에이전트 AI를 위한 목표‑관점 NFR 패턴 언어: 보안·신뢰·관측·비용 관리의 재발견

초록

본 논문은 목표‑관점(i*) 모델에서 비기능 요구(NFR) 소프트골드를 식별해 에이전트 AI 시스템에 적용 가능한 12가지 AOP 패턴을 제시한다. 보안·신뢰·관측·비용 관리 네 카테고리와, 프롬프트 주입 방어·토큰 예산 관리·툴 스코프 샌드박스·행동 감사와 같은 에이전트 고유의 교차 관심사를 포함한다. V‑graph를 확장해 다중 NFR 교차 밀도를 정의하고, Rust 기반 AOP 프레임워크(Aspect‑RS)와 연계해 구현한다. 오픈소스 자율 에이전트 프레임워크 사례 분석을 통해 패턴 적용 효과와 우려 사항을 검증한다.

상세 분석

논문은 2004년 RE에서 제시된 “Goals‑to‑Aspects” 방법론을 에이전트 AI라는 새로운 도메인에 맞게 재구성한다. 첫 번째 단계에서는 i* SD/ SR 모델을 사용해 에이전트, 사용자, LLM 제공자, 툴 제공자, 운영자 등 주요 배우를 정의하고, 기능 목표와 NFR 소프트골드를 동시에 분해한다. 특히 “툴 실행” 같은 기능 목표가 보안(프롬프트 주입), 비용(토큰 사용), 신뢰성(프로바이더 가용성), 관측성(로그) 등 네 개 이상의 NFR에 동시에 기여하는 구조를 강조한다.

두 번째 단계에서는 기존 V‑graph를 “V‑graph for Agents”로 확장한다. 여기서는 (기능 목표, NFR 소프트골드, 작업 집합) 삼중항을 정의하고, 각 작업에 대해 NFR 집합 NFR(t)를 구해 교차 밀도 δ(t)=|NFR(t)|를 측정한다. δ(t)≥2인 경우 다중 V‑graph가 겹치며, 이는 하나의 조인 포인트에 여러 Aspect가 복합적으로 적용돼야 함을 의미한다. 논문은 이를 자동화하기 위해 AspectFinder for Agents 알고리즘을 제시하고, 소스 코드에서 실제 모듈 분산 정도를 측정해 V‑graph 예측을 검증한다.

세 번째 단계에서는 검증된 Aspect 후보를 12개의 재사용 가능한 패턴으로 정형화한다. 각 패턴은 문제 정의, i* 목표 모델, Rust 구현 코드, 다른 패턴과의 구성 관계(선행·후행·합성)를 포함한다. 특히 보안 카테고리의 “Tool Scope Sandbox”, 비용 카테고리의 “Token Budget Manager”, 신뢰성 카테고리의 “Circuit Breaker”, 관측성 카테고리의 “Action Audit Trail” 등 네 가지 novel 패턴은 기존 AOP 문헌에 없던 에이전트 고유 요구를 다룬다.

사례 연구에서는 192 파일·129 040 LOC 규모의 오픈소스 자율 에이전트 프레임워크를 분석한다. 11개의 교차 관심사(기존 7개 + 신규 4개)를 식별하고, 각 관심사가 3개 이상 모듈에 흩어져 있음을 확인했다. V‑graph 분석을 통해 누락된 NFR(예: 토큰 예산 관리)도 발견했으며, 제안된 패턴을 적용하면 코드 중복이 평균 38% 감소하고, 런타임 오버헤드가 2% 미만으로 유지되는 것을 실험적으로 입증했다.

위협 요인으로는 i* 모델링의 주관성, Rust AOP 프레임워크의 아직 성숙하지 않은 생태계, 그리고 에이전트 행동의 동적 변이성을 들며, 향후 자동 모델 추출 및 다중 언어 지원이 필요함을 제시한다. 전체적으로 논문은 목표‑관점 기반 NFR 식별과 AOP 구현을 결합해 에이전트 AI 시스템의 신뢰성·보안·비용 효율성을 체계적으로 향상시킬 수 있는 실용적인 방법론을 제공한다.