현대 산업에서 동적인 환경과 모듈형 및 재구성 가능한 자원의 복잡성은 공정 순서의 자동화된 계획 수립 (Automated Planning)을 요구합니다. 역량 기반 계획 (Capability-based planning) 접근 방식은 자원의 기능을 기계가 해석 가능한 형태로 기술하는 의미론적 지식 모델 (Semantic knowledge models)로부터 계획을 자동으로 생성함으로써 이 문제를 해결합니다. 그러나 실제 활용에는 여전히 한계가 있습니다. 특히 만족 불가능 (Unsatisfiability) 상황에서 솔버 (Solver)의 피드백을 해석하기 어렵고, 운영 조건이 변하거나 요청이 실행 불가능해짐에 따라 지식 모델을 수정해야 하기 때문입니다. 본 논문은 기존의 역량 기반 만족 가능성 모듈론 (Satisfiability Modulo Theories, SMT) 계획 방식에 자연어 상호작용, 설명 및 적응을 위한 대규모 언어 모델 (Large Language Model, LLM) 기반 계층을 추가한 하이브리드 보조 시스템을 제시합니다. 형식적 계획의 정확성 (Formal planning correctness)은 심볼릭 플래너 (Symbolic planner)가 유지하며, LLM 계층은 명시적인 인간 참여 (Human-in-the-Loop, HitL) 승인 하에 자연어 접근 및 유연한 지식 모델 적응을 담당합니다. 이 시스템은 역량 접지 (Capability Grounding), 심볼릭 계획 (Symbolic Planning), 결과 해석 (Result Interpretation), 계획 적응 (Planning Adaptation)의 네 가지 구성 요소로 분해되며, 중앙 라우터 (Router)가 5개의 특화된 에이전트 (Agents)에게 작업을 위임하는 라우팅된 에이전트 워크플로 (Routed agentic workflow)로 구현됩니다. 시스템은 네 가지 시나리오 유형에 걸쳐 모듈형 생산 시스템에서 평가되었습니다. 23개의 테스트 케이스 중 10개 중 9개의 지식 질의와 4개의 만족 가능한 계획 케이스 모두를 정확하게 처리하였고, 4개의 만족 불가능한 케이스 중 3개에서 구체적인 복구 제안을 생성하였으며, 5개의 적응형 계획 시나리오 모두 사용자가 승인한 반복적인 지식 모델 수정을 통해 만족 가능한 계획으로 해결되었습니다. 이러한 연구 결과는 형식적 계획 (Formal planning)과 LLM 기반 보조를 결합하는 것이 산업 자동화에서의 접근성 및 적응성을 실질적으로 향상시킨다는 것을 확인시켜 줍니다.