당신의 AI 루프는 슬롭 머신입니다

AI는 빌더를 위한 두 가지 뚜렷한 워크플로우를 도입했습니다. 전통적인 human-in-the-Loop Engineering 시스템은 당신을 조종석에 앉게 합니다: 에이전트에 프롬프트를 제공하고, 그 출력을 검토하며, 각 단계를 수동으로 반복합니다. 반대로, 자율적인 Loop Engineering Engineering은 AI가 자동 조종 상태에 있는 것을 상상합니다. 여기서 단일 인간 프롬프트가 정의된 사양에 따라 자체 결과를 생성, 검토 및 개선하는 자체 수정 에이전트를 시작합니다.

Boris Cherny Cherny 및 Peter Steinberger Steinberger와 같은 최고의 빌더들은 Loop Engineering Engineering을 개발의 미래로 옹호합니다. 그들은 개발자들이 AI 자체에 직접 프롬프트를 제공하기보다는 AI에 프롬프트를 제공하는 시스템을 설계하여 에이전트가 복잡한 작업을 자율적으로 실행할 수 있도록 해야 한다고 주장합니다.

이 접근 방식은 야심찬 미래를 가리키지만, 오늘날 대부분의 빌더에게는 위험하고 비효율적인 현실을 제시합니다. Cherny와 Steinberger는 사실상 무제한의 토큰 예산으로 운영되므로, 지속적인 Loop Engineeringing이 그들에게는 합리적입니다. 그러한 자원이 없는 대다수에게는 광범위한 Loop Engineerings가 빠르게 '슬롭 머신'이 되어 상당한 토큰을 소모하고 예측 불가능한 비용으로 이어집니다. Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles)은 Peter Steinberger Steinberger가 한 달에 130만 달러를 토큰에 지출했다고 트윗한 적이 있음을 강조하며, 통제 불능 비용의 가능성을 부각시킵니다.

자유롭게 실행되는 에이전트 Loop Engineering Engineering 모델은 자체적으로 작동하도록 내버려 두면, 뛰어난 스타트업 개발자를 고용하여 단 하나의 사양을 넘겨주는 것과 같은 어려움을 반영합니다. 지속적인 인간의 지침 없이는 에이전트가 모든 모호함을 자체적인 가정과 해석으로 채웁니다. 이러한 추측은 항상 원래의 제품 비전에서 벗어나 결함 있는 실행과 낭비되는 주기로 이어집니다.

이러한 제약 없는 자율성은 빌더에게 두 가지 주요 실패 모드를 만듭니다. 첫째, 에이전트가 모든 엣지 케이스와 정의되지 않은 세부 사항에서 잘못된 추측을 하여 의도된 결과에서 체계적으로 벗어납니다. 둘째, 이 광범위한 시행착오 과정은 천문학적인 토큰 소모로 이어져 예산을 빠르게 고갈시킵니다. Loop Engineerings 실험으로 유명한 빌더인 Peter Steinberger Steinberger는 한 달 만에 토큰에 130만 달러를 지출했다고 유명하게 보고했습니다.

`/goal`과 같은 명령어는 초기 탐색을 위한 신속한 프로토타이핑 기능을 제공하지만, 견고한 프로덕션 작업에는 치명적입니다. 이러한 명령어는 개발 워크플로우를 빠르게 돈을 태우는 슬롭 머신으로 변모시킵니다. Boris Cherny Cherny 및 Peter Steinberger Steinberger와 같이 거의 무제한의 예산을 가진 사람들에게는 효과적이지만, 대부분의 빌더는 토큰 할당량을 빠르게 소진하여 이러한 광범위한 Loop Engineerings가 실제적이고 예산에 민감한 개발에는 지속 불가능하게 만듭니다. Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles)은 human-in-the-Loop Engineering이 통제되고 효율적인 출력을 위한 오늘날 가장 강력한 설정으로 남아 있음을 강조합니다.

Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles)은 실제로 작동하는 에이전트 Loop Engineering Engineering의 구체적인 예를 제공합니다. 그의 일상적인 code review Loop Engineering은 Cursor를 AI 하네스로, GitHub를 버전 제어로, Greptile을 자동화된 코드 검토자로 활용하는 정밀한 도구 조합을 사용하는 제약된 자동화의 마스터클래스입니다. 이것은 이론적인 과대광고가 아닙니다; 실용적인 개발을 위한 실제 배포 현실입니다.

운영 메커니즘은 놀랍도록 구체적이고 결정론적입니다: 맞춤형 `grep Loop Engineering` 스킬이 에이전트를 안내합니다. 먼저 Greptile의 포괄적인 검토(5점 만점의 객관적인 품질 점수 포함)를 읽은 다음, 코드베이스에 필요한 수정 사항을 지능적으로 적용하고, GitHub에 새 커밋을 푸시하고, 이 주기를 반복합니다. 이 과정은 코드가 완벽한 5/5 점수를 달성하거나 5번의 개별 반복 후 시도를 소진할 때까지 계속됩니다. 확고한 규칙에 따라 코드는 5점 만점에 4점 이상의 점수를 유지하는 경우에만 프로덕션으로 배포됩니다.

이 `Loop Engineering`의 부인할 수 없는 성공은 근본적인 원칙에 달려 있습니다: 명확하고 정량화 가능한 피드백이 있는 매우 제한된 공간 내에서 작동한다는 것입니다. 광범위한 애플리케이션 개발과 달리 코드 검토는 완료 및 품질에 대한 명확하고 객관적인 측정 기준을 제공합니다. 이 정밀한 피드백 메커니즘은 AI가 광범위한 가정을 하고 '엉망진창 기계' 영역으로 표류하는 것을 방지합니다. Peter Steinberger Steinberger 및 Boris Cherny Cherny와 같은 선구자들이 에이전트 시스템의 방대한 잠재력을 강조하는 반면, Ras Ras Mic (Michael Shimeles)의 구현은 현재 이러한 시스템이 진정으로 탁월한 특정하고 실용적인 조건을 보여줍니다.

Loop Engineering은 언제 그 가치를 인정받을까요? Ras Ras Mic (Michael Shimeles)은 명확한 선을 긋습니다: `Loop Engineering`은 고정된, 이진 또는 정량화 가능한 피드백이 있는 제한된 작업에서 탁월합니다. Cursor, GitHub, Greptile을 활용하여 5/5 점수를 추구하는 그의 성공적인 코드 검토 `Loop Engineering`은 이러한 정밀성을 잘 보여줍니다. 구조화된 SEO 페이지를 생성하는 것도 성공 지표가 명확한 이 모델에 적합합니다.

이를 전체 앱 개발의 무정형적인 도전과 대조해 봅시다. 여기서는 제품 비전이 미묘하고 진화하는 실체이며, 종종 부분적으로 인간의 직관에 의존합니다. 자율 에이전트는 스스로 작동하도록 내버려 두면 모든 공백을 가정으로 채우고, 의도된 제품 비전에서 빠르게 벗어나 토큰을 소모합니다. 이는 무제한 예산이 없는 사람들에게 Boris Cherny Cherny와 Peter Steinberger Steinberger의 경험이 시사하는 바와 같습니다.

Ras Ras Mic (Michael Shimeles)은 그의 강력한 코드 검토 `Loop Engineering`조차 1,000줄 이상의 코드에서는 한계를 드러내어, 작업을 여러 풀 리퀘스트로 분할하기 위한 인간의 개입이 필요하다고 언급합니다. 작업이 주관적인 판단, 창의적인 문제 해결 또는 모호성 탐색을 요구하는 순간, 인간의 직관과 감독은 필수 불가결해집니다.

궁극적으로 미래는 진정으로 완전 자율 시스템의 것이 될 수 있습니다. 그러나 오늘날까지 복잡한 것을 구축하는 데 있어서는 human-in-the-Loop Engineering이 더 스마트하고 안전하며 비용 효율적인 워크플로우로 남아 있습니다. 운전대에 손을 얹는 것은 '엉망진창 기계'가 제멋대로 작동하는 것을 방지하고, 비전과 예산과의 일치를 보장합니다.

AI에서 에이전트 루프란 무엇인가요?

에이전트 루프는 AI 에이전트가 결과를 생성하고, 자신의 출력을 검토하며, 이를 피드백으로 사용하여 각 단계에서 직접적인 인간의 개입 없이 계속 구축하는 자율적인 프로세스입니다.

에이전트 루프와 human-in-the-loop의 차이점은 무엇인가요?

human-in-the-loop 시스템에서는 사람이 AI가 수행하는 각 단계를 지시하고, 검토하고, 승인합니다. 에이전트 루프에서는 사람이 프로세스를 한 번 시작하면 AI가 반복적인 검토 및 구축 주기를 스스로 처리합니다.

개방형 에이전트 루프는 왜 그렇게 비싼가요?

AI는 지침의 공백을 채우기 위해 가정을 하기 때문에 토큰을 빠르게 소모합니다. 이러한 가정은 종종 결함 있는 결과물을 초래하며, 이를 수정하기 위해 더 많은 주기와 더 많은 토큰이 필요하여 비용이 많이 드는 피드백 루프를 생성합니다.

Agentic Loop의 좋은 사용 사례는 무엇입니까?

명확하고 객관적인 피드백이 있는 제한된 작업이 이상적입니다. 예를 들어, 에이전트가 다른 도구의 품질 점수를 기반으로 목표에 도달할 때까지 코드를 수정하는 코드 검토 루프는 매우 효과적입니다.