오픈 소스에는 이런 말이 있습니다: "당신의 코드는 무료이지만, 해자(Moat)는 그것으로 무엇을 하느냐에 달려 있다."

우리는 매우 특수한 종류의 지식, 즉 7년 동안 사람들을 관찰해야만 얻을 수 있는 지식을 바탕으로 LAO를 구축했습니다.

이것은 오프라인 소매점에서 보낸 7년이 어떻게 오픈 소스 엔진이 되었는지, 그리고 왜 우리가 제공하는 것 중 코드가 가장 가치가 낮은 것인지에 대한 이야기입니다.

우리가 계속해서 마주했던 문제

7년 동안 우리는 중국 만장(万江)에서 오프라인 매장을 운영했습니다. 기술 스토어가 아니라, 멤버들이 들어와서 무언가를 말하고, 실제로는 다른 행동을 하는 진짜 매장이었습니다.

우리는 에이전트(인간과 AI 모두)가 똑같은 실수를 저지르는 것을 반복해서 목격했습니다:

고객이 "내일 올게요"라고 말합니다. 시스템은 그 말을 액면 그대로 받아들입니다. 내일이 왔지만, 고객은 오지 않습니다. 그리고 에이전트는 행동보다 말을 더 신뢰했기 때문에 바보처럼 보이게 됩니다.

우리는 운영해 온 10년의 세월 동안 수천 번에 걸쳐 이 교훈을 어렵게 배웠습니다.

사람들은 항상 말하는 대로 행동하지 않습니다. _말한 의도(said intent)_와 실제 행동(actual behavior) 사이의 간극은 어떤 비즈니스에서든 가장 가치 있는 신호 중 하나이지만, 거의 어떤 AI 시스템도 이를 고려하지 않습니다.

증류: 7년의 경험에서 행동 사전 확률(Behavioral Priors)로

7년 동안의 매장 관찰 내용을 프롬프트(Prompt)에 다 담을 수는 없습니다. 하지만 그것을 행동 사전 확률(Behavioral Priors), 패턴 가중치(Pattern weights), 그리고 마르코프 전이 확률(Markov transition probabilities)로 증류(Distill)할 수는 있습니다.

그것이 바로 LAO의 BMC 엔진이 하는 일입니다. 이는 LLM이 일어날 것이라고 생각하는 내용이 아니라, _관찰된 행동(observed behavior)_으로부터 다음 단계를 예측하는 행동 마르코프 체인(Behavioral Markov chain)입니다.

• 멤버가 "다음 주에 올게요"라고 말할 때 — LAO는 7년 동안의 데이터를 통해 사람들이 실제로 얼마나 자주 약속을 지키는지 알고 있습니다. 의도 감쇠 모델(Intent-decay model)은 시간이 지남에 따라 약속이 약해진다는 것을 추적합니다.
• 멤버가 수요일마다 지속적으로 나타나지 않을 때 — LAO의 행동 흔적 싱크(Behavior trail sink)는 그 패턴을 감지하고 이를 인코딩합니다.

지식은 프롬프트에 있는 것이 아닙니다. 가중치(Weights)에 있습니다. 그리고 그 가중치는 실험실이나 교과서, 혹은 벤치마크(Benchmark)가 아닌 실제 세상의 관찰로부터 구축되었습니다.

코드는 복제될 수 있지만, 패턴은 복제될 수 없는 이유

이것이 이야기의 핵심입니다.

우리는 LAO의 엔진을 오픈 소스(Apache 2.0)로 공개했습니다. 누구나 pip install lao를 실행하고, 소스 코드를 읽고, 포크(fork)하고, 복사할 수 있습니다.

그렇다면 누군가가 그냥... 이것을 가져가는 것을 무엇이 막을 수 있을까요?

엔진은 공개되어 있습니다. 하지만 행동 사전 지식(Behavioral priors)은 공개되지 않았습니다.

BMC 전이 행렬(transition matrix) — 즉, "특정 발언(X)을 한 후 이 회원 유형이 실제로 행동을 옮길 확률이 얼마나 되는가"를 인코딩하는 정밀한 수치들 — 은 실제 오프라인 매장을 7년 동안 관찰하며 얻은 결과입니다. 이는 실제 경제적 맥락 속에서 실제 인간의 행동으로부터 도출된 10년 치의 조건부 확률(conditional probabilities)입니다.

코드는 하루 만에 복사할 수 있습니다. 하지만 패턴 가중치(pattern weights)를 재현하는 데는 7년이 걸릴 것입니다. 그리고 당신에게는 실제 매장과 실제 고객, 그리고 그들이 실제로 다시 돌아오지 않는 모습을 지켜볼 인내심이 필요할 것입니다.

그것이 **제품(product)**과 **연구 프로젝트(research project)**의 차이입니다. 제품은 데이터 플라이휠(data flywheel)을 가지고 있습니다. 코드는 바퀴이며, 행동 사전 지식(behavioral priors)은 축적된 회전력입니다.

데이터 플라이휠 (The Data Flywheel)

이 부분은 복리로 작용합니다:

1. 배포(Deploy): LAO 오픈 소스를 배포합니다 — 이를 설치하는 모든 개발자는 자신의 에이전트(agents)를 위한 보정 레이어(calibration layer)를 얻게 됩니다.
2. 관찰(Observe): 엔진은 실제 세상의 배포 결과(예측이 맞았는가?)로부터 학습합니다.
3. 증류(Distill): 검증된 행동 패턴이 BMC 가중치로 다시 흘러 들어갑니다.
4. 개선(Improve): 고정된 온톨로지(anchored ontology)는 배포가 거듭될수록 더욱 정확해집니다.

오픈 소스 코드는 획득 채널(acquisition channel)입니다. 행동 사전 지식(behavioral-prior) 플라이휠은 해자(moat)입니다. 이 둘은 함께 사용될수록 더 신뢰할 수 있게 되는 엔진을 형성하며, 그 반대는 성립하지 않습니다.

제품 라인업: LAO는 첫 번째 단계입니다

LAO는 우리의 유일한 제품이 아닙니다. 이는 의도된 시퀀스의 첫 번째 진입점입니다:

LAO (보정 레이어)  →  Melody (대사 AI 코치)  →  ZWISERFIT (풀 스택)

LAO는 핵심 가설, 즉 결정론적 앵커링 (deterministic anchoring)이 LLM과 신뢰할 수 있는 실행 사이의 빠진 조각이라는 점을 증명합니다. 개발자들이 LAO가 만드는 차이를 한 번 느끼고 나면, (동일한 앵커링된 행동 데이터 위에 구축된 개인용 대사 AI 코치인) Melody로 향하는 길은 자연스럽게 이어집니다.

보정 레이어(calibration layer)부터 시작하십시오. 그다음은 행동 엔진(behavior engine)입니다. 마지막으로 전체적인 비전(full vision)입니다.

우리가 이것을 공개하는 이유

어떤 이들은 묻습니다: "사전 지식(priors)이 해자(moat)라면, 왜 엔진을 오픈 소스로 공개하나요?"

왜냐하면 2026년에는 핵심 기술을 독점하는 것이 아니라, 생태계 내의 모든 에이전트(agent)를 위한 기본(default) 보정 레이어가 됨으로써 해당 카테고리에서 승리하기 때문입니다.

코드가 채택(adoption)을 만들어내는 것이 아닙니다. 신뢰가 만듭니다. 그리고 개발자들의 신뢰를 얻는 가장 빠른 방법은 그들에게 실체가 없는 허상이 아니라, 진정으로 유용하고, 진정으로 무료이며, 진정으로 현실 세계의 증거를 바탕으로 구축된 무언가를 제공하는 것입니다.

LAO는 그러한 신뢰를 위한 우리의 기여입니다. 행동 사전 지식(behavioral priors)은 자산 클래스이며, 우리는 오픈 소스 엔진이 거짓말을 하거나 망각하는 에이전트 때문에 데인 적이 있는 모든 개발자의 관심을 끌 수 있는 가장 좋은 낚싯대라고 믿습니다.

한 단락 요약 버전

실제 매장에서 실제 사람들을 7년 동안 관찰하며 우리는 한 가지를 배웠습니다: 말과 행동은 일치하지 않는다는 것입니다. 우리는 그 지식을 LLM을 위한 결정론적 보정 레이어로 정제하여 엔진은 오픈 소스로 공개하고, 행동 사전 지식은 비공개로 유지했습니다. 코드는 무료이지만, 축적된 현실 세계의 지혜가 바로 해자입니다. 그리고 오픈 소스 엔진의 모든 배포는 사전 지식을 더욱 정확하게 만드는 플라이휠(flywheel)에 동력을 공급하며, 이는 LAO를 더 가치 있게 만들고, 더 많은 개발자가 이를 배포하고 싶게 만듭니다. 이것이 바로 선순환 구조입니다.

pip install lao

from lao import LAOAgent
ai = LAOAgent()
ai.watch("用户说下周会来")
...

코드는 당신의 것입니다. 패턴 — 그것이 바로 7년의 시간이 당신에게 주는 것입니다.

LAO — 에이전트가 기계처럼 행동하는 것을 멈추고, 기억력이 있는 사람처럼 행동하게 만듭니다.

Apache 2.0 · 오픈 소스 (Open source) · github.com/ZWISERFIT/lineage-anchored-ontology
ZWISERFIT 9-Agent Collective에 의해 구축됨 — 7년의 매장 운영, 120일간의 자율 에이전트 (autonomous agents).