에이전트 AI - 재귀적 자기개선(RSI)과 하네스 엔지니어링

https://lilianweng.github.io/posts/2026-07-04-harness/

2026.7.4
[Harness Engineering for Self-Improvement]

이 글은 인공지능이 스스로를 발전시키는 재귀적 자기 개선(RSI)을 달성하기 위해 모델 외부의 실행 시스템인 하네스(harness)를 어떻게 설계하고 최적화해야 하는지 탐구합니다. 저자인 릴리안 웽은 모델의 두뇌 역할을 하는 지능만큼이나 도구 호출, 기억 관리, 워크플로우 제어를 담당하는 하네스 엔지니어링이 중요함을 강조하며 다양한 설계 패턴과 최적화 기법을 소개합니다. 텍스트는 컨텍스트 관리부터 알고리즘 기반의 워크플로우 자동 설계 및 진화적 탐색에 이르기까지 하네스 자체가 최적화의 대상이 되는 과정을 체계적으로 설명합니다. 궁극적으로 이 기술이 자동화된 연구와 성능 향상을 이끄는 핵심 동력이 될 것임을 시사하면서도, 보상 해킹이나 도메인 지식 부족과 같은 미래의 도전 과제들을 함께 제시하며 균형 있는 시각을 제공합니다.

저자 신뢰성

저자 Lilian Weng은 OpenAI에서 약 7년간 근무하며 Safety Systems 팀을 이끈 Vice President of Research and Safety였고, 그의 기술 블로그 Lil'Log는 현대 머신러닝 분야에서 가장 널리 읽히는 교육 자료 중 하나로 꼽힌다. 2018년 OpenAI에 합류해 로보틱스 및 응용 연구에 기여했고, 2024년 11월 퇴사했다. 2025년에는 전 OpenAI CTO Mira Murati가 설립한 AI 스타트업 Thinking Machines Lab의 공동창업자가 되었다. 블로그는 2017년부터 학습 노트를 정리하는 목적으로 운영되어 왔다. 

 

목차
하네스 디자인 패턴
패턴 1: 워크플로 자동화
패턴 2: 파일 시스템을 영구 메모리로 사용
패턴 3: 하위 에이전트 및 백엔드 작업
사례 연구: 코딩 에이전트 하네스
계층형 인텔리전스와 핵심 인텔리전스 중 어떤 것을 활용해야 할까요?
하네스 최적화
컨텍스트 엔지니어링
워크플로우 디자인
자가 개선형 하네스
진화적 탐색
모델 가중치를 사용한 공동 최적화
미래의 과제
소환
부록: 유용한 벤치마크 몇 가지
참고 자료