장기적인 LLM (Large Language Model) 협업에서 개념적 드리프트 (Conceptual Drift)를 해결하기 위한 지배적인 엔지니어링 직관은 더 신뢰할 수 있는 출력을 위해 더 공식적인 제약 조건을 교환하는 것입니다. 즉, 상징적 식별자 시스템 (Symbolic Identifier Systems)을 설계하고, 시스템 프롬프트 (System Prompts)에 방어적 규칙을 축적하며, 컨텍스트 윈도우 (Context Windows)를 확장하는 방식입니다. 우리의 엔지니어링 기록에 따르면, 장기적인 설정에서 이러한 방향은 설계 의도와 반대되는 효과를 낼 수 있습니다. 약 한 달 동안 391회의 협업 세션에 걸쳐 진행된 실제 소프트웨어 프로젝트 (Bang-v3)에서 액션 리서치 (Action Research) 방법을 사용하여, 우리는 이러한 전략들의 실패 과정을 기록하고 분석합니다. 상징적 시스템이 복잡성 임계값을 초과하면, LLM은 더 정확해지는 것이 아니라, 비즈니스 의미론 (Business Semantics)에 대한 진정한 이해를 포기하고, 상징적 계층 내에서 자기 참조적 추론 (Self-referential Reasoning)으로 후퇴하며, 내부적으로는 일관되어 보이지만 실제 현실과는 물리적으로 단절된 출력을 생성합니다. 우리는 이러한 실패 패턴을 "인덱스 질병 (Index Sickness)"이라 명명하며, 그 전형적인 현상을 "유령 입법 (Phantom Legislation)"이라고 부릅니다. 우리는 그 근저에 있는 원리를 "팡 원리 (Pang Principle, 의미론적 활력 법칙)"라고 명명합니다. 즉, 명시적인 목적을 담은 자연어가 상징적 표현보다 훨씬 더 큰 정보 품질을 전달한다는 것입니다. 이를 바탕으로 우리는 물리적 엔지니어링 메커니즘인 "베이스라인-로그 물리적 분리 (Baseline-Log Physical Separation)"를 설계하고 검증했습니다. 동일한 프로젝트에서 이 메커니즘은 AI 지시문 (AI Instructions)의 양을 약 75% 감소시켰으며, 이후 약 150회의 세션 동안 인덱스 질병의 재발은 관찰되지 않았습니다. 이중 언어 동반 버전(중국어)이 보충 자료로 포함되어 있습니다.