LLM
Projection Engineering: AI에는 산술은 있지만 계측학이 없다
AI는 누구도 검증할 수 있는 속도보다 빠르게 판정을 생성한다. Projection Engineering은 규칙이 행동을 승인하기 전에 열린 세계의 Claims를 감사 가능한 Accepted Facts로 바꾸는 누락된 책임층이다.
Claim에서 인정된 사실 그래프로
기계가 현실 세계를 결정론적으로 판정하려면 먼저 그 세계를 명시적으로 닫아야 한다. 열린 Claim을 평가하고, Accepted Facts를 추적 가능한 그래프로 투영하고, 경계를 동결하며, 이의를 제기할 길을 보존해야 한다.
진실은 발견되지 않는다
열린 세계에는 발견할 진실이 없다 — 모든 관측이 빛의 속도에 걸려 사건에 닿지 못하기 때문이다. 그러나 소설·수학·법처럼 선언으로 닫힌 세계에는 진실이 있다. 재판은 실재를 법적 세계로 투영하는 과정이고 판결은 그 위에서의 연산이다. 지금 LLM에 빠진 것은 더 큰 모델이 아니라, 법치주의 같은 명시적 폐쇄 절차다.
유창함은 진실이 아니다
사람들이 자신감 있고 유창한 AI의 오류를 놓치는 건 부주의해서가 아니다. 알아차리지 못하는 것이 인구 전체의 기본값이다 — AI 훈련을 받은 의사들, 그리고 데이터가 반대로 말해도 자신이 더 빨랐다고 믿은 숙련 개발자들에게서 측정된 사실이다.
reins의 '턴'이란 무엇인가
reins의 최소 실행 단위인 턴(turn)을 해부한다. 기록되지 않은 것은 턴이 아니다 — 이 정의 하나에서 드라이버 무관성, 재시작 내성, 감사 가능성이 전부 따라 나온다. 2026년 6월의 Loop Engineering 담론과 비교해, 턴이 그 권고들을 어떻게 구조로 바꾸는지 본다.
LLM 멀티 에이전트 정확도 향상의 전제조건
에이전트를 여러 개 돌리면 정확해진다? 절반만 맞다. 같은 데이터로 학습한 모델들은 같은 곳에서 틀린다. 멀티 에이전트가 작동하는 조건은 둘 — 오류 독립성을 설계하거나, 검증 가능한 도메인에서 LLM 바깥에 검증기를 세우거나.
IFEval을 역이용하는 래칫 코드
LLM의 아첨 편향은 버그가 아니라 자산이다. IFEval이 측정하는 지시 수용 능력을 결정론적 피드백과 결합하면, 4.5B 로컬 모델도 정확한 코드를 생성하는 수렴 루프가 만들어진다.
AI의 아첨 편향은 비즈니스 피처다
LLM의 아첨 편향은 버그가 아니다. RLHF의 수학적 필연이며, 빅테크가 고칠 인센티브가 없는 상업적 기능이다. 이것이 LLM-as-Judge를 구조적으로 불가능하게 만드는 이유다.
코딩 에이전트는 왜 작동하고 왜 무너지는가
같은 모델이 웹 채팅에서는 hallucinate하고 코딩 에이전트에서는 작동한다. 모델이 달라서가 아니라 topology가 달라서다. 생성은 확률적이어도 된다. 검증은 결정론적이어야 한다.
모델 IQ보다 피드백 토폴로지
같은 모델이 40개에서 멈추기도 하고 527개를 완주하기도 한다. 차이는 모델이 아니라 피드백 구조다. LLM의 성능은 모델 자체보다 얼마나 빠르고 결정론적인 피드백 루프 위에 놓여 있는가에 더 크게 좌우된다.
tsma — 레거시 코드의 회귀 방어선
모든 함수를 인덱싱하고, 테스트 유무를 감지하고, 커버리지를 측정하고, LLM 에이전트에게 피드백을 주는 CLI 도구. 명령어 하나로 레거시 코드에 회귀 방어선을 구축한다.
제약은 계약이다
약속이 없으면 혼돈이고, 약속이 과하면 억압이다. 합리적 제약은 황금비를 이룬다. 법치주의의 원리가 코드와 지식에 동일하게 적용된다.
filefunc — 파일 하나에 개념 하나
AI 코드 에이전트의 탐색 단위는 파일이다. 파일 하나에 개념 하나를 강제하는 Go 코드 구조 컨벤션이자 CLI 도구.