arXiv:2606.20615v1 cs.AI

AI-SDLC 프로세스 명세화: 인간-에이전트 경계를 위한 프로토콜 언어

Specifying AI-SDLC Processes: A Protocol Language for Human-Agent Boundaries

Ylli Prifti

제출 2026-05-24

한국어 초록

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.

원문 초록

AI agents now participate as first-class team members across the software development lifecycle, yet no specification language exists for expressing the human-agent responsibility boundaries, approval gates, and governance constraints this collaboration requires. Existing approaches encode process in agent prompts (subject to drift), target adjacent domains (workflow management, business processes), or address only fragments (access control, approval gates). We propose a domain-specific language for specifying AI-SDLC processes as protocols, with formal syntax, well-formedness conditions, operational semantics, and enforcement invariants. The language distinguishes policy (declared intent) from mechanism (structural enforcement), enabling implementations to bound process non-determinism through primitives such as validation tokens and capability boundaries. Three results follow. A failure rate analysis shows that structural enforcement bounds system failure rates at a weighted product of agent and validator rates, while behavioral compliance permits cumulative or near-saturating growth. The 2+N team pattern (two human-in-control roles plus N specialized agent members) formalizes classical Separation of Duties for AI-SDLC. Kleene closure of orchestration loops and reflexive protocol-adherence validation emerge as design properties rather than special-case constructs. We position the contribution against multi-agent frameworks (MetaGPT), workflow specification (FlowAgent, BPMN extensions), and capability-based security (SAGA): the novelty lies in the specific integration, not any single primitive. A working implementation demonstrates feasibility; empirical evaluation is future work.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.20615v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.17164v1cs.CL공통 태그 software engineering, domain-specific language

PromptMN: 의사 프롬프팅 언어

PromptMN: Pseudo Prompting Language

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.

arXiv:2606.17203v1cs.SE공통 태그 multi-agent systems, software engineering

신뢰 인식 다중 에이전트 추적성: 일관된 소프트웨어 아티팩트 관리를 위한 신뢰도 보정 지식 그래프

Trust-Aware Multi-Agent Traceability: Confidence-Calibrated Knowledge Graphs for Consistent Software Artifact Management

다중 에이전트 AI 시스템은 요구사항 분석, 아키텍처 설계, 테스트 생성, 추적성 연결(linking)을 포함한 소프트웨어 공학 작업을 자동화하는 데 점점 더 많이 사용되고 있습니다. 이러한 에이전트들이 공유된 소프트웨어 아티팩트(artifacts)에 대해 순차적 파이프라인(pipeline)으로 작동할 때, 상위 스트림 에이전트가 만든 오류와 낮은 신뢰도를 가진 결정은 하위 단계로 전파되어, 고립된 요구사항(orphaned requirements), 모순된 연결, 그리고 안전 중요(safety-critical) 도메인에서 중대한 위험을 초래하는 규정 준수 격차(compliance gaps)를 발생시킵니다. 우리는 공유된 지식 그래프(knowledge graph)가 중앙화된 의미론적 메모리이자 조정 표면(surface) 역할을 하는 신뢰 인식 조정 프레임워크를 제안합니다. 이를 통해 에이전트들은 보정된 신뢰도 점수를 사용하여 서로의 기여를 평가하고 이를 기반으로 구축할 수 있습니다. 우리의 접근 방식은 임베딩 기반 검색과 LLM(대규모 언어 모델) 기반 다기준 분석을 결합한 2단계 추적성 연결 예측 파이프라인, 도출 시간(derivation-time)과 검증(validation) 시간의 신뢰도 비교를 가능하게 하는 추적성 시딩(seeding) 메커니즘, 그리고 신뢰도 임계값 게이팅(gating), 신뢰도 발산 감지, 충돌 해결을 통해 파이프라인 상호작용을 관리하는 일관성 프로토콜을 도입합니다. 우리는 연결 예측 보정, 프로토콜 효과성, 임계값 민감도, 추적성 시딩의 영향을 측정하는 자동차 소프트웨어 공학 사례 연구를 통해 평가를 수행했습니다. 제거 연구(ablation studies)는 신뢰도 보정이 효과적인 파이프라인 조정에 필수적임을 확인했습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.