습니다. 확률은 권한을 부여하지 않습니다.

재시도 장애의 참조 아키텍처

컨트롤러는 작업 ID, 접근 범위, 고정 commit을 만듭니다. 읽은 파일에 경로·범위·해시를 붙이고 외부 라우터를 포함한 모든 전송 전에 비밀을 제거합니다. 상태 저장소는 불변 관찰을 보관하고 정책은 컨트롤러가 관리합니다.

필수 지침과 실패 assertion을 고정한 뒤 예산 내에서 증거를 추가합니다. 판단 모델의 제안을 허용 제공자 및 예산과 교차 확인합니다. 생성 모델의 패치는 격리 worktree에서 범위 검증 후 적용합니다. 도구 출력은 데이터이지 권한이 아닙니다.

타임아웃은 보수적 경로나 검토로 돌아가며 잘못된 응답은 실행하지 않습니다. 오래된 버전은 다시 읽습니다. 취소 후 새 동작을 막아도 이미 전송된 API 비용은 남을 수 있습니다. 충돌 뒤에는 결과가 불명확한 쓰기를 재시도하기 전에 조정해야 합니다.

자체 참조 구조: 추천은 정책을 거치고 승인된 실행기만 동작합니다. 점선은 관찰 기록입니다. TypeSafe 내부 구조가 아니며 클릭하면 원본 크기로 볼 수 있습니다.
자체 참조 구조: 추천은 정책을 거치고 승인된 실행기만 동작합니다. 점선은 관찰 기록입니다. TypeSafe 내부 구조가 아니며 클릭하면 원본 크기로 볼 수 있습니다.
구성 요소입력 → 출력보장하지 않는 것
판단 모델증거와 후보 → 확률권한·사실의 확실성
문맥 구성허용 증거와 예산 → 패킷생략한 증거의 무관함
정책 엔진ID와 범위 → 허용/검토/거부패치의 정확성
실행기승인 제안 → 관찰타임아웃 시 무부작용
독립 검증패치와 검사 → 결과검사 범위 밖 정확성

문맥 선택은 증거 예산 배분

재시도 상한 규칙, 현재 코드, 실패 assertion은 오래된 대화보다 중요합니다. 청크에는 ID, 버전, 출처, 크기, 권한, 필수 표시가 필요합니다. 요약에는 원문 참조를 유지합니다.

교육 모델은 예산 안에서 청크별 표현을 선택합니다. 효용은 추정이며 정의와 호출처럼 의존성이 있습니다. 필수 계약과 출력 예산을 먼저 확보하고 공간이 없으면 거부해야 합니다.

안정된 접두 문맥과 동적 증거를 분리하고 해시 변경 시 요약을 무효화합니다. FastContext의 검색 연구는 별도 증거이며 [10], Jev 측정으로 부를 수 없습니다.

저렴한 호출이 아니라 전체 경로 계산

합성 예: 입력 1만 토큰을 백만당 $2, 출력 천 토큰을 $8로 가정하면 $0.028입니다. 현재 요금이 아닙니다. 저렴한 경로 $0.010에 전달·검토 $0.015와 판단 $0.001을 더하면 $0.026으로 7.1%만 절감됩니다. 재시도 $0.004가 더해지면 손해입니다.

판단이 시간의 20%이고 200배 빨라져도 Amdahl 법칙상 전체는 약 1.248배입니다. 병렬 작업은 중첩 span 합계가 아닌 임계 경로를 봅니다.

실패, 검색, 검토를 포함한 승인된 수정당 비용을 비교합니다. 버전과 캐시 조건을 맞추고 프롬프트 과금과 KV 상주를 같은 계약으로 간주하지 않아야 합니다.

nᵤ, n꜀, nₒ는 비캐시 입력, 캐시 입력, 출력 토큰 수이며 p는 백만당 달러입니다. C_d는 판단 요금입니다. S의 f는 기존 시간 비중, s는 해당 배수이며 직렬 구성과 나머지 작업 불변을 가정합니다.

자체 Amdahl 계산: 판단 속도 200배. 가로축은 기존 판단 시간 비중, 세로축은 전체 가속입니다. 합성 예이며 Jev 실측이 아닙니다.
자체 Amdahl 계산: 판단 속도 200배. 가로축은 기존 판단 시간 비중, 세로축은 전체 가속입니다. 합성 예이며 Jev 실측이 아닙니다.

추천은 실행 권한이 아니다

패치 준비 권한은 배포 권한이 아닙니다. 라우팅 전과 실행 직전에 동작·대상을 검사하고 승인을 ID, digest, 만료, 버전에 연결합니다.

위험 문자열 검색만으로 shell을 보호할 수 없습니다. 하위 프로세스, import, symlink가 실제 효과를 바꿉니다. 좁은 동작, 정규화 경로, 격리, 자원 제한을 사용하고 운영 자격 증명을 주지 않습니다. 테스트도 코드 실행입니다.

주석과 로그에도 인젝션이 들어옵니다. 출처는 권한이 아닙니다. 쓰기 타임아웃이 미실행을 뜻하지 않으므로 결과 조정이 필요합니다. SQLite는 외부 API와 원자적 트랜잭션을 만들 수 없습니다.

에이전트 재구축 전에 판단 지점 하나부터

연동에는 skill, 호출 도구, 매 턴을 제어하는 네이티브 harness의 세 수준이 있습니다. skill 설치가 전체 제어권을 주지는 않습니다. 실제 버전의 확장 지점을 확인해야 합니다.

먼저 증거 순위를 섀도 모드로 기록하고 실행을 바꾸지 않은 채 비교합니다. 작은 작업 집단에 적용하고 즉시 롤백 경로를 유지합니다. 독립 문맥과 간결한 결과를 전달할 수 있을 때 모델 라우팅을 추가합니다.

어댑터는 스키마, 확정 모델 버전, 마감, 동시성, 실패 비용을 관리합니다. 캐시 키에는 모델·질문·정책 버전과 상태 해시를 포함하고 테넌트 간 공유하지 않습니다. 공식 API와 skill은 끝에 연결했습니다 [11] [12]. 실습은 고정 응답만 사용하며 유료 호출하지 않습니다.

가치가 있는 상황과 남은 문제

결정적 사실은 코드, 관련성은 embedding이나 reranker, 제한된 판단은 결정 모델, 새로운 패치는 생성 모델에 맡깁니다. 모든 분기를 AI 호출로 만들 필요는 없습니다.

구매자는 개발 플랫폼·에이전트 인프라 팀이며 비용과 기밀 조건 안에서 올바른 작업 처리량을 원합니다. 전문 업체는 지연·보정, 종합 모델 업체는 번들·캐시, harness는 작업·감사, 자체 호스팅은 데이터 통제에서 경쟁합니다. 점유율 순위나 인수 주장과는 다릅니다.

희귀 사건, 후보 누락, 잘린 의존성, 판단기 간 상관 오류가 남습니다. 과도한 병렬화는 청구서를 키웁니다. 라우터 최적화는 재귀적 지능 향상의 증거가 아닙니다.

실습, 검증과 면접 준비

Python 3.11 이상에서 python3 lab.py를 실행합니다. 의존성, 키, 네트워크가 없습니다. 고정 응답이므로 난수 seed도 필요 없습니다. 메모리 SQLite에는 서로 다른 판단 다섯 개가 남고 같은 요청은 재사용됩니다. 프로세스 간 영구 복구를 구현한 것은 아닙니다.

필수 증거 선택, 확률 검증, 경로 추천, 정책 집행 순서로 읽습니다. 해시가 재실행을 구분합니다. 탐욕 선택은 최적 보장이 없고 토큰 수는 가정입니다. shell이나 패치 생성을 실행하지 않습니다.

policy/assertion/implementation 선택, 부족한 예산 거부, 모호하거나 잘못된 응답 review, deploy deny를 확인합니다. 버전 변경은 새 기록을 만듭니다. 비승인 제공자, NaN, 후보 누락, 정책 버전 변경을 넣으면 각각 검토, 스키마 거부, 스키마 거부, 새 ID가 나와야 합니다. 영구 저장 전 동시성과 복구를 추가합니다.

원래 agent, 규칙, 구조화 LLM, Jev를 같은 미사용 과제·권한으로 비교합니다. 문맥 선택과 routing은 따로 추가합니다. 성공률, 해결당 비용, p50/p95, 캐시, 검토 시간, 위반을 기록하고 난도별 반복과 불확실성을 보고합니다. 보정과 최종 테스트 데이터는 분리합니다.

Brier는 (p−y)²의 평균이며 예시는 0.255입니다. 네 사례로 보정을 입증할 수 없습니다. 임계값별 자동 처리 비율과 오류를 함께 봅니다. 모두 사람에게 보내면 자동화는 없습니다. 증거 누락, 인젝션, 중단, 오래된 해시, 불명확한 쓰기도 포함합니다.

전체 Python 실습 다운로드
"""Python 3.11+, standard library only. Offline harness simulation, NOT Jev.
No network, shell execution, real code edits, GPU or model benchmark.
Run: python3 lab.py
"""
from dataclasses import dataclass
from hashlib import sha256
import json
import math
import sqlite3

@dataclass(frozen=True)
class Chunk:
    id: str
    revision: str
    text: str
    tokens: int  # Synthetic fixture sizes, not a tokenizer measurement.
    utility: float
    mandatory: bool = False


def select(chunks, budget):
    if budget < 0 or len({c.id for c in chunks}) != len(chunks):
        raise ValueError("invalid budget or duplicate chunk")
    if any(c.tokens <= 0 or not math.isfinite(c.utility) for c in chunks):
        raise ValueError("invalid chunk")
    pinned = [c for c in chunks if c.mandatory]
    left = budget - sum(c.tokens for c in pinned)
    if left < 0:
        raise ValueError("mandatory evidence exceeds budget")
    result = pinned[:]
    # A transparent greedy heuristic; not an optimal dependency-aware solver.
    for c in sorted((c for c in chunks if not c.mandatory),
                    key=lambda c: (-c.utility / c.tokens, c.id)):
        if c.tokens <= left:
            result.append(c)
            left -= c.tokens
    return result


def validate_answer(answer):
    if not isinstance(answer, dict) or set(answer) != {"choice", "probabilities"}:
        raise ValueError("invalid answer schema")
    p = answer["probabilities"]
    if not isinstance(p, dict) or set(p) != {"local", "frontier", "review"}:
        raise ValueError("unknown candidates")
    if any(type(x) not in (int, float) or not math.isfinite(x) or not 0 <= x <= 1
           for x in p.values()) or not math.isclose(sum(p.values()), 1.0, abs_tol=1e-8):
        raise ValueError("invalid probabilities")
    if answer["choice"] not in p or p[answer["choice"]] != max(p.values()):
        raise ValueError("choice does not match maximum")
    return p


def choose_route(answer, action, policy):
    # These are typed fixture actions. No shell-string safety claims.
    if action not in policy["allowed_actions"]:
        return "deny"
    try:
        p = validate_answer(answer)
    except ValueError:
        return "review"
    target = answer["choice"]
    if target not in policy["eligible_routes"] or p[target] < policy["threshold"]:
        return "review"
    return target


def record(db, state, action, policy, answer):
    # Identity includes all decision inputs, not just an action name.
    payload = json.dumps([state, action, policy, answer], sort_keys=True,
                         separators=(",", ":"), allow_nan=False)
    key = sha256(payload.encode()).hexdigest()
    existing = db.execute("SELECT result FROM events WHERE id=?", (key,)).fetchone()
    if existing:
        return existing[0], True
    result = choose_route(answer, action, policy)
    with db:
        db.execute("INSERT INTO events VALUES (?, ?, ?)", (key, payload, result))
    return result, False


def run():
    policy = {"version": "policy-1", "allowed_actions": ["inspect", "propose_patch"],
              "eligible_routes": ["local", "frontier", "review"], "threshold": 0.9}
    chunks = [Chunk("policy", "r1", "Keep retry cap; do not deploy.", 40, 1, True),
              Chunk("assertion", "r1", "Expected at most three attempts.", 60, 1, True),
              Chunk("implementation", "r1", "Current retry loop.", 120, 0.96),
              Chunk("old_chat", "r0", "Superseded discussion.", 400, 0.1)]
    chosen = select(chunks, 240)
    assert [x.id for x in chosen] == ["policy", "assertion", "implementation"]
    try:
        select(chunks, 99)
    except ValueError:
        pass
    else:
        raise AssertionError("must reject missing mandatory evidence")
    state = {"task": "retry-incident", "revision": "r1", "question_version": "q1",
             "chunks": [c.__dict__ for c in chosen]}
    good = {"choice": "local", "probabilities": {"local": 0.94, "frontier": 0.04, "review": 0.02}}
    low = {"choice": "local", "probabilities": {"local": 0.55, "frontier": 0.4, "review": 0.05}}
    malformed = {"choice": "delete_production", "probabilities": {"other": 1.0}}
    # In-memory SQLite tests replay logic without leaving personal data behind.
    with sqlite3.connect(":memory:") as db:
        db.execute("CREATE TABLE events (id TEXT PRIMARY KEY, payload TEXT, result TEXT)")
        assert record(db, state, "inspect", policy, good) == ("local", False)
        assert record(db, state, "inspect", policy, good) == ("local", True)
        assert record(db, state, "inspect", policy, low)[0] == "review"
        assert record(db, state, "inspect", policy, malformed)[0] == "review"
        assert record(db, state, "deploy", policy, good)[0] == "deny"
        changed = dict(state, revision="r2")
        assert record(db, changed, "inspect", policy, good) == ("local", False)
        count = db.execute("SELECT COUNT(*) FROM events").fetchone()[0]
        assert count == 5
    n, p = 3, 0.8
    confidence = (p - 1/n) / (1 - 1/n)
    speedup = 1 / (0.8 + 0.2/200)
    assert math.isclose(confidence, 0.7)
    # Synthetic binary forecasts; Brier is not measured on Jev.
    forecasts, outcomes = [0.9, 0.8, 0.4, 0.1], [1, 0, 1, 0]
    brier = sum((p-y)**2 for p, y in zip(forecasts, outcomes)) / len(outcomes)
    print(json.dumps({"mode": "offline_fixture_not_jev", "network_calls": 0,
                      "selected_chunks": [x.id for x in chosen], "audit_rows": count,
                      "choice_confidence": round(confidence, 6),
                      "synthetic_task_speedup": round(speedup, 6),
                      "synthetic_brier": round(brier, 6),
                      "replay_schema_policy_revision_checks": "passed"}, indent=2))

if __name__ == "__main__":
    run()

예상 출력

{
  "mode": "offline_fixture_not_jev",
  "network_calls": 0,
  "selected_chunks": [
    "policy",
    "assertion",
    "implementation"
  ],
  "audit_rows": 5,
  "choice_confidence": 0.7,
  "synthetic_task_speedup": 1.248439,
  "synthetic_brier": 0.255,
  "replay_schema_policy_revision_checks": "passed"
}

선택적 API 계약 예: 미실행

JSON은 공식 POST https://api.typesafe.ai/v1/systemone 계약 예이며 전송하지 않습니다. 인증은 공식 문서를 따르고 키는 비공개 서버에 보관합니다. jev-latest의 실제 버전과 SDK lockfile을 기록해야 합니다. 실제 API 성공 검증은 하지 않았습니다.

{
  "model": "jev-latest",
  "state": {
    "goal": "Identify evidence for a retry amplification incident",
    "revision": "example-r1",
    "evidence": "Fixture: retry loop restarts its attempt counter after a timeout; required cap is three attempts."
  },
  "questions": {
    "subsystem": {
      "type": "choice",
      "instructions": "Which subsystem is directly implicated by the supplied evidence?",
      "criteria": {
        "retry_control": "Attempt counting, stopping and retry budget",
        "rendering": "Displaying a user interface",
        "unknown": "The supplied evidence does not identify a subsystem"
      }
    }
  }
}

자체 모의 질문: 실제 기업 면접 문제가 아님

1. 판단 200배가 작업 200배가 아닌 이유는?

힌트: 남은 임계 경로. 답: 이면 1.248배이며 CI, routing, 재시도를 포함합니다.

2. confidence 0.99가 배포를 승인하는가?

힌트: 믿음과 권한 구분. 답: 불가하며 범위, 대상, 승인, 최신 digest 확인이 필요합니다.

3. 저렴한 모델 경로가 더 비싸지는 경우는?

힌트: 왕복 전달. 답: 재로딩, 검토, 캐시 손실, 실패가 절감을 넘을 수 있으므로 승인된 수정당 비용을 봅니다.

4. 유용한 보정과 모든 작업 회피를 어떻게 구별하는가?

힌트: 위험과 커버리지. 답: 자동 오류율, 처리 비율, 인적 비용을 함께 보고 미사용 데이터와 드문 중대 사례를 포함합니다.

채점: 1—용어, 2—모델과 harness 구분, 3—구현·비용·확률, 4—버전·장애·권한, 5—공정한 작업 비교와 한계 설명.

계속 학습하기

선수 지식을 이해하기

방법을 뒷받침하는 공통 기초를 복습하고 예제와 확인 문제로 이해의 빈틈을 찾습니다.

에이전트는 관찰, 제안, 권한 검사, 실행, 결과 확인을 반복하는 상태 기반 루프입니다. 스키마는 인자 형식만 검증하며 권한이나 부수 효과의 완료를 증명하지 않습니다. 모델의 문장은 제안입니다. 호출 시도, 성공 응답, 검증된 완료를 구분해야 합니다.

답을 보기 전에 추론하기

결제 도구가 요청을 받은 뒤 시간 초과가 났습니다. 즉시 재시도해야 하나요?

단계별 해설

아니요. 결제는 성공하고 응답만 사라졌을 수 있어 결과는 불명확합니다. 멱등성 키와 상태 조회를 사용하거나 정산 확인까지 멈추세요. 무조건 재시도하면 되돌리기 어려운 작업을 중복 실행할 수 있으며 단계 제한만으로 해결되지 않습니다.

실제 응용과의 연결

도구 사용에는 애플리케이션 수준의 상태 관리, 인가, 종료 조건이 필요합니다. 알려진 사실과 불확실한 결과, 확인 대기 작업을 기록하세요. 자율성에는 검증 가능한 완료와 제한된 권한이 필요합니다.

이해를 입증하는 방법

성공, 거부, 시간 초과, 잘못된 응답을 추적하세요. 거부한 행동은 실행되지 않고 재시도는 멱등적이어야 합니다. 단계·시간·비용을 별도로 제한하고 먼저 모의 도구로 확인하세요.

완전한 Python 예제 실행

Python 3.10+ · 표준 라이브러리만 · 결정적 계산으로 시드 불필요 · 통신 없음. 저장 후 아래 명령을 실행하세요. 교육용 확인이며 모델 벤치마크가 아닙니다.

Python 다운로드 · agent.py
python3 agent.py
# Python 3.10+; standard library; deterministic; no network.
# In-memory mock only: no real payment or network call.
ledger = {}
def pay(key, amount):
    if key in ledger:
        if ledger[key] != amount:
            raise ValueError("same key with different request")
        return "already applied"
    ledger[key] = amount
    return "applied"

assert pay("order-1", 10) == "applied"
# Pretend the reply was lost. Reconcile and retry with the same key.
assert ledger.get("order-1") == 10
assert pay("order-1", 10) == "already applied"
assert len(ledger) == 1
try:
    pay("order-1", 20)
    raise AssertionError("conflicting retry accepted")
except ValueError:
    pass
print("one effect; duplicate retry suppressed")

예상 출력

one effect; duplicate retry suppressed

선수 지식 복습 →

기초 해설 수정:

참고 문헌과 추가 튜토리얼

  1. TypeSafe — Introductionhttps://docs.typesafe.ai/introduction
  2. Jev Engineering for Coding Agents — PDF · 2026-09https://jevforagents.com/media/Jev-Engineering-for-Coding-Agents.pdf
  3. InstructGPT — arXiv:2203.02155v1 · 2022-03-04https://arxiv.org/abs/2203.02155v1
  4. TypeSafe — Introducing System One Models & Jev · 2026-09-15https://typesafe.ai/blog/introducing-system-one-models-and-jev
  5. TypeSafe — AI primer / RLCDhttps://docs.typesafe.ai/introduction/machine-learning-primer
  6. TypeSafe — Choicehttps://docs.typesafe.ai/primitives/choice
  7. TypeSafe — Scorehttps://docs.typesafe.ai/primitives/score
  8. TypeSafe — Noulhttps://docs.typesafe.ai/primitives/noul
  9. TypeSafe — Confidencehttps://docs.typesafe.ai/confidence
  10. FastContext — arXiv HTML v1https://arxiv.org/html/2606.14066v1
  11. TypeSafe — API / Quick starthttps://docs.typesafe.ai/introduction/quickstart
  12. TypeSafe — Agent skillshttps://github.com/typesafe-ai/skills
  13. TypeSafe — Workflow evaluationshttps://evals.typesafe.ai/
  14. InstructGPT — PDF v1https://arxiv.org/pdf/2203.02155v1
  15. FastContext — abstract / version historyhttps://arxiv.org/abs/2606.14066v1
  16. FastContext — PDF v1https://arxiv.org/pdf/2606.14066v1
출처 및 버전 정보

목적 있는 영상 학습

시청 → 설명 → 구현 → 검증

외부 영어 영상입니다. 자막과 공개 여부는 YouTube가 관리합니다. 재생을 누른 후에만 YouTube에 연결하며 실험 입력은 전송하지 않습니다.

하나의 사례를 끝까지 이해하기

예약 에이전트는 승인된 작업 하나를 정확히 완료해야 한다

합성 교육 시나리오와 손으로 계산한 수치이며 운영 벤치마크가 아닙니다. 관련 수업은 같은 사례를 공유하여 동일한 시스템을 여러 관점에서 살펴봅니다.

사례 업데이트:

직원이 예산 내 환불 가능한 호텔을 요청합니다. 검색은 되돌릴 수 있지만 예약은 지출입니다. 에이전트는 제안하고 신뢰 서비스가 신원·예산·정확한 승인을 강제해야 합니다. 성공 기준은 유창한 메시지가 아닌 검증된 예약입니다.

100+ 10= 110100
합성 예:100작업과10재시도는110요청입니다. 중복 제거로 확정 효과는100개로 유지됩니다.

1. 요청을 제한된 상태 머신으로 전환

검색·제안·승인·확정·검증으로 나누고 날짜·통화·환불 조건·한도를 명시합니다. 누락은 확인합니다. 웹페이지의 예산 무시 지시는 신뢰하지 않습니다. 상태 전환마다 허용된 이전 상태와 이유를 기록합니다.

2. 정확한 작업 승인

승인을 호텔·날짜·가격·조건에 연결합니다. 실행 전 재고와 가격을 재확인하고 변경 시 재승인합니다. 제한된 자격증명을 쓰며 모델이 권한을 만들거나 모호한 동의를 다른 구매에 전용하지 못하게 합니다.

3. 불확실한 결과 복구

확정 후 타임아웃은 실패 증거가 아닙니다. 안정된 작업 키로 조회한 뒤 재시도합니다.100건 중10건이 성공 후 타임아웃이면 무조건 재시도는110건 효과를, 멱등 재시도는100건을 만듭니다. 공급자 지원이나 대사가 필요합니다.

4. 권한 확대 없이 검증하고 개선

공급자 확인·승인 조건·미해결 예외를 반환합니다. 도구 호출과 복구 이유를 추적하고 단계·시간을 제한합니다. 검색·계획을 개선해도 독립 권한 검사는 유지합니다. 더 나은 계획이 안전한 실행을 보장하지 않습니다.

근거와 절충

지표 / 조건기준비교해석
업무 효과 수100 + 10 = 110100명시한 멱등성 가정에서만 중복을 방지합니다.
원래 작업당 중복률10/100 = 10%0/100 = 0%실측 보장이 아닌 예제입니다.
재시도 포함 요청 수100 + 10 = 110100 + 10 = 110멱등성은 효과를 제어하며 요청 수를 줄이지 않습니다.

수용 및 실패 테스트

성공 후 타임아웃·동일 키 반복·승인 가격 변경·자격 취소·단계 소진을 시험하여 예약1건, 변경 거부, 검증 불가 시 제한된 미해결 상태를 확인합니다.

Python 3.10+ · topic-cases.py ↓

python3 topic-cases.py

이 예제의 한계

동시 실행·공급자 장애·외부 상태 불일치는 생략했습니다. 운영에는 원자적 중복 제거·대사·보상 정책이 필요하며 취소는 유료일 수 있어 보편적 롤백이 아닙니다.

다음 학습 단계

잘못된 인수, 만료된 권한, 중복 재시도와 최종 상태를 검증하세요.

구현과 검증 → · 학습 경로 계속 →
학습 가이드와 강의 목차학습 목표와 검증

이해 → 구현 → 연구

성공, 거부, 시간 초과, 잘못된 응답을 추적하세요. 거부한 행동은 실행되지 않고 재시도는 멱등적이어야 합니다. 단계·시간·비용을 별도로 제한하고 먼저 모의 도구로 확인하세요.

예측, 검증, 근거 기록

답을 보기 전에 결과를 예측하세요. 연습 후 차이와 전이 테스트를 기록합니다. 로컬에 저장되며 언어판 간 공유됩니다.

학습 기록 열기 / 내보내기 / 지우기 →

수학 검토 범위는 강의별로 기록합니다. 논문의 실증 재현 인증은 아닙니다. 의심되는 오류를 노트에 남겨 주세요. 검토 범위