AI Agent Governance - APEI Framework

APEI-H Protocol (Harness-Driven)

결정론적 검증과 수정 범위 격리를 보장하는 4단계 자율 실행 워크플로우

🔍 1. Analyze

맥락/제약 분석 및 데이터 확보

추측 기반 코딩 금지
대상 소스 및 요구사항 리서치
모호한 사안 즉시 질문/명확화

📋 2. Plan

DAG 수립 & 입출력/검증식 정의

3-10개 하위 태스크(DAG) 분해
Allowed Scope 지정
단일 검증 명령어(verification_command) 명시

⚡ 3. Execute

격리 세션 및 원자적 실행

세션 격리(Context Isolation)
원자적 변경 (작업당 최대 5개 파일)
Forbidden Scope (No-touch zone) 보호

🔄 4. Iterate

결정론적 검증 & 자가 치유

테스트 러너 Exit Code 0 기계적 검증
에러 시 자가 치유 (최대 3회)
초과 시 Git 자동 롤백 & 에스컬레이션

Deployment Modes

프로젝트 복잡도와 요구사항에 따른 세 가지 배포 모드

🤖

Single Agent

단일 LLM이 모든 역할 수행. 소규모 작업과 빠른 프로토타이핑에 적합.

👥

CrewAI

역할 기반 협업 에이전트. 팀 시뮬레이션과 전문 분야 분리에 적합.

🔗

LangGraph

상태 기반 그래프 오케스트레이션. 복잡한 워크플로우와 세밀한 제어.

🚃 트램 Central Model (Hybrid)

Resource Governance

에이전트의 무한 루프 방지와 효율성을 위한 자원 관리 및 데이터 최적화

            
┌────────────────────────┬───────┬─────────────────────┐
│ Constraint             │ Limit │ On Exceed           │
├────────────────────────┼───────┼─────────────────────┤
│ Iterations per task    │ 5     │ Escalate            │
│ Retry on error         │ 3     │ Escalate            │
│ Files per change       │ 5     │ Split task          │
│ Execution time         │ 10min │ Checkpoint & pause  │
└────────────────────────┴───────┴─────────────────────┘
            
        

📊 Data Efficiency: TOON Format

대량 데이터 입출력 시 TOON(Token-Oriented Object Notation) 포맷을 사용하여 토큰 비용을 절감하고 처리 속도를 극대화합니다.

                
// TOON (Token-Oriented Object Notation) Example

recipes[2]{id,title,calories}:

1,Kimchi Stew,250

2,Bulgogi,450

JSON 대비 최대 40% 토큰 절감
반복적인 객체 리스트 구조에 최적화
LLM의 정보 추출 및 요약 성능 향상

🧠 Context Engineering

파편화된 정보 검색(RAG)의 한계를 극복하기 위해, 개별 데이터 조각(Chunk)에 문서 전체의 상황 맥락을 결합하여 정확도를 극대화합니다.

                
// Contextual Retrieval Concept

[Original Chunk]: "매출이 3% 성장함"

[Context Added]: "이 정보는 2023년 Q2 ACME Corp의 재무 보고서 내용임. 매출이 3% 성장함"

→ 검색 실패율 67% 감소

상황 맥락 기반 임베딩(Contextual Embeddings)
할루시네이션 방지 및 검색 정확도 향상
에이전트의 복합 프로젝트 이해도 증대