저는 LLM (Large Language Model)이 파일을 하나씩 정리하도록 하여 SVG 최적화 도구를 만들었습니다. 그 후, LLM의 반복적인 동작을 결정론적 함수 (deterministic functions)와 입력값에 따라 적절한 수정 사항을 선택하는 분석 및 라우팅 (analysis and routing) 로직으로 증류 (distilled) 했습니다. 모든 단계는 검증됩니다: 전후 렌더링을 비교하고, 측정 가능한 도움이 되는 경우에만 변경 사항을 유지합니다. 그 결과물은 SVGO를 뛰어넘으며, 오프라인에서 실행되고 실행당 비용이 전혀 들지 않습니다.

놀라운 점은, 모델에서 검증 도구 (verification tools)를 제거했을 때 결과물이 단순히 더 비싸지는 것이 아니라 품질이 저하되었다는 것입니다. "도구를 사용하는 AI (tool-using AI)"가 얻는 이점의 상당 부분은 자신의 작업을 검증할 수 있는 도구에 접근할 수 있다는 점에 있습니다.

이 심층적인 아이디어는 일반화될 수 있습니다: "더 나음"과 "고장 나지 않음"을 측정할 수 있는 곳이라면 어디든, 모델을 사용하여 구조를 한 번 발견한 다음, 이를 저렴하고 검증 가능한 코드로 컴파일하십시오.

직접 체험해 보세요 (브라우저에서 실행 가능): https://maziars.github.io/svgym/app/
코드: https://github.com/maziars/svgym
전체 글: https://same-fridge-b15.notion.site/The-Missing-Arrow-Distilling-Agentic-Hill-Climbing-into-Deterministic-Code-Software-3-0-1-0-37e44c00e05d81cba14cf0dfe1b7a4a7