OpenAPPA란 무엇인가
OpenAPPA는 프롬프트 주입(prompt injection)이나 모델 환각(hallucination)으로 인한 데이터 유출에 100% 저항하는 최첨단 결정론적 AI 가드레일이며, 에이전트를 망가뜨리지 않는 최초의 종류입니다.
NeurIPS에서 채택된 논문으로 뒷받침되며, 오픈 소스이고, 특정 공급업체에 종속되지 않으며(vendor-agnostic), MIT 라이선스가 적용됩니다.
그리고 네, 벤치마크에서 경쟁사보다 성능이 뛰어납니다:
비결정론적 가드레일의 문제점#
산업계는 승인 피로도(approval fatigue)에 대한 해답으로 각 도구 호출을 판단하는 두 번째 모델을 제시합니다: Claude Code의 자동 모드(auto mode), Codex의 자동 검토(auto-review) 등 다른 자동 모드들입니다.
이들은 설계상 도구 호출 전반에 걸친 데이터 흐름을 추적할 수 없습니다. 분류기(classifiers) 자체가 프롬프트 주입에 취약하기 때문에, 하네스(harnesses)는 도구 출력을 그들로부터 숨기고, 따라서 판단자는 데이터를 전혀 볼 수 없습니다.
확률론적 설계의 특성상, 아무리 좋은 모델이라도 99.3%에서 최고치를 기록합니다: 백만 건의 호출에서 0.7%는 너무 많은 유출을 의미합니다.
다른 결정론적 가드레일은 에이전트를 망가뜨리거나 작동하지 않습니다#
LLM에 대한 명령어 블랙리스트는 막다른 골목입니다. rm -rf /를 차단하면 모델이 파이썬 한 줄 코드(Python one-liner)를 작성하고; curl을 차단하면 외부 git 원격 저장소로 푸시합니다. 정규 표현식 목록 역시 커버리지에 대한 가시성을 전혀 제공하지 못합니다: 아무도 모든 경로가 닫혔는지, 또는 세 가지 평범한 도구가 연결되어 유출되지 않는지 검증할 수 없습니다.
규칙 세트는 너무 엄격해서 에이전트를 망가뜨리거나, 혹은 너무 복잡해서 누가 허용하는 것을 감사(audit)할 수 없게 됩니다.
OpenAPPA는 패턴 매칭 대신 흐름을 추적합니다#
OpenAPPA는 단일 구성으로 구동되는 크로스 플랫폼의 플러그형 엔진입니다. 이는 에이전트의 프롬프트 및 실행 루프 외부에서 작동하므로, 모델이 이를 보고, 협상하거나 조작할 수 없으며, 한 곳에 기존 에이전트 루프에 연결됩니다.
허용되거나 차단된 도구 대신, 구성은 데이터 소스(data sources), 대상(audiences), 신뢰 수준(trust levels), 그리고 권한(authorities)을 설명합니다. 모든 궤적(trajectory)은 보안 레이블, 즉 대상 × 신뢰를 지니게 됩니다.
개인 저장소(private repo)를 읽는 것은 접근 대상을 좁히고, 검증되지 않은 웹 페이지를 읽는 것은 신뢰도를 낮춥니다. 이 레이블은 항상 더 제한적으로만 변하며, 엔진은 이를 바탕으로 모든 결정을 대수학적으로 도출합니다.
에이전트에게 비밀을 유출하라고 지시하는 주입 프롬프트(injected prompt)는 무의미합니다. 왜냐하면 대수학 자체를 프롬프트 주입할 수 없기 때문입니다. 구성(configuration)이 선언적(declarative)이기 때문에, CI/CD 환경에서 전체 도구 그래프가 커버되었는지 검증할 수 있습니다. 이 구성은 데이터에 특화되어 있어, 변경하지 않고도 수백만 개의 에이전트로 확장할 수 있습니다.
에이전트가 작업을 완료하도록 돕는 트릭들#
엄격한 강제 적용(Strict enforcement)은 보통 유용성이 떨어지는 지점입니다. 단순히 '금지됨'이라고 하는 것은 에이전트를 정지시키고, 재시도하게 만들며, 결국 실패하게 만듭니다. OpenAPPA 대신에, 에이전트가 법적으로 진행할 수 있는 방법들을 담은 기계 판독 가능한 해결책 계획(remedy plan)을 반환합니다:
Sanitizers는 페이로드(payload)를 변환하여 비밀 정보를 마스킹하거나 PII(개인 식별 정보)를 삭제함으로써, 더 넓은 청중에게 흐를 수 있도록 합니다. 기본 제공되는 Sanitizer 외에도, 모델 기반의 커스텀 Sanitizer가 명확한 영향 범위(blast radius)와 함께 플러그인 방식으로 연결됩니다.Authorities는 인간이나 내부 API를 통해 특정 행동 하나만을 승인하며, 나중에 호출할 때 세션의 제한을 해제하지 않습니다.Subagents는 신뢰할 수 없는 읽기 작업을 폐기 가능한 브랜치에 격리하여, 부모 궤적(parent trajectory)이 오염되지 않고 계속 진행되도록 합니다.
이것이 저희 벤치마크에서 작업 완료율을 37%에서 90%로 끌어올리고, 결정론적인 보안을 실용적으로 만드는 요소입니다.