독자의 변화: 반복적으로 "이제 무엇을 할까요?"라고 입력하는 대신, 독자는 활성화 트리거 (activation trigger), 관찰 가능한 수치적 중단 조건 (observable numeric stop condition), 독립적인 평가자 (independent evaluator), 그리고 기본 실패 동작 (default failure action)을 지정하는 루프를 설계하는 법을 배웁니다. 이러한 설계를 통해 AI는 매일 자율적으로 실행됩니다. 이 기사는 독자가 복사하여 바로 배포할 수 있는 구체적이고 즉시 사용 가능한 청사진(일본어 및 영어로 테스트됨)을 제공합니다.

주장을 뒷받침하는 근거:

• Boris Cherny (Anthropic)는 더 이상 프롬프트를 작성하지 않고 에이전트에게 프롬프트를 제공하는 루프를 작성한다고 언급함 (출처 1).
• Addy Osmani는 "루프 엔지니어링 (Loop engineering)"을 인간 프롬프트 작성자를 시스템으로 대체하는 것으로 정의함 (출처 1).
• suwash의 프롬프트 작성, 컨텍스트 설계, 루프 설계를 분리하는 3계층 모델 (출처 1).
• delba_oliveira의 시작/중단 모드(목표 기반, 시간 기반, 이벤트 기반 등) 분류 체계 (출처 1).
• 루프가 올바르게 설계되었을 때 큰 이득을 보여준 Anthropic의 800시간, 97% 자기 지도 학습 (self-supervision) 실험 (출처 1).
• 가설 선택, 구현 방향, 평가 기준 및 출시 결정을 인간의 손에 남겨두는 Replit의 공개적인 설명 (출처 1).

남은 불확실성 / 한계: 루프 접근 방식은 반복적이고 잘 정의된 판단에 대해서만 효과가 있으며, 일회성 작업에는 비용 효율적이지 않습니다. 루프의 성공은 여전히 인간이 만든 중단 기준과 평가자 로직에 달려 있습니다. 만약 평가자가 충돌하거나 잘못 구성되면, 시스템은 명시적인 기본 실패 정책 (default-failure policy)을 가지고 있어야 하며, 그렇지 않으면 저품질의 출력이 생성될 수 있습니다. 또한, Anthropic의 97% 결과는 특정 실험 설정과 연관되어 있으며 독립적으로 재현되지 않았으므로, 이 수치를 보편적으로 일반화할 수는 없습니다.

출처