새 떼에서 에이전트로: AI 시스템의 군집 규칙

1986년, 크레이그 레이놀즈(Craig Reynolds)는 사소해 보이는 질문 하나를 던졌습니다. 새들은 어떻게 무리를 짓는가? 철학의 질문이 아닙니다. 공학의 질문입니다. 그는 새 한 마리 한 마리의 경로를 스크립트로 짜지 않고도 컴퓨터 그래픽에서 그럴듯한 새 떼를 그려 내고 싶었습니다.

크레이그 레이놀즈가 1986년에 고안한 보이드(boids) 알고리즘은 세 가지 단순한 로컬 규칙(분리, 정렬, 응집)이 중앙 통제 없이도 일관된 전체 행동을 만들어 낸다는 것을 증명했으며, 같은 역학이 멀티 에이전트 AI 시스템을 지배합니다. 로컬 지시를 따르는 에이전트는 규칙이 잘 선택되면 창발적인 협조를, 그렇지 않으면 창발적인 혼돈을 만들어 냅니다. 예외 상황을 고치려고 규칙을 더하면 에이전트는 나아지는 것이 아니라 오히려 나빠집니다.

그의 답은 세 가지 규칙이었습니다. 분리(separation): 이웃과 너무 붙지 않도록 방향을 튼다. 정렬(alignment): 이웃들의 평균 진행 방향 쪽으로 방향을 튼다. 응집(cohesion): 이웃들의 평균 위치 쪽으로 방향을 튼다. 리더도, 비행 계획도, 중앙 관제도 없습니다. 세 가지 규칙을 새 한 마리 한 마리에 로컬로 적용했을 뿐인데, 실제 새 떼와 구별할 수 없는 전체의 협조가 생겨났습니다.1

40년 뒤, 저는 조사하고 토론하고 결정에 투표하는 열 가지 전문 에이전트 역할을 중심으로 설계한 멀티 에이전트 AI 시스템을 운영하고 있습니다. 어느 날 밤, 프롬프트 하나가 에이전트 23개를 동적으로 생성했습니다(각 에이전트가 또 에이전트를 생성하며 통제 불능의 연쇄로 번졌습니다). 그리고 모두가 잘못된 질문에 대해 완벽한 합의에 도달했습니다. 그때 저는 레이놀즈가 설명한 것과 같은 역학을 보고 있다는 사실을 깨달았습니다. 단순한 규칙에서 나오는 창발적 협조, 그리고 같은 메커니즘에서 나오는 창발적 실패입니다.

TL;DR

레이놀즈의 보이드 알고리즘은 세 가지 단순한 로컬 규칙이 중앙 통제 없이도 일관된 전체 행동을 만들어 낸다는 것을 보여 줍니다. 로컬 지시(이 코드를 평가하라, 저 보안 표면을 점검하라, 이 아키텍처를 검토하라)를 따르는 에이전트는 규칙이 잘 선택되면 창발적인 협조를, 그렇지 않으면 창발적인 혼돈을 만들어 냅니다. 예외 상황을 고치려고 규칙을 더하면 에이전트는 나아지는 것이 아니라 나빠집니다. 제가 겪은 에이전트 23개 폭주 사고가 이를 증명했습니다. 깊이뿐 아니라 너비까지 제한하는 생성 예산(spawn budget)이야말로 레이놀즈의 분리 규칙에 해당하는 에이전트 쪽의 장치입니다.


세 가지 규칙, 무한한 무리

위의 규칙을 켜고 끄면서 어떤 일이 일어나는지 보십시오. 세 가지가 모두 켜져 있으면 보이드는 자연스럽게 무리를 짓습니다. 분리를 빼면 한 덩어리로 뭉쳐 버립니다. 정렬을 빼면 무작위로 흩어집니다. 응집을 빼면 국소적인 진행 방향은 유지한 채 서로 멀어집니다. 모든 규칙이 필요합니다. 어느 하나만으로는 충분하지 않습니다.

레이놀즈는 이 연구를 SIGGRAPH 1987에서 “Flocks, Herds, and Schools: A Distributed Behavioral Model”이라는 논문으로 발표했습니다.1 이 논문은 컴퓨터 그래픽을 바꿔 놓았습니다. 보이드 이전에는 애니메이션 속 무리를 만들려면 경로를 손으로 스크립트화해야 했습니다. 보이드 이후로는 무리가 규칙에서 생겨났습니다. 그로부터 10여 년 뒤인 1998년, 레이놀즈는 이 업적으로 미국 영화 예술 과학 아카데미에서 과학 기술상(Scientific and Engineering Award)을 받았습니다.2

더 깊은 기여는 규칙 그 자체가 아니었습니다. 전체의 협조에 전체에 대한 지식이 필요하지 않다는 증명이었습니다. 각 보이드는 바로 곁의 이웃만 압니다. 무리의 지도를 가진 보이드는 없습니다. 무리의 목적지를 아는 보이드도 없습니다. 애초에 무리에는 목적지가 없습니다. 협조된 움직임처럼 보이는 것은 로컬한 결정들이 전체의 패턴을 만들어 내는 모습입니다.


픽셀에서 프로세스로

보이드에서 AI 에이전트로의 대응은 은유가 아닙니다. NeurIPS 2025 워크숍 논문 “Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration”은 보이드의 원리를 멀티 에이전트 시스템에 명시적으로 적용합니다.3 이 논문은 협업형 도구 구축 환경에서 일하는 에이전트를 위한 자연어 지침으로 레이놀즈의 규칙을 사용합니다. 정렬과 분리는 이웃 에이전트의 도구 메타데이터에서 도출하고, 응집은 이전 라운드의 전체 요약을 주입하는 방식으로 구현합니다.

제 대응 방식은 더 단순하며, 그 논문을 읽기 전에 시스템을 만들면서 나온 것입니다.

보이드 규칙 에이전트에서의 대응물 막아 주는 것
분리 생성 예산: 부모별 활성 에이전트 수를 제한 같은 하위 문제에 에이전트가 몰려드는 현상
정렬 공유 평가 기준: 모든 에이전트가 같은 증거 기준을 사용 서로 양립할 수 없는 품질 정의를 향해 일하는 에이전트
응집 합의 프로토콜: 에이전트가 그룹의 결과로 수렴 관련 없는 곁가지로 흘러가는 에이전트

이 대응이 완벽하지는 않습니다. 보이드의 규칙은 연속적입니다(평균 진행 방향 쪽으로 방향을 튼다). 에이전트의 규칙은 이산적입니다(자식은 최대 12개까지 생성한다). 보이드는 공간 좌표에서 움직이고, 에이전트는 문제 공간에서 움직입니다. 그래도 구조적 통찰은 유효합니다. 각 에이전트가 독립적으로 적용하는 로컬 규칙이 일관된 그룹 행동을 만들어 냅니다. 그리고 실패 양상도 같습니다.


에이전트 23개가 잘못된 질문에 합의한 밤

2026년 2월. 저는 에이전트에게 “훅 디스패치 시스템의 개선 방안을 조사해 달라”고 요청했습니다. 에이전트는 자신의 확신도를 0.58로 평가했고, 이것이 숙의 시스템을 작동시켰습니다. 조사 에이전트 3개가 생성되었습니다. 각 에이전트가 하위 문제를 찾아내고 자신의 조사 에이전트를 생성했습니다. 그 에이전트들이 또 에이전트를 생성했습니다.

7분 뒤, 활성 에이전트 프로세스는 23개였습니다. API 사용료는 4.80달러. 토큰 소비는 분당 0.70달러씩 불어나고 있었습니다.

재귀 가드는 깊이(부모가 자식을, 자식이 손자를 생성)는 추적했지만 너비(부모가 자식 12개를 생성하고, 그 자식들이 각각 12개씩 더 생성)는 추적하지 않았습니다. 에이전트들이 옆으로 퍼져 나갔기 때문에 깊이 3이라는 제한은 한 번도 발동하지 않았습니다. 저는 프로세스를 직접 종료했습니다.

모든 에이전트가 훅 디스패치 시스템에 개선이 필요하다는 데 동의했습니다. 모든 에이전트가 타당한 변경을 제안했습니다. 조사 자체의 범위가 올바른지 의문을 제기한 에이전트는 하나도 없었습니다.

이 결과는 응집과 정렬은 있지만 분리가 없을 때 무슨 일이 일어나는지 보여 줍니다. 에이전트들은 같은 결론으로 수렴했고(응집), 같은 평가 기준에 맞춰 정렬했습니다(정렬). 하지만 같은 하위 문제로 몰려드는 것을 막아 줄 장치는 아무것도 없었습니다. 레이놀즈의 용어로 말하면, 보이드 23개가 공간의 한 점을 차지한 셈입니다. 그의 분리 규칙이 명시적으로 막는 바로 그 행동입니다.


분리로서의 생성 예산

수정에는 20분이 걸렸습니다. 부모별 활성 자식의 총수를 추적하고 상한을 12로 두는 생성 예산입니다.4 깊이만이 아니라 너비에 대한 제약입니다.

구현은 규칙이 아니라 카운터입니다.

# Simplified spawn budget (actual implementation uses hooks)
active_children = count_active_agents(parent_id=self.id)
if active_children >= MAX_CHILDREN:  # MAX_CHILDREN = 12
    return "Budget exhausted. Synthesize existing findings instead."
# else: allow spawn

훅이 이를 결정론적으로 강제합니다. “에이전트를 너무 많이 생성하지 않도록 하라” 같은 프롬프트 지시라면 에이전트는 그럴듯한 이유를 대며 넘어설 수 있지만, 카운터는 그렇게 넘어설 수 없습니다. 카운터는 허용하거나 차단할 뿐입니다. 논쟁도, 해석도 없습니다.

보이드의 용어로 말하면 생성 예산은 분리 규칙입니다. 이웃에게 너무 붙지 말 것. 에이전트의 용어로 말하면, 하나의 하위 문제에 N개를 넘는 에이전트를 두지 말라는 뜻입니다. N+1번째 에이전트는 관점은 더하지 못하고 비용만 더하기 때문입니다. 에이전트 23개 사고에서 저는 세 규칙 가운데 분리가 가장 중요하다는 것을 배웠습니다. 분리가 없으면 정렬과 응집은 병적으로 변합니다. 에이전트들이 같은 오답을 향해 열정적으로 수렴하게 됩니다.

레이놀즈 알고리즘의 일반적인 구현은 바로 이 이유로 분리의 힘에 정렬이나 응집보다 1.5~2배 높은 가중치를 둡니다. 이 관행은 레이놀즈 자신의 후속 논문 “Steering Behaviors for Autonomous Characters”(GDC 1999)에 기록되어 있습니다. 그는 이 논문에서 우선순위 기반의 힘 결합을 다루며, 충돌 회피(분리)가 보통 가장 높은 우선순위를 받는다고 언급합니다.8 제 시스템에서는 훅이 생성 예산을 강제하고(결정론적이며 에이전트의 합리화가 통하지 않습니다), 프롬프트와 컨텍스트가 정렬과 응집을 형성합니다(더 부드럽고 휘어질 수 있습니다). 가장 단단한 제약에는 가장 단단한 강제를 붙입니다.


규칙이 늘수록 에이전트가 나빠지는 이유

위의 보이드 시뮬레이션에서 규칙을 켜고 꺼 보십시오. 이제 네 번째 규칙을 더한다고 상상해 보십시오. “캔버스 중앙을 피하라.” 다섯 번째는 “위쪽 절반을 선호하라.” 여섯 번째는 “100프레임마다 진로를 반대로 바꿔라.”

각 규칙은 따로 보면 모두 합리적입니다. 하지만 한데 모이면 무리를 무너뜨립니다. 보이드는 서로 경쟁하는 힘 사이에서 떨기만 할 뿐, 모든 제약을 동시에 만족시키지 못합니다. 규칙마다 힘의 벡터가 생기고, 여섯 개의 벡터가 제각기 다른 방향으로 잡아당기면 그 결과로 나오는 움직임은 사실상 무작위가 됩니다. 그래서 우아한 군집 행동이 잡음으로 무너지는 것입니다.

저는 에이전트 오케스트레이션에서도 같은 패턴을 보았습니다. 제 숙의 시스템의 초기 버전에는 정교한 규칙들이 있었습니다. 최소 조사 깊이, 의무 인용 수, 반론 생성 의무, 강제적인 반대 논객(devil’s advocate) 검토. 규칙마다 특정한 실패 사례 하나씩은 개선했습니다. 하지만 한데 모이자, 문제를 푸는 것보다 규칙을 만족시키는 데 더 많은 토큰을 쓰는 에이전트가 만들어졌습니다. 구체적인 예를 들겠습니다. “반론 의무” 규칙은 모든 에이전트에게 자신의 결론에 반박하도록 요구했습니다. “최소 인용 수” 규칙은 주장 하나당 출처 세 개를 요구했습니다. 에이전트가 진짜 반론을 만들어 내면, 인용 규칙은 그 반대 입장을 뒷받침하는 출처 세 개를 찾도록 강제했습니다. 그 결과 때로는 정답보다 오답 쪽에 더 강한 증거가 쌓였습니다. 두 규칙이 상호작용하면서, 올바른 분석보다 출처가 잘 갖춰진 반대를 위한 반대에 보상을 준 것입니다.

제가 정리한 복리 엔지니어링 철학은 이런 일이 시스템 수준에서 왜 일어나는지 설명합니다. 새 규칙은 기존의 모든 규칙과 상호작용하며 조합적 복잡성을 만들어 냅니다. 규칙 10개는 제약 10개를 만드는 것이 아닙니다. 최대 45가지의 쌍별 상호작용을 만들어 냅니다. 시스템의 행동은 예측하기도, 디버깅하기도 어려워지고, 창발적 실패를 낳을 가능성은 커집니다.

레이놀즈의 원래 논문은 이 점을 암묵적으로 이해하고 있었습니다. 원래 논문이 제시한 규칙은 세 가지였습니다. 레이놀즈는 추가 행동(장애물 회피, 목표 추적)도 탐구했지만, 군집의 핵심 모델은 최소한으로 유지했습니다. 핵심 규칙을 하나 더 넣었다면 네 규칙 모두의 가중치를 다시 맞춰야 했을 것이고, 그 문제는 규칙을 하나 더할 때마다 조합적으로 커집니다.

에이전트에 주는 교훈은 이렇습니다. 원하는 행동을 만들어 내는 최소한의 규칙으로 시작하십시오. 기존의 어떤 규칙도 다루지 못하는 구체적인 실패를 관찰했을 때만 규칙을 더하십시오. 그리고 규칙을 더할 때는 그것이 다른 규칙과 간섭하지 않는지 확인하십시오.


아키텍처로서의 탈중앙화

중앙 관제가 없다는 것은 보이드의 한계가 아닙니다. 그것이 바로 아키텍처입니다. 무리가 협조할 수 있는 것은 어떤 새도 다른 새에 대한 권한을 갖지 않기 때문입니다. 새 한 마리가 리더가 되면 시스템은 취약해집니다. 그 한 마리의 판단에 의존하게 되고, 그 한 마리의 실패에 무너지기 쉬워집니다. 이 패턴은 구조로서의 비어 있음이 다른 영역에서 만들어 내는 분산적 회복력의 원리와 겹칩니다.5

같은 패턴은 멀티 에이전트 AI 시스템 전반에 나타납니다. Microsoft의 AutoGen(v0.4 이상, 2025년)은 중앙 집중식 오케스트레이션 대신 대화 프로토콜을 통해 에이전트를 협조시킵니다. 각 에이전트는 로컬 맥락에 따라 언제 발언할지 스스로 정하고, 프레임워크는 “리드” 에이전트를 지정하는 것을 명시적으로 피합니다.6 CrewAI(v0.28 이상, 2025년)는 “crew”라는 추상화를 통해 에이전트의 역할과 인계 규칙을 정의하지만, 어떤 에이전트에게도 다른 에이전트를 무효화할 권한은 주지 않습니다.7 제 숙의 시스템에서도 거부권을 가진 에이전트는 없습니다. 각 에이전트가 독립적으로 평가하고, 합의 프로토콜이 그 결과를 종합합니다. 한 에이전트가 쓰레기 같은 결과를 내놓으면 나머지가 표결로 그것을 눌러 버립니다. 중앙 집중식 통제를 들여오면 탈중앙화된 협조가 없애 준 단일 장애점을 다시 끌어들이게 됩니다.


세 가지 규칙이 제대로 작동했을 때: 조용한 성공

에이전트 23개 사고가 기억에 남는 것은 극적으로 실패했기 때문입니다. 성공은 더 조용하고, 더 많습니다.

생성 예산을 도입하고 일주일 뒤, 저는 시스템에 “블로그의 A/B 테스트 인프라가 변형(variant) 할당을 서버 측에서 해야 하는지 클라이언트 측에서 해야 하는지”를 평가해 달라고 요청했습니다. 숙의 시스템은 조사 에이전트 3개를 생성했습니다. 에이전트 1은 서버 측 접근법(쿠키 기반, 세션 기반)을 조사했습니다. 에이전트 2는 클라이언트 측 접근법(localStorage, URL 파라미터)을 조사했습니다. 에이전트 3은 하이브리드 패턴을 평가했습니다. 각 에이전트는 독립적으로 일했습니다(응집: 같은 평가 질문으로 수렴). 각 에이전트는 같은 증거 기준을 사용했습니다(정렬: 공유된 품질 기준). 생성 예산 덕분에 이 작업에서는 어떤 에이전트도 자기 하위 에이전트를 생성하지 않았습니다(분리: 몰려들지 않음).

에이전트 3개가 결과를 내놓았습니다. 에이전트 1은 SEO 일관성을 이유로 서버 측 할당을 지지했습니다. 에이전트 2는 구현의 단순함을 이유로 클라이언트 측을 지지했습니다. 에이전트 3은 기존 코드베이스의 패턴에 맞는 하이브리드 접근법을 찾아냈습니다. 합의 프로토콜은 이 결과들을 종합했습니다. 블로그(SEO가 중요한 곳)에는 서버 측 할당을, 인터랙티브 컴포넌트(JavaScript가 이미 실행되는 곳)에는 클라이언트 측 재정의를 쓰는 방식입니다.

숙의 전체에 걸린 시간은 4분, 비용은 1.40달러였습니다. 하위 에이전트를 생성한 에이전트는 없었습니다. 섣불리 다른 에이전트에 동조한 에이전트도 없었습니다. 권고안들은 서로 독립적이었고 진정으로 상호 보완적이었습니다. 세 규칙의 아키텍처는 레이놀즈가 설명한 바로 그 행동을 만들어 냈습니다. 로컬한 결정들이 협조된 전체의 결과를 만들어 낸 것입니다.


다른 영역에 나타나는 창발 패턴

“단순한 규칙에서 창발하는 행동”이라는 패턴은 보이드나 에이전트에만 있는 것이 아닙니다. 로컬한 결정이 쌓여 전체의 구조가 되는 곳이라면 어디에나 나타납니다.

해밍 부호는 이와 비슷한 형태의 창발을 보여 줍니다. 2의 거듭제곱 위치에 패리티 비트를 전략적으로 배치하면, 값이 “1”인 모든 비트의 위치를 XOR하는 것만으로 오류의 위치가 드러나는 시스템이 만들어집니다. 어떤 비트도 오류가 어디 있는지 모릅니다. 오류의 위치는 구조에서 드러납니다. 패리티 비트 하나만으로는 거의 아무것도 알 수 없습니다. 올바른 위치에 놓인 여러 패리티 비트는 모든 것을 알려 줍니다.

콘웨이의 생명 게임(Game of Life)은 격자에 적용되는 네 가지 규칙에서 글라이더, 진동자, 그리고 튜링 완전한 계산까지 만들어 냅니다. 규칙은 보이드보다 단순합니다(살아 있는 이웃이 2~3개면 세포가 살고, 그렇지 않으면 죽는다). 그런데도 창발하는 복잡성에는 끝이 없습니다.

모든 경우에서 패턴은 같습니다. 로컬 규칙, 중앙 조정자의 부재, 그리고 창발하는 전체 행동. 그리고 모든 경우에 같은 실패 양상이 적용됩니다. 규칙을 너무 많이 더하면 시스템은 우아한 창발에서 혼란스러운 간섭으로 무너집니다.


핵심 정리

멀티 에이전트 시스템을 설계하는 엔지니어를 위해:

  • 규칙 세 개는 무리를 만듭니다. 규칙 네 개는 그러지 못할 수도 있습니다. 레이놀즈의 통찰은 잘 고른 규칙 세 개면 창발적 협조에 충분하다는 것이었습니다. 네 번째를 더하면 간섭이 생겨, 처음 세 규칙이 만들어 낸 행동을 무너뜨릴 수 있습니다. 원하는 행동을 만들어 내는 최소한의 규칙으로 시작하십시오.

  • 분리가 가장 중요한 규칙입니다. 분리가 없으면 정렬과 응집은 병적으로 변하고, 에이전트들은 같은 오답으로 수렴합니다. 제가 멀티 에이전트 시스템에 가한 변경 가운데 단일 변경으로 가장 큰 효과를 낸 것은 생성 예산(너비 제약)이었습니다.

분산 시스템을 구축하는 아키텍트를 위해:

  • 리더가 없다는 것이 곧 아키텍처입니다. 중앙 집중식 통제는 단일 장애점을 만듭니다. 로컬 규칙을 통한 탈중앙화된 협조가 더 회복력이 있습니다. 리드 에이전트를 둘 구체적인 이유가 없다면, 리드 에이전트 없이 에이전트 시스템을 설계하십시오.

  • 규칙이 늘면 상호작용도 늡니다. 규칙 N개는 최대 N(N-1)/2가지의 쌍별 상호작용을 만듭니다. 규칙을 더할 때마다 행동은 예측하기 어려워집니다. 기존의 어떤 규칙도 다루지 못하는 구체적인 실패를 관찰했을 때만 규칙을 더하십시오.

연습: 자신의 시스템을 대응시켜 보기. 현재의 멀티 에이전트 시스템(또는 앞으로 만들 시스템)을 그림으로 그려 보십시오. 각 에이전트에 대해 레이놀즈의 세 규칙 중 어느 것을 따르는지 확인하십시오. 분리가 빠져 있다면 생성 예산이나 동시 실행 상한을 추가하십시오. 정렬이 빠져 있다면 공유 평가 기준을 정의하십시오. 응집이 빠져 있다면 종합 단계를 추가하십시오. 그 그림이 여러분의 시스템이 어떤 실패 양상에 가장 취약한지 보여 줄 것입니다.


자주 묻는 질문

보이드란 무엇이며, AI 에이전트 설계에 왜 중요합니까?

보이드는 세 가지 로컬 규칙을 따르는 시뮬레이션 속 에이전트입니다(이름은 원래 “bird-oid objects”, 즉 새를 닮은 물체에서 왔습니다). 세 규칙은 분리(이웃과 너무 붙지 않기), 정렬(이웃들의 평균 진행 방향 쪽으로 방향 틀기), 응집(이웃들의 평균 위치 쪽으로 방향 틀기)입니다. 크레이그 레이놀즈가 SIGGRAPH 1987에서 처음 소개했습니다. 보이드가 중요한 이유는 복잡하고 협조된 전체 행동이 중앙 관제 없이 단순한 로컬 규칙에서 창발할 수 있음을 증명했기 때문입니다. 이 원리는 멀티 에이전트 AI 시스템, 군집 로봇공학, 분산 컴퓨팅에 그대로 적용됩니다.

보이드의 규칙은 AI 에이전트 오케스트레이션에 어떻게 적용됩니까?

보이드의 각 규칙은 에이전트 설계의 제약 하나에 대응합니다. 분리는 생성 예산이 됩니다(같은 하위 문제에 매달리는 에이전트 수를 제한). 정렬은 공유 평가 기준이 됩니다(모든 에이전트가 같은 품질 기준을 사용). 응집은 합의 프로토콜이 됩니다(에이전트가 그룹의 결과로 수렴). 이 대응은 은유가 아니라 구조적인 것입니다. 두 시스템 모두 각 에이전트가 독립적으로 적용하는 로컬 규칙에서 창발적 협조를 만들어 냅니다.

규칙을 늘리면 왜 멀티 에이전트 AI 시스템이 나아지기는커녕 나빠집니까?

새 규칙은 기존의 모든 규칙과 상호작용하며 조합적 복잡성을 만들어 냅니다. 규칙 10개는 최대 45가지의 쌍별 상호작용을 낳습니다. 에이전트는 문제를 푸는 대신 규칙의 제약을 만족시키는 데 토큰을 씁니다. 같은 역학은 보이드에서도 나타납니다. 네 번째 규칙(예: “중앙을 피하라”)을 더하면 원래 세 규칙과의 재조정이 필요해지고, 에이전트가 서로 경쟁하는 힘을 동시에 만족시키려 하면서 우아한 군집 행동은 흔히 떨림으로 퇴화합니다.

창발적 협조 대신 중앙 집중식 통제를 써야 하는 때는 언제입니까?

엄격한 순서 보장이 필요할 때(순차적인 파이프라인 단계), 실패를 결정론적으로 처리해야 할 때(금융 거래), 합의가 아니라 하나의 권위 있는 결정이 필요할 때(병합 충돌 해결)는 중앙 집중식 통제를 쓰십시오. 에이전트가 독립적으로 평가할 수 있을 때, 중복성이 신뢰성을 높일 때, 그리고 어떤 에이전트도 전체 그림을 몰라도 제 일을 잘해 낼 수 있을 때는 창발적 협조를 쓰십시오.


알고리즘과 시각적 직관이 만나는 Interactive Explorations 시리즈의 한 편입니다. 스스로 오류를 잡아내는 해밍 부호부터 리더 없이 무리를 짓는 보이드까지 다룹니다. 에이전트 오케스트레이션 패턴은 The Ralph System과 Multi-Agent Deliberation에서 자세히 다룹니다. 메타인지 프로그래밍 계층은 위에서 설명한 에이전트 간 협조를 보완하기 위해 개별 에이전트의 자기 감시를 더합니다.



  1. Reynolds, C. W. (1987). “Flocks, Herds, and Schools: A Distributed Behavioral Model.” SIGGRAPH ‘87: Proceedings of the 14th annual conference on Computer graphics and interactive techniques, pp. 25-34. red3d.com/cwr/boids/ ↩↩

  2. 레이놀즈는 보이드 연구를 바탕으로 한 행동 애니메이션 분야의 공헌으로 1998년 미국 영화 예술 과학 아카데미에서 과학 기술상(Scientific and Engineering Award)을 받았습니다. 이 알고리즘은 Batman Returns(1992년) 이후 영화 제작에 쓰여 왔습니다. oscars.org/sci-tech/ceremonies/1998. 레이놀즈의 이력서도 참조하십시오: red3d.com/cwr/resume.html. ↩

  3. “Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration.” NeurIPS 2025 Workshop: Scaling Environment. openreview.net/pdf?id=46LJ81Yqm2. 이 논문은 관찰-성찰-구축(observe-reflect-build) 루프를 따르는 에이전트를 위한 자연어 지침으로 보이드 규칙을 적용합니다. ↩

  4. 생성 예산의 구현은 The Ralph System에 정리되어 있습니다. 핵심 아키텍처 결정은 너비 제한을 프롬프트(권고)가 아니라 훅(결정론적)으로 강제하는 것이었습니다. “생성을 제한하라”는 지시를 받은 에이전트는 그럴듯한 이유를 대며 한도를 넘어섭니다. 활성 자식을 세어 생성 API 호출을 차단하는 훅은 넘어설 수 없습니다. ↩

  5. 노자, 도덕경, 제11장. 번역: D.C. Lau, Penguin Classics, 1963. 이 구절은 전체적으로 수레바퀴의 바퀴통, 방의 벽, 그릇의 진흙을 다룹니다. 쓸모가 재료가 아니라 비어 있음에서 나온다는 세 가지 예입니다. 자세한 탐구는 Nothing is Structural을 참조하십시오. ↩

  6. Microsoft AutoGen, github.com/microsoft/autogen. AutoGen v0.4(2025년 출시)는 GroupChat 추상화를 도입했습니다. 에이전트는 지정된 리더 없이 대화에 참여합니다. 프레임워크 문서에는 이렇게 명시되어 있습니다: “AutoGen enables a group of agents to collectively perform tasks that a single agent alone cannot.” 발언 순서를 정하는 것은 중앙 관제가 아니라 대화 프로토콜입니다. ↩

  7. CrewAI, github.com/crewAIInc/crewAI. CrewAI v0.28 이상(2025년)은 역할 기반 에이전트와 작업 인계 규칙으로 crew를 정의합니다. process 파라미터는 “sequential”(고정된 순서)과 “hierarchical”(관리자가 위임) 모드를 지원합니다. 그러나 hierarchical 모드에서도 관리자 에이전트는 다른 에이전트를 무효화하는 것이 아니라 조율할 뿐입니다. 다른 에이전트의 출력을 바꿀 수는 없고, 수정을 요청할 수만 있습니다. 문서: docs.crewai.com. ↩

  8. Reynolds, C. W. (1999). “Steering Behaviors for Autonomous Characters.” Game Developers Conference 1999 Proceedings, pp. 763-782. red3d.com/cwr/steer/. 레이놀즈는 이 논문에서 우선순위가 있는 힘의 결합을 다룹니다. 분리(충돌 회피)를 가장 먼저 처리하고, 정렬이나 응집을 적용하기 전에 쓸 수 있는 조향력을 거기서 소진합니다. 이 우선순위 방식 덕분에 몰림을 피하는 일이 언제나 먼저입니다. ↩

관련 게시물

해밍 코드: 컴퓨터가 스스로 오류를 잡아내는 방법

RAM, QR 코드, 우주 통신까지. 해밍 코드가 비트 오류를 검출·수정하는 원리를 인터랙티브하게 설명합니다.

7 분 소요

빌더를 위한 GLSL: 바로 써먹는 셰이더 랩

셰이더 직관을 빠르게 익히기 위한, 실시간 컨트롤이 있는 실전형 GLSL 플레이그라운드. 프리셋, uniform 조작, 프레임워크 없는 WebGL을 브라우저에서 바로 다룹니다.

14 분 소요

프로테제 패턴

희소 전문가 접근 권한을 가진 7B 모델이 50배 크기의 에이전트와 대등합니다. 일상 작업은 소형 모델에, 판단은 프론티어 모델에 라우팅.

10 분 소요