Agentic Loops를 잘못 사용하지 마세요

자동화의 꿈은 하나의 프롬프트로 완전한 자율성을 제공하는 거창한 제스처를 약속합니다. agentic loops의 이러한 비전은 human-in-the-loop 워크플로우와 극명한 대조를 이룹니다. human-in-the-loop는 사용자가 프롬프트를 입력하고, AI가 구축하고, 사용자가 검토한 다음, 다시 프롬프트를 입력하는 방식으로, Professor Ras Mic이 AI에게 할 일 앱을 기능별로 구축하도록 안내하는 것처럼, 사용자의 비전과 일치하도록 모든 움직임을 단계별로 지시하는 것을 의미합니다.

전화로 복잡한 문신을 설명하는 어려움을 생각해 보세요. 그것이 바로 Wide AI-open agentic loop를 시작하는 경험과 정확히 일치합니다. 에이전트가 자율적으로 추구할 단일하고 포괄적인 `/goal`을 명확히 제시하지만, 그러한 프롬프트는 필연적으로 중요한 공백을 남기고 상당한 오해를 불러일으킵니다.

이는 자율적 가정이라는 핵심 문제로 이어집니다. 즉, 에이전트가 명시적으로 지정하지 않은 세부 사항을 채워 넣는다는 것입니다. 정확한 지시 없이 에이전트는 '로그인 후 어떤 화면이 나타나는지' 또는 '결제 실패 시 어떻게 되는지'를 추측합니다. 이러한 가정은 종종 의도에서 벗어나 결함 있는 결과를 쏟아내고 토큰을 소모하는 slop machine을 만듭니다. 이는 한 달에 130만 달러를 지출했다고 알려진 Boris Cherny Cherny 또는 Peter Steinberger Steinberger의 무제한 예산과 비교할 때 대부분의 사용자에게는 값비싼 현실입니다.

Wide AI AI의 완전한 자율성 약속은 종종 엄청난 토큰 비용을 간과합니다. Peter Steinberger Steinberger와 같은 개발자들은 Wide AI-open agentic loops를 추구하며 한 달 동안 130만 달러 상당의 토큰을 소모했다고 공개적으로 밝혔습니다. 에이전트가 단일 `/goal` 프롬프트에서 자체 출력을 지속적으로 생성, 검토 및 개선하는 이 모델은 본질적으로 엄청난 소비로 이어집니다.

이러한 접근 방식은 Boris Cherny Cherny와 Peter Steinberger Steinberger의 자금력이 풍부한 운영과 같이 사실상 무제한 예산을 가진 사람들에게만 실현 가능합니다. 20달러 또는 100달러 계층과 같은 계층형 요금제를 사용하는 대다수의 개발자와 스타트업에게 이러한 meta-harnesses는 예산을 너무 빨리 소모하는 'slop machine'이 됩니다. 끊임없는 추측은 실제 제약 조건에서 비실용적입니다.

뛰어난 개발자를 고용하여 높은 수준의 사양을 넘겨주고 떠나는 것을 생각해 보세요. 에이전트는 그 단독 개발자와 마찬가지로 '로그인 후 어떤 화면이 나타나는지' 또는 '결제 실패 시 어떻게 되는지'와 같은 세부 사항을 가정으로 채워 중요한 공백을 메웁니다. 이러한 추측은 필연적으로 원래의 product vision에서 벗어나 작업 주기를 낭비하고, 목표를 놓치며, 궁극적으로 목표를 달성하지 못하는 작업에 대해 예상치 못한 막대한 토큰 비용을 초래합니다.

논의된 바와 같이, Wide AI-open agentic loops는 검증되지 않은 가정에 의존하기 때문에 토큰을 소모하는 'slop machine'이 됩니다. 성공적인 루프의 비결은 그 반대인 고정되고 정의된 피드백 시스템에 있습니다. 에이전트는 명확하고 정량화 가능한 시나리오, 즉 명확한 '합격/불합격' 또는 특정 숫자 목표 내에서 작동할 때 번성합니다. 이러한 이진 전장이 없으면 에이전트는 단순히 추측하여 비용이 많이 들고 목표에서 벗어난 반복으로 이어집니다.

라스 마이크 교수님의 일일 코드 리뷰 루프는 이 원칙을 완벽하게 보여줍니다. Cursor를 하네스로, GitHub를 소스 제어에, 그리고 Greptile을 지능형 리뷰 에이전트로 사용하여, 그의 시스템은 완벽한 5/5 점수를 자율적으로 추구합니다. 마이크의 `grep loop` 명령은 에이전트를 지시합니다: Greptile의 리뷰를 읽고, 수정 사항을 적용한 다음, 변경 사항을 푸시하고 반복합니다. 이 반복적인 과정은 코드가 5/5에 도달하거나 다섯 번의 턴을 완료할 때까지 계속되며, 항상 4점 이상의 점수를 받는 프로덕션 준비 코드를 보장합니다.

이 긴밀한 피드백 루프는 에이전트가 주관적인 디자인 선택을 하지 않기 때문에 작동합니다. 정확하고 측정 가능한 결과에 맞춰 최적화하고 있습니다. 에이전트는 '좋은' 것이 무엇인지 정확히 알고 있습니다—Greptile로부터의 특정 점수—그리고 비용이 많이 드는 추측으로 빠지지 않고 체계적으로 목표를 향해 나아갈 수 있습니다.

이 이진 원칙은 코드를 넘어 확장됩니다. 에이전트 루프는 명확하고 측정 가능한 성공 지표가 있는 모든 작업에서 빛을 발합니다: - 템플릿화된 SEO 페이지 생성 - 고정된 규칙 세트에 따라 반복적인 데이터 정리 수행 - 스키마에 대한 구성 유효성 검사

ReAct 패턴 및 향후 개발을 포함한 루프 엔지니어링에 대한 심층적인 내용은 Agentic Loops Explained: From ReAct to Loop Engineering (2026 Guide)를 참조하십시오.

완전한 애플리케이션 개발과 같은 복잡하고 창의적인 노력은 완전한 에이전트 자율성에 저항합니다. 전체 제품 비전은 인간의 머릿속에 존재하며, 기계가 아직 완전히 파악할 수 없는 지속적이고 주관적인 피드백과 반복적인 개선이 필요합니다. 이는 Wide AI-open loops가 비용이 많이 드는 가정을 하는 토큰 악몽을 방지합니다.

마이애미에서 찰스턴까지의 로드 트립에 완전 자율 주행을 한 번의 확인도 없이 신뢰한다고 상상해 보십시오. 예상치 못한 상황이나 변화하는 선호도에 따라 불가피하게 차를 세우고, 경로를 수정하고, 여정을 재평가해야 할 것입니다. AI 에이전트도 개방형 작업에서 유사한 문제에 직면합니다.

라스 마이크 교수님은 이 현실을 일관되게 강조합니다: 오늘날 대부분의 개발자에게 인간 개입(human-in-the-loop) 모델이 가장 강력한 설정으로 남아 있습니다. 이 접근 방식은 일부 최고 개발자들이 완전 자동화를 추구하면서 수백만 개의 토큰을 소모하는 자율적인 추측을 방지합니다.

미래가 의심할 여지 없이 더 큰 자율성을 향하고 있지만, 복잡한 작업을 위한 가장 강력하고 신뢰할 수 있는 워크플로우는 여전히 모든 중요한 시점에서 인간의 지능을 통합합니다. 현재로서는 최고의 루프는 인간의 손이 전체 비전을 확고히 안내하고 진행 상황을 검증하도록 합니다.

에이전트 루프란 무엇인가요?

에이전트 루프는 인간이 단일의 상위 수준 프롬프트를 제공하면, AI 에이전트가 추가적인 인간의 개입 없이 작업을 생성하고, 스스로 검토하며, 작업이 완료될 때까지 반복적으로 개선하는 AI 워크플로우입니다.

에이전트 루프의 주요 문제는 무엇인가요?

주요 문제는 단일 프롬프트가 모든 예외 상황을 다루는 경우가 거의 없다는 것입니다. AI는 이러한 공백을 가정으로 채우는데, 이는 잘못된 출력('엉성한 기계')과 극도로 높은 토큰 비용으로 이어질 수 있습니다.

에이전트 루프는 언제 가장 효과적인가요?

이들은 합격/불합격 시나리오와 같이 이진 또는 명확하게 정의된 피드백이 있는 작업에서 탁월합니다. AI가 코드를 평가하고 목표 점수에 도달할 때까지 반복하는 코드 리뷰가 완벽한 예시입니다.

'인간 개입(human-in-the-loop)'이 여전히 최선의 접근 방식인가요?

네. 주관적인 피드백이 필요한 앱 개발과 같이 복잡하고 미묘한 작업의 경우, 인간이 각 단계를 검토하고 안내하는 인간 개입(human-in-the-loop) 방식이 오늘날 가장 효과적이고 비용 효율적인 접근 방식으로 남아 있습니다.