AGE (Attractor Guided Engineering)는 제가 nop-chaos-flux를 제작하는 동안 개발한 AI 네이티브 엔지니어링 방법론 세트입니다.

https://github.com/entropy-cloud/nop-chaos-flux는 전적으로 AI의 주도하에 개발된 대규모 프론트엔드 프레임워크 프로젝트입니다.

전형적인 Harness 방법론과 달리, AGE의 개념적 기원은 수리 물리학에서의 동역학계 (dynamical systems)의 제어된 수렴 (controlled convergence) 이미지에 있습니다. 결과적으로, 축적된 경험에 기반한 방법론 요약과 비교했을 때, AGE의 도입은 뚜렷한 혁신적 성격을 띱니다. 대규모 AI 모델이 AGE와 관련된 문서와 관행을 직접 읽을 때, 이들은 종종 핵심을 놓치고 자신들에게 더 익숙한 엔지니어링 언어로 회귀하곤 합니다. 예를 들어:

• 어트랙터 (attractor)를 경계 (boundary), 가드레일 (guardrail), 또는 더 강력한 제약 조건 (constraint)으로 해석함;
• 기술 (skills)을 지식 조직의 주요 매개체로 이해함;
• 정보 형태의 문제를 "스펙 (specs)의 통일 여부"로 프레임화함;
• 계획 (plan)을 실행 체크리스트 (execution checklist)나 승인 페이지 (approval page)로 이해함;
• 로그 (logs), 버그 (bugs), 히스토리 (history)를 시스템의 수렴 메커니즘 (convergence mechanism)의 일부가 아닌 사후 검토 아카이브 (retrospective archives)로 취급함.

하지만 진짜 핵심은 이 중 어느 것도 아닙니다.

1. AI는 고주파 무작위 확장력이며, 시스템은 내생적 수렴 능력을 갖추어야 한다

엔지니어링 시스템에서 AI는 본질적인 무작위성을 가진 고속 확장력 (high-speed expansion force)에 가깝게 작동합니다. 만약 AI가 전체적인 드리프트 (drift)를 유발하지 않으면서 시스템의 진화에 지속적으로 참여하려면, 수렴 (convergence) 능력은 모델 자체에 맡겨져서는 안 됩니다. 대신, Agent, 문서 (documentation), 코드 (code), 그리고 검증/감사/메모리 (verification/audit/memory) 메커니즘으로 구성된 전체 시스템 내부에 내생적 (endogenous)으로 존재해야 합니다. 다시 말해, 시스템을 안정적으로 수렴하게 만드는 것은 AI의 자발적인 방향성도 아니고, 소수 개인의 머릿속에 존재하는 외재화되지 않은 아키텍처적 판단도 아닙니다. 오히려 이 확장된 인지 시스템 (extended cognitive system)이 제공하는 구조적 풍경 (structural landscape)입니다.

2. 범용 기술 (Generic Skills)은 프로젝트 특화 어트랙터 (Project-Specific Attractor)를 대체할 수 없다

범용 기술 (Generic skills)은 기껏해야 특정 작업 유형이나 도메인의 공통 지식을 파악할 뿐이지만, _왜 이 특정 프로젝트가 이런 방식으로 설계되었는지_에 대한 이해는 일반적으로 부족합니다. 특히 프로젝트의 포지셔닝 (positioning), 아키텍처적 트레이드오프 (architectural trade-offs), 설계 철학 (design philosophy), 상위 원칙 (overarching principles), 역사적 배경 (historical baggage), 그리고 현재의 베이스라인 (baseline)을 확고하게 파악하지 못합니다. 따라서 이들은 프로젝트 특화 어트랙터 (project-specific attractor)를 형성하기에는 불충분합니다. 시스템이 명확한 권위 계층 (authority hierarchies), 증명 관계 (proof relations), 그리고 선행 제약 조건 (precedence constraints)이 결여된 방대한 정보에만 접근할 수 있을 때, 정보의 증가는 역설적으로 갈등을 증폭시키고 시스템의 불안정성을 높입니다. 진정으로 필요한 것은 범용적인 아키텍처 보일러플레이트 (architectural boilerplate)나 공식화된 디렉토리 구조가 아니라, 프로젝트 고유의 구체적인 설계 아이디어, 의미론적 권위 체인 (semantic authority chains), 그리고 장기적인 수렴 방향입니다.

어트랙터 가이드 (attractor guidance)의 실체는 "아키텍처를 명확하게 글로 쓰는 것"이 아니라, 프로젝트 고유의 설계 아이디어, 거시적 원칙 (macro principles), 권위 관계 (authority relations), 증명 체인 (proof chains), 그리고 역사적 부정 공간 (historical negation space)을 이후의 진화적 트렌드를 지속적으로 형성할 수 있는 체계적인 구조로 조직하는 것입니다. 즉, 어트랙터는 하나의 문서가 아니라, 여러 리포지토리 아티팩트 (repository artifacts)에 의해 공동으로 운반되는 안정적인 수렴 위상 (stable convergence topology)입니다.

3. 정보 그 자체는 형태와 독립적이지만, 형태는 지능적 계산의 효율성에 영향을 미친다

정보 그 자체는 형태와 독립적입니다. 동일한 의미론 (semantics)이 문서, 코드, 테스트, DSL (Domain-Specific Language), 로그와 같은 서로 다른 매체에 존재할 수 있습니다. 그러나 형태는 지능적 계산 (intelligent computation)의 효율성, 안정성 및 모호성 비율에 상당한 영향을 미칩니다. 따라서 문제는 통일된 사양 (spec)을 채택해야 하는지 여부가 아니라, 정보 조직 방식이 도메인 로직 (domain logic)에 부합하는지 여부입니다. 지식을 고정된 형식의 평면적인 목록으로 단순화하기보다는, 도메인 개념, 의미론적 관계 (semantic relations), 권위 수준 (authority levels)에 따라 독립적으로 조직하고 링크를 통해 위상적 구조 (topological structure)를 구축하는 것이 더 나은 접근 방식인 경우가 많습니다. 도메인 특화된 표현 (Domain-specific expression)은 효율적인 정보 조직과 의미론적 전이 (semantic transfer)를 달성할 수 있는 더 큰 잠재력을 가집니다.

강조점은 "통일된 형태"가 아니라 "도메인에 종속되는 구조"에 있습니다.

4. 계획은 국소적 수렴 폐쇄 루프이며 외부 감사를 수용해야 한다

계획(Plan)의 역할은 세션 내의 일시적인 초안 역할을 하는 것이 아니라, 주어진 라운드의 국소적 변경 사항에 대한 검증 폐쇄 루프(verification closed loop)이자 수렴 메커니즘(convergence mechanism)으로 작용하는 것입니다. 즉, 이번에 왜 변경을 수행하는지, 경계(boundaries)는 무엇인지, 무엇이 진정한 종료(closure)를 정의하는지, 그리고 어떤 후속 의무가 남아 있는지를 다룹니다. 바로 이 점 때문에, "구현자가 완료를 정의하고 스스로 완료를 선언하는" 자기 검증의 함정(self-verification trap)을 피하기 위해 계획 자체와 그 실행 결과는 반드시 외부 감사(external auditing)를 거쳐야 합니다. 계획의 구체적인 구조에 대해서는 반드시 절대적으로 통일될 필요는 없습니다. 프로젝트의 복잡성, 작업 위험도, 그리고 AI의 현재 신뢰도에 따라 동적으로 조정될 수 있습니다. 예를 들어, 기술 선택 검토(skill selection review)를 도입할지 또는 종료 게이트(closure gate)의 강도를 어떻게 설정할지 등이 이에 해당합니다.

5. 궤적(Trajectories)은 핵심 객체이며, 궤적 마이닝(Trajectory Mining)은 미래 수렴 능력을 위한 생성적 메커니즘이다

동역학계(dynamical systems)의 관점에서 볼 때, 매우 중요하지만 자주 간과되는 객체는 바로 궤적(trajectory)입니다. 대부분의 관행은 작업 중심(task-driven) 수준에 머물러 있습니다. 작업이 완료되면 스캐폴딩(scaffolding)은 무용지물인 것처럼 보이며, 이력이 보존되는지 여부는 무관하게 취급됩니다. 이것이 바로 흔히 발생하는 사각지대입니다.

단순히 단일 작업이 완료되었는지에만 집중하는 것으로는 부족합니다. 더 중요한 것은 시스템의 진화적 궤적(evolutionary trajectory)을 지속적으로 기록하는 것입니다. 궤적의 의의는 단순히 과거에 일어난 일을 기록하는 것에 그치지 않고, 시스템의 이력으로부터 다음과 같은 추세 신호(trend signals)와 주기적 신호(periodic signals)를 지속적으로 추출하는 데 있습니다.

• 어떤 오해(misunderstandings)가 반복적으로 재발하는가;
• 어떤 국소적으로 올바른 결정들이 방향성 오류(directional error)로 축적되고 있는가;
• 어떤 감사 허위 양성(audit false positives)이 시스템의 예산을 낭비하고 있는가;
• 어떤 설계 부채(design debts)가 주기적으로 재부상하는가;
• 어떤 임시 패치(temporary patches)가 항상 구조적 문제로 다시 자라나는가.

이 궤적(trajectory) 정보는 작업이 종료된 후 폐기되어서는 안 됩니다. 오히려 이는 의도적인 감사 프롬프트(tendentious audit prompts), 교정 규칙(calibration rules), 규범 문서 패치(normative document patches), 또는 제약 문서 증분(constraining document increments)으로 더욱 정제되어야 하며, 이를 통해 끊임없이 강화되는 수렴력(convergence force)을 형성해야 합니다. 여전히 일반적으로 작업 중심(task-driven) 수준에 머물러 있는 현재의 관행과 비교할 때, 궤적 마이닝(trajectory mining)은 "작업 완료"에서 "장기적인 통제된 진화 형성(shaping long-term controlled evolution)"으로의 업그레이드를 의미합니다.

결론

AI는 확장을 담당하고, 프로젝트 특화 어트랙터(project-specific attractor)는 방향 설정을 담당하며, 플랜(Plan)은 국소적 폐쇄 루프(local closed loops)를 담당하고, 궤적 마이닝(trajectory mining)은 수렴 능력(convergence capability)을 지속적으로 강화하는 역할을 담당합니다. 그리고 이 모든 것은 일반적인 기술(generic skills)이나 고정된 템플릿(fixed templates)에 의존하는 것이 아니라, 도메인의 의미론적 위상(semantic topology)에 부합하는 정보 조직화 위에 구축되어야 합니다.

어트랙터 가이드(attractor guidance)가 다루는 것은 시스템이 장기적으로 어디로 진화하는가이며, 궤적 마이닝(trajectory mining)이 다루는 것은 시스템이 어떻게 자신의 이력으로부터 지속적으로 더 강력한 수렴 능력을 생성하는가입니다. 이 두 가지의 결합이야말로 AGE가 기술(skills), 가드레일(guardrails), 워크플로우(workflows), 그리고 리뷰 에이전트(review-agents)라는 흔한 담론들을 진정으로 초월할 수 있게 합니다.

참고 문헌:

• AGE Template: https://github.com/entropy-cloud/attractor-guided-engineering-template
• Attractor Before Harness: A Methodology for Large-Scale AI Development
• From Spec-Driven Development to Attractor-Guided Engineering
• Why Attractor Guided Engineering Cannot Be Downgraded to an AI Agent Skill
• The Divide Between the Control Layer and the Direction Layer: OpenProse, NLAHs, and AGE