# 연구와 근거 | HelmLoop

> HelmLoop는 AI 워크플로의 권한, 근거, 승격, 결과를 명확히 합니다. 실행 가능한 0.1 후보와 제안 단계의 0.2 프로토콜을 살펴보세요.

Source: https://helmloop.dev/ko/research.html

0.1에는 8개 record schemas, 결정적 6축 reducer, CLI, fixture adapters 2개가 있습니다. 공개 패키지 출시나 실제 runtime 인증을 뜻하지 않습니다.

0.2는 assurance 축, 권한 이벤트, 결과 관측, 버전별 근거 수용을 제안합니다. r3 / sync-4 계획이며 아직 구현되지 않았습니다.

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

현대 runtime은 graph routing, persistence, interrupts, replay, handoffs, guardrails, traces를 이미 제공합니다.

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

## 대안 설계

- Control을 graph 내부에 유지: 하나의 runtime, team, risk model이 전체 lifecycle을 소유할 때 가장 적합하며 가장 강한 대안입니다.
- Durable workflow engine 사용: Replay, queue, timer, 장기 실행 신뢰성이 핵심 문제일 때 가장 적합합니다.
- Assurance SOP만 사용: Validation과 release governance는 중요하지만 cycle 간 outcome learning이 필요 없을 때 적합합니다.
- HelmLoop contract 사용: 여러 runtime이 하나의 accountable promotion 및 outcome policy를 공유할 때 유용할 수 있지만 아직 cross-runtime으로 증명되지 않았습니다.

## 1차 출처

- [Agent orchestration](https://openai.github.io/openai-agents-python/multi_agent/): Manager-owned specialist와 handoff가 서로 다른 orchestration 선택임을 설명합니다.
- [Guardrails — OpenAI Agents SDK](https://openai.github.io/openai-agents-python/guardrails/): Guardrail은 특정 agent 및 tool boundary에 붙으며 모든 경로를 자동으로 덮지 않습니다.
- [Tracing — OpenAI Agents SDK](https://openai.github.io/openai-agents-python/tracing/): Trace가 debugging과 monitoring을 위해 model, tool, handoff, guardrail event를 기록합니다.
- [Building Effective AI Agents](https://www.anthropic.com/engineering/building-effective-agents): Workflow와 agent를 구분하고 outcome이 정당화할 때만 complexity를 높이라고 권합니다.
- [LangGraph overview](https://docs.langchain.com/oss/python/langgraph/overview): Durable stateful graph orchestration과 human-in-the-loop capability를 설명합니다.
- [LangGraph interrupts](https://docs.langchain.com/oss/python/langgraph/interrupts): Interrupt가 state를 보존하고 node를 재실행하므로 idempotency가 중요합니다.
- [Temporal Workflow](https://docs.temporal.io/workflows): Event history와 deterministic replay가 workflow code와 external activity를 분리합니다.
- [Template agent workflows — ADK](https://adk.dev/agents/workflow-agents/): Sequential, loop, parallel 및 graph workflow 구조를 문서화합니다.
- [MCP Architecture](https://modelcontextprotocol.io/specification/2025-06-18/architecture): Consent, security policy, authorization decision을 host boundary에 둡니다.
- [MCP Authorization](https://modelcontextprotocol.io/specification/2025-11-25/basic/authorization): Access token을 대상 resource에 bind하고 least privilege를 강조합니다.
- [AI Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework): Lifecycle risk 작업을 Govern, Map, Measure, Manage로 구성합니다.
- [ReAct: Synergizing Reasoning and Acting in Language Models](https://arxiv.org/abs/2210.03629): Reasoning과 action을 교차하고 observation으로 plan을 갱신하지만 business outcome을 증명하지는 않습니다.

## 근거의 실제 범위

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