LangChain 에이전트가 운영 환경(production)에서 불안정해지는 가장 빠른 방법 중 하나는 모델의 품질 때문이 아닙니다.

바로 재귀적 도구 루프 (Recursive Tool Loops)입니다.

워크플로우는 정상적으로 시작됩니다:

• 검색 (search)
• 검색 (retrieve)
• 요약 (summarize)

그러다 갑자기:

• 동일한 도구가 반복적으로 호출됨
• 재시도 (retries)가 누적됨
• 컨텍스트 (context)가 커짐
• 토큰 사용량 (token usage)이 급증함
• 실행이 무한히 표류함

에이전트는 기술적으로는 "살아있는" 상태를 유지합니다.

하지만 운영 측면에서는 이미 오래전에 진전을 멈춘 상태입니다.

이 글에서는 TypeScript를 사용하여 LangChain 에이전트의 재귀적 도구 루프를 감지하고 중단하는 간단한 방법을 소개합니다.

문제점 (The Problem)

기본적인 에이전트 워크플로우는 종종 무해해 보입니다:

const result = await agentExecutor.invoke({
input: userPrompt  
});

하지만 운영 환경의 에이전트는 다음과 같은 패턴으로 표류할 수 있습니다:

search_documents
→ search_documents
→ search_documents
→ search_documents

또는:

...

이것은 보통 다음과 같은 이유로 발생합니다:

• 모델이 수렴 (converge)에 실패함
• 도구 출력 (tool outputs)이 모호함
• 재시도가 불확실성을 강화함
• 에이전트가 부분적인 진행 상황을 잘못 해석함

그 결과는:

통제 불능의 실행 (runaway execution).

이것이 위험한 이유

대부분의 AI 워크플로우는 대부분의 시간 동안 정상적으로 작동합니다.
문제는 꼬리 사건 (tail events)에서 발생합니다:

• 재귀적 재시도 (recursive retries)
• 불안정한 복구 동작
• 확대되는 컨텍스트 윈도우 (context windows)
• 반복적인 도구 호출 (tool invocation)

불안정한 실행의 아주 작은 비율이 다음과 같은 자원을 불균형적으로 소비할 수 있습니다:

• 추론 비용 (inference cost)
• 지연 시간 (latency)
• 컴퓨팅 (compute)
• 운영상의 주의력 (operational attention)

이것은 단순한 관찰 가능성 (observability)의 문제가 아닙니다.

이것은 런타임 거버넌스 (runtime governance)의 문제입니다.

---

기본 전략 (Basic Strategy)

우리는 워크플로우가 걷잡을 수 없이 나빠지기 전에 다음과 같은 작업을 수행하고자 합니다:

• 최근 도구 사용 내역 추적
• 반복 패턴 감지
• 안전하게 실행 중단

가장 간단한 버전은 다음과 같습니다:

“동일한 도구가 연속으로 너무 많이 호출되면 실행을 중단한다.”

단순합니다.
효과적입니다.
구현하기 쉽습니다.

1단계 — 도구 이력 추적 (Track Tool History)

가벼운 런타임 상태 (runtime state)를 유지합니다:

```ts id="3jlwm4"
type ExecutionState = {
toolHistory: string[];
};

이를 초기화합니다:

```ts id="4jlwm4"
const state: ExecutionState = {
  toolHistory: []
};
```

# 2단계 — 재귀적 패턴 감지 (Detect Recursive Patterns)

...

이는 다음을 확인합니다:

동일한 도구가 연속으로 3번 실행되었는가?

3단계 — 도구 실행 래핑 (Wrap Tool Execution)

이제 도구 호출을 가로챕니다 (intercept):

```ts id="7jlwm4"
async function guardedToolCall(
toolName: string,
execute: () => Promise
) {
state.toolHistory.push(toolName);

if (detectRecursiveLoop(state.toolHistory)) {
throw new Error(
도구에 대한 재귀 루프가 감지되었습니다: ${toolName}
);
}

return execute();
}

---

...
```ts id="8jlwm4"
const result = await guardedToolCall(
  "search_documents",
  async () => {
    return searchTool.invoke(query);
  }
);
```

이것이 전부입니다.

...

감지하기 쉽습니다.

더 고도화된 루프는 다음과 같은 형태를 띱니다:

```txt id="10jlwm4"
검색 (search)
→ 요약 (summarize)
→ 재시도 (retry)
...
```

이러한 경우 더 넓은 궤적 분석 (trajectory analysis)이 필요합니다.

# 분산 시스템과의 유사성 (The Distributed Systems Parallel)

분산 시스템은 결국 다음과 같이 진화했습니다:

- 재시도 제한 (retry limits)
- 서킷 브레이커 (circuit breakers)
- 제한된 장애 도메인 (bounded failure domains)
- 타임아웃 제어 (timeout controls)

제한 없는 재시도는 규모가 커질수록 위험해지기 때문입니다.

자율 에이전트 (Autonomous agent) 시스템도 이와 유사한 운영상의 현실에 직면하기 시작했습니다.

에이전트가 다음과 같이 변함에 따라:

- 더 자율적이고 (more autonomous)
- 더 지속적이며 (more persistent)
- 더 깊게 통합될수록 (more deeply integrated)

런타임 거버넌스 (runtime governance)의 중요성은 점점 더 커집니다.

# 마치며 (Final Thoughts)

대부분의 팀은 다음 사항에 집중합니다:

- 프롬프트 (prompts)
- 모델 품질 (model quality)
- 오케스트레이션 프레임워크 (orchestration frameworks)

하지만 프로덕션 AI 시스템에는 다음 사항도 필요합니다:

- 제한된 실행 (bounded execution)
- 런타임 제약 조건 (runtime constraints)
- 운영상의 안전장치 (operational safeguards)
- 경제적 안정성 (economic stability)

결국:
과제는 단순히 자율 에이전트를 구축하는 것만이 아니기 때문입니다.

통제 가능한 (governable) 자율 에이전트를 구축하는 것입니다.
```