AI가 LLM 추론 최적화에 실질적인 기여를 하기 시작했다. 기존 AI 최적화는 대부분 프로파일링 기반이다. 프로파일링에 묶인 피드백은 탐색을 기존 소프트웨어 스택의 역량과 성능 범위 안으로 한정하여, LLM 추론 시스템의 근본적으로 더 나은 아키텍처가 밝혀지는 것을 막는다. AI 주도 LLM 추론 시스템 아키텍처링 루프를 가능하게 하려면 일반적인 워크로드 표현, 검증 가능한 변이 공간, 구현에 독립적인 평가자가 필요하다고 우리는 주장한다. 우리는 이러한 기능을 제공하는 RoofLang 도메인 특화 언어(DSL)를 제시한다. 평가에서 RoofLang은 DeepSeek V4 시리즈 모델이 다른 대표 모델들보다 3.5–39.5$\times$ 더 높은 최대 디코드 처리량을 달성할 수 있음을 보여준다. 이 격차는 총 매개변수 수와 비례하지 않으며, 더 큰 배치를 지원하고 메모리 트래픽을 줄이는 컴팩트 KV-cache 설계에서 대체로 비롯된다. 지속형 옵티마이저 에이전트는 NVIDIA B300에서 DeepSeek V4 Pro의 처리량과 상호작용성을 모두 6.23–50.1% 개선하는 여러 새로운 아키텍처를 추가로 발견했다.
관계형 데이터에서의 예측 모델링은 관계형 데이터베이스 내 미래 값 또는 누락된 값을 예측하는 것을 목적으로 하며, 예를 들어 사용자의 향후 구매, 환자의 재입원 위험, 또는 금융 거래의 사기 가능도(likelihood) 등이 이에 해당한다. 일반적으로 머신러닝 방법에 기반한 예측 모델은 추천, 금융 사기 탐지, 공급망 최적화 및 기타 시스템에서 사용되며, 매일 수십억 건의 예측을 제공한다. 그러나 머신러닝 모델의 학습을 위해서는 데이터베이스에서 필요한 학습 예시—예측 대상 엔티티와 타깃 레이블—를 추출하는 수작업이 필요하며, 이는 느리고 번거로우며 오류가 발생하기 쉽다. 본 논문에서는 관계형 데이터베이스에서 예측 작업을 정의하기 위한 SQL에서 영감을 받은 선언형 언어인 Predictive Query Language(PQL)를 제안한다. PQL은 단일 선언형 쿼리로 예측 작업을 지정할 수 있게 하며, 회귀, 분류, 시계열 예측, 추천 시스템 등 다양한 머신러닝 작업에 대해 학습 레이블을 자동으로 계산할 수 있게 한다. PQL은 이미 예측 AI 플랫폼의 일부로 다양한 사용 사례에 성공적으로 통합되어 사용되고 있다. 이 언어의 다양성은 금융 사기, 아이템 추천, 워크로드 예측 등 진행 중인 다수의 사용 사례를 통해 입증할 수 있다. 우리는 두 가지 구현을 통해 그 다목적 설계를 보여준다. 하나는 소규모·저지연 용도용이고, 다른 하나는 대규모 데이터베이스를 처리할 수 있다.
도메인 특화 언어(DSL)는 운영 체제 보안 정책을 관리하기 위해 널리 사용되지만, 이러한 언어로 규칙을 수작업으로 작성하는 것은 높은 전문성을 요구하고 오류가 발생하기 쉽다. 본 논문은 자연어 설명에서 DSL 코드를 자동 생성하는 작업인 Text2DSL을 Text-to-SQL 및 일반 목적 코드 생성과 구별되는 독립적인 문제 클래스로 형식화한다. 우리는 3단계 AST 기반 파이프라인으로 검증된 4,204개의 자연어-Polkit 규칙 쌍을 포함하는 PolkitBench 데이터셋을 소개한다. 다양한 규모와 출처를 가진 두 MoE 모델—GigaChat-10B-A1.8B(1.8B 활성 파라미터) 및 Nemotron-3-Nano-30B-A3B(3B 활성)—에 대한 제어된 프롬프트 실험은 LLM 기반 DSL 코드 생성에서 구조화된 컨텍스트(BNF 문법, API 명세, 허용된 식별자 어휘)의 핵심적인 역할을 보여준다. 두 모델 모두에서 컨텍스트를 제공하면 구문적 유효성이 98.6-99.4%로 상승하고, 구조적 유효성이 +9.7~+35.5 pp 증가하며, CodeBLEU 점수가 +60%~+95% 향상된다. 다양한 규모와 출처의 모델에서 효과가 일관되게 나타나는 것은 Text2DSL 문제 클래스에 대해 프롬프트 컨텍스트에 형식적 타겟 언어 명세를 주입하는 것이 모델 미세조정 없이도 고품질 생성을 가능하게 하는 강건한 요인임을 시사한다.
에이전트는 이제 소프트웨어 개발 수명 주기 전반에 걸쳐 일급(first-class) 팀 구성원으로 참여하지만, 이러한 협업에 필요한 인간-에이전트 책임 경계, 승인 게이트(approval gates), 거버넌스 제약을 표현할 명세 언어는 아직 존재하지 않는다. 기존 접근법은 프로세스를 에이전트 프롬프트에 인코딩하여(드리프트(drift)에 취약), 인접 영역(워크플로 관리, 비즈니스 프로세스)을 대상으로 하거나, 일부 조각(접근 제어, 승인 게이트)만 다룬다. 우리는 AI-SDLC 프로세스를 프로토콜로 명세하기 위한 도메인 특화 언어(DSL)를 제안하며, 형식적 구문, 잘 형성됨(well-formedness) 조건, 운영 의미론(operational semantics), 집행 불변식(enforcement invariants)을 포함한다. 이 언어는 정책(선언된 의도)과 메커니즘(구조적 집행)을 구분하여, 구현체가 검증 토큰 및 capability 경계 같은 원시 구문(primitives)을 통해 프로세스 비결정성(non-determinism)을 제한할 수 있게 한다. 세 가지 결과가 뒤따른다. 실패율 분석은 구조적 집행이 시스템 실패율을 에이전트와 검증자 비율의 가중 곱으로 한정하는 반면, 행동적 준수(behavioral compliance)는 누적적이거나 거의 포화(saturating)에 가까운 증가를 허용함을 보여준다. 2+N 팀 패턴(두 개의 human-in-control 역할과 N개의 전문화된 에이전트 구성원)은 AI-SDLC에 대한 고전적 직무 분리(Separation of Duties)를 형식화한다. 오케스트레이션 루프의 Kleene 클로저(Kleene closure)와 반사적(reflexive) 프로토콜 준수 검증은 특수 사례 구성요소가 아니라 설계 속성으로 등장한다. 우리는 이 기여를 다중 에이전트 프레임워크(MetaGPT), 워크플로 명세(FlowAgent, BPMN 확장), capability 기반 보안(SAGA)과 대비하여 위치 짓는다: 신규성은 개별 원시 구문이 아니라 특정 통합에 있다. 동작하는 구현이 타당성을 입증하며, 실증 평가(evaluation)는 향후 과제이다.
프롬프팅은 인간과 생성형 AI 사이의 주된 인터페이스가 되었지만, 많은 자연어 프롬프트는 여전히 취약하다. 역할, 목표, 제약, 기대 출력은 종종 산문 속에 묻혀 있거나 암묵적으로 남겨진다. 에이전트 및 소프트웨어 개발 워크플로에서 첫 전달 단계의 오해석은 모든 단계로 전파될 수 있으며, 에이전트 실패의 상당 부분은 모델 한계가 아니라 컨텍스트 모호성에서 비롯된다. 본 논문은 PromptMN을 소개한다. PromptMN은 역할, 목표, 요구사항, 우선순위, 제약, 계획, 입력, 출력을 포괄하는 간결한 % 접두사 타입 지시문으로 자연어를 주석 처리하는 의사 프롬프팅 도메인 특화 언어이다. 의미 해석(semantic resolution)을 통해 작성자는 어떤 순서로든 작성할 수 있고, 모델은 기능에 따라 지시문을 해석한다. PromptMN은 비공식적 프롬프팅과 프로그래밍 스타일 의사코드 사이에 위치한다. 검사 가능하고 재사용할 수 있을 만큼 구조화되어 있으면서도, 소프트웨어 개발 생명주기(SDLC) 전반에 걸친 분석가, 관리자, 개발자, 이해관계자에게 충분히 가벼운 수준이다. PromptMN은 역프롬프트 엔지니어링과도 결합된다. 모델에게 원하는 결과를 PromptMN으로 다시 서술하도록 요청하면, 사용자는 실행 전에 추론된 역할, 목표, 제약, 누락된 가정을 검토할 수 있어 수정 주기를 줄이고 사람과 AI 도구를 정렬하는 재사용 가능한 산출물을 얻을 수 있다. PromptMN의 실현 가능성은 Claude Fable 5, Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5를 포함한 여러 최첨단 모델에서 평가된다. 모델들은 미세조정 없이 반복, 조건문, 메서드, 소수 판별 작업과 같은 복잡한 구조를 포함한 PromptMN 지시문을 올바르게 해석했다. 동일한 어휘는 제시된 SDLC 시나리오의 신규 코드베이스, 유지보수, 재설계에 걸쳐 적용된다. 대규모 검증은 향후 과제로 남아 있지만, 이러한 초기 결과는 PromptMN이 더 명확하고 검토 가능한 인간-AI 상호작용을 향한 실용적 진전임을 시사한다.