Agentic Loops는 AI 시스템의 핵심 단위를 단일 응답이 아니라 trajectory로 보는 설계 관점이다. 모델이 첫 시도에서 틀려도 환경 피드백, 테스트, 관찰, 평가를 통해 네 번째 턴에서 고치게 만들 수 있다면, 품질은 프롬프트 문장보다 루프 구조에 의해 결정된다.
기본 구조
목표 -> 계획 -> 행동/도구 호출 -> 관찰/피드백 -> 성공 조건 검사
^ |
| 실패/오류 |
+--------------+이 루프에서 프롬프트는 계획 단계의 일부일 뿐이다. 실제 엔지니어링은 관찰을 어떻게 구조화하고, 실패를 어떻게 분류하고, 언제 멈추며, 어떤 검증을 통과해야 성공으로 볼지 정하는 데 있다.
Loop Engineering과 Context Engineering
| 축 | 질문 |
|---|---|
| Context Engineering | 모델이 지금 알아야 할 도구, 문서, 상태, 히스토리는 무엇인가 |
| Loop Engineering | 모델 응답 뒤에 다음 상태를 어떻게 결정하고 검증할 것인가 |
복잡한 에이전트는 둘을 함께 다뤄야 한다. 컨텍스트만 좋아도 관찰과 검증이 없으면 drift가 누적되고, 루프만 있어도 필요한 문서와 상태가 빠지면 잘못된 행동을 반복한다.
설계 체크포인트
- 성공 조건을 외부에서 검증 가능하게 둔다.
- 도구 결과와 오류를 구조화된 observation으로 되돌린다.
- 반복 횟수, 비용, 시간, 위험 행동에 budget을 둔다.
- 실패한 루프가 다음 루프에 무엇을 바꿔야 하는지 명확히 전달한다.
- 회귀 eval을 통해 루프 수정이 기존 능력을 깨지 않는지 확인한다.
관련 문서
- agent-harness — AI 에이전트 성능을 결정하는 하네스 설계
- ai-agent-evaluation — 루프와 도구 사용을 측정하는 평가 하네스
- openenv — 에이전트 학습·평가 환경을 표준화하려는 프로토콜
참고 자료
- Agentic Loops – Designing the Systems That Design Themselves — Prompt Engineering (2026-06-22)