연구

가장 강한 대안을 견뎌야 하는 제안

근거는 구성 요소를 지지하지만 HelmLoop의 필요성이나 우월성을 증명하지 않습니다.

Markdown 버전 ↗

HelmLoop

진화 논증

외부 참조

Workflow는 미리 정한 code path를 따르고 agent는 process / tool을 동적으로 선택하며 autonomy는 predictability, latency, cost와 교환됩니다. [4]

외부 참조

현대 runtime은 graph routing, persistence, interrupts, replay, handoffs, guardrails, traces를 이미 제공합니다. [1][2][3][5][7][8]

설계 추론

Graph completion만으로 중요한 결정을 내릴 수 없을 때 authority, evidence freshness, promotion, observed outcomes에 portable contract boundary를 두자는 제안입니다. [9][11]

HelmLoop

대안 설계

01

Control을 graph 내부에 유지

하나의 runtime, team, risk model이 전체 lifecycle을 소유할 때 가장 적합하며 가장 강한 대안입니다.

02

Durable workflow engine 사용

Replay, queue, timer, 장기 실행 신뢰성이 핵심 문제일 때 가장 적합합니다.

03

Assurance SOP만 사용

Validation과 release governance는 중요하지만 cycle 간 outcome learning이 필요 없을 때 적합합니다.

04

HelmLoop contract 사용

여러 runtime이 하나의 accountable promotion 및 outcome policy를 공유할 때 유용할 수 있지만 아직 cross-runtime으로 증명되지 않았습니다.

HelmLoop

반론과 failure modes

01

Over-engineering

L2/L3 governance 비용이 되돌릴 수 있는 task의 가치보다 클 수 있습니다.

02

Self-confirming loop

Proposer, validator, learner가 같은 model이나 context를 공유할 수 있습니다.

03

State explosion

Receipt, retry, exception, nested instance가 graph보다 더 다루기 어려워질 수 있습니다.

04

Verification cost

Fresh independent evidence는 latency와 provider 비용을 높입니다.

05

Vendor coupling

Checkpoint 또는 tracing semantics가 adapter를 통해 새어 나와 portability를 깨뜨릴 수 있습니다.

06

Category inflation

HelmLoop는 좋은 application architecture의 이름만 바꾼 것일 수 있습니다. Portability test에 실패하면 별도 범주 주장을 접어야 합니다.

HelmLoop

근거의 실제 범위

fixture는 실제 runtime, 이식성, 운영 준비, 업무 가치를 인증하지 않습니다.

  • 서로 독립적이고 fresh하며 host-attested, source-bound인 runtime observation 쌍이 없고 fixture와 runtime alias는 대상이 아닙니다.
  • Production control plane 또는 live provider reconciliation service는 구현되지 않았습니다.
  • 다국어 semantic review는 shape와 terminology만 자동 검사하며 독립적인 human attestation은 없습니다.
  • 추가 governance 비용 대비 outcome benefit이 측정되지 않았습니다.

HelmLoop

1차 출처

외부 claim은 공식 문서, 표준 기관, 원 논문만 사용하며 주석은 구현 증거가 아닙니다.

  1. 01 / OpenAI

    Agent orchestration ↗

    Manager-owned specialist와 handoff가 서로 다른 orchestration 선택임을 설명합니다.

  2. 02 / OpenAI

    Guardrails — OpenAI Agents SDK ↗

    Guardrail은 특정 agent 및 tool boundary에 붙으며 모든 경로를 자동으로 덮지 않습니다.

  3. 03 / OpenAI

    Tracing — OpenAI Agents SDK ↗

    Trace가 debugging과 monitoring을 위해 model, tool, handoff, guardrail event를 기록합니다.

  4. 04 / Anthropic

    Building Effective AI Agents ↗

    Workflow와 agent를 구분하고 outcome이 정당화할 때만 complexity를 높이라고 권합니다.

  5. 05 / LangChain

    LangGraph overview ↗

    Durable stateful graph orchestration과 human-in-the-loop capability를 설명합니다.

  6. 06 / LangChain

    LangGraph interrupts ↗

    Interrupt가 state를 보존하고 node를 재실행하므로 idempotency가 중요합니다.

  7. 07 / Temporal

    Temporal Workflow ↗

    Event history와 deterministic replay가 workflow code와 external activity를 분리합니다.

  8. 08 / Google

    Template agent workflows — ADK ↗

    Sequential, loop, parallel 및 graph workflow 구조를 문서화합니다.

  9. 09 / Model Context Protocol

    MCP Architecture ↗

    Consent, security policy, authorization decision을 host boundary에 둡니다.

  10. 10 / Model Context Protocol

    MCP Authorization ↗

    Access token을 대상 resource에 bind하고 least privilege를 강조합니다.

  11. 11 / NIST

    AI Risk Management Framework ↗

    Lifecycle risk 작업을 Govern, Map, Measure, Manage로 구성합니다.

  12. 12 / ICLR / arXiv

    ReAct: Synergizing Reasoning and Acting in Language Models ↗

    Reasoning과 action을 교차하고 observation으로 plan을 갱신하지만 business outcome을 증명하지는 않습니다.