우리는 흔히 더 똑똑한 모델(LLM)이 등장하면 복잡한 문제를 알아서 해결할 것이라고 기대한다. 하지만 실제 물리적/디지털 환경에서 에이전트를 구동해 보면, 모델의 ‘장기 추론 능력’보다 ‘두 칸 걷고 멈추어 주변을 살피는 절제력’이 성공을 좌우하는 경우가 많다. 거대한 계획은 환경의 작은 변수(갑자기 나타난 NPC, UI 변경) 하나에도 도미노처럼 무너지기 때문이다.
결국 에이전트 시스템의 성패는 모델의 파라미터 수가 아니라, 환경과의 상호작용 빈도(Hz)와 그 사이에서 발생하는 오차를 얼마나 꼼꼼하게 보정하느냐에 달려 있다. 이는 ‘천재’보다 ‘성실하고 꼼꼼한 여행자’가 목적지에 더 잘 도착한다는 원리와 같다.
근거
포켓몬 해커톤 참가자들은 초기에는 긴 명령을 주었으나 실패를 거듭한 끝에, 짧은 액션 후 즉시 스크린샷을 찍어 상태를 확인하는 방식으로 선회했다.
“장기 추론보다 어려운 건 두 칸 걷고 멈추는 절제였다. … 우리는 더 똑똑한 프롬프트를 원했는데, 실제로 필요했던 건 더 짧은 액션 리스트였다.”
연결된 생각
- 20260609-agent-harness-feedback-loop — 이 통찰을 구현하기 위한 기술적 프레임워크
- 20260508-atomic-notes-enable-context-injection — 정보 처리에서도 거대한 요약보다 원자적 단위의 검증이 누적될 때 신뢰도가 높아짐