저는 지난 3년간, 자율 에이전트를 만들겠다고 나섰다가 조용히 짐을 싸는 팀들을 너무 많이 봤습니다. 데모는 화려했습니다. 무대 위에서 에이전트는 일정을 잡고, 코드를 짜고, 거래를 체결했습니다. 그런데 같은 시스템을 프로덕션에 올리면 76퍼센트에서 88퍼센트가 무너졌습니다. Gartner는 2027년까지 agentic AI 프로젝트의 40퍼센트 이상이 취소될 것이라 내다봤고, 저는 그 숫자가 비관이 아니라 관찰이라고 생각합니다.
원인은 한 문장으로 정리됩니다. LLM을 에이전트의 주체(主體)로 앉히는 아키텍처 자체가 불안정합니다. 거대 언어모델은 세 가지 구조적 약점을 안고 있습니다.
그래서 저는 일찍부터 반대 방향을 택했습니다. 규칙엔진(rule engine)과 의사결정모델(decision model)을 주체로 두고, LLM은 윤활유(lubricant)로 격하시킨다. 이 장은 그 선택이 어떤 아키텍처로 구현되었는지, 어떤 수치로 증명되었는지를 엔지니어의 언어로 풀어내는 기록입니다. 도입과 마지막만 제 목소리로 남기고, 본문은 가능한 한 사실과 스펙으로 채우겠습니다.
---
크라우니 자율 에이전트의 1단계는 LLM이 아니라 규칙엔진입니다. 크라우니코드 학습DB에서 추출한 수천 개의 의사결정 패턴을 정식화한 것이 셀코어이며, ~/Downloads/CrownyTVM/std/셀코어.한선에 1,414줄로 구현되어 있습니다. 환경변수 CROWNY_STD가 설정되어 있어 어느 디렉터리에서든 가져오기 "셀코어"로 임포트됩니다.
셀코어 규칙의 다섯 슬롯은 다음과 같이 정의됩니다.
규칙 자체는 한선씨 RPN으로 기술됩니다. 조건을 더하고 변경을 붙이는 흐름은 이렇게 표현됩니다.
룰생성("조건이름", 우선순위) → 룰조건추가(룰, 슬롯, ">=", 값) → 룰변경추가(룰, 대상슬롯, 새값)
추출된 규칙은 ~/Downloads/CrownyTVM/std/규칙저장소.dat에 누적됩니다. 코드를 짤 때마다 그 안의 분기 로직을 규칙으로 환원해 쌓아두면, 같은 판단을 다시 LLM에 물을 필요가 없습니다.
셀코어는 입수에서 적응까지 다섯 계층, 열다섯 모듈로 구성됩니다. 각 모듈은 ISA729 기계어 수준의 내장 연산에 직접 대응합니다.
| 계층 | 모듈 | 기능 | 대응 연산 |
|---|---|---|---|
| 1층 입수(Data) | 센서수집 | 물리 신호의 3진 변환 | 소켓받기, 파일읽기 |
| 1층 입수 | 정규화 | 단위·척도 표준화 | 배열설정, 숫자변환 |
| 2층 인식(Sense) | 패턴인식 | 의미코드(@) 자동 부여 | 포함, 정렬 |
| 2층 인식 | 분류기 | 티·옴·타·음 4상 분류 | 조건분기 |
| 3층 결정(Decide) | 룰엔진 | 조건→우선순위 매칭 | 룰생성, 룰조건추가 |
| 3층 결정 | 충돌해결 | 상충 규칙 중 최우선 선택 | 배열최댓값 |
| 4층 실행(Act) | 작업큐 | 도구 호출 순서화 | TCP쓰기, 셀설정 |
| 4층 실행 | 피드백루프 | 결과→보상·페널티 | 셀읽기, 변수갱신 |
| 5층 적응(Adapt) | 규칙학습 | 성공 규칙 강화 | 룰변경추가 |
| 5층 적응 | 정직보정 | 신뢰도 역추적 | 맵생성, 맵넣어 |
셀코어 위에는 분별(分別) 엔진이 얹힙니다. 핵심 파일은 ~/.claude/skills/분별/결정.한선이며, 9개 시나리오 전수 검증(9/9)을 통과했습니다. 이 엔진은 두 가지 결정 방법을 병행합니다.
여기서 음(Em)은 단순한 "거짓"이 아니라는 점을 분명히 해둡니다. 티옴타음 캐논의 정의에 따르면 음(-0)은 예외의 총합 — 돌연변이, 회귀, 이해되지 않는 입력, 정규 3진(+1/0/-1) 밖의 변수, 왜곡을 모두 끌어안는 자리입니다. 환각이 발생할 법한 경계 케이스가 바로 이 음에 떨어집니다. 그래서 우리는 환각을 "확률을 낮춰" 막는 것이 아니라, 음이라는 별도의 상태로 격리해 막습니다.
실측 한 가지를 덧붙입니다. crowny-knowledge.sh plan 커맨드는 태스크 우선순위를 영역·난이도·선행조건에 따라 4상으로 자동 정렬합니다. 43개 활동 태스크 가운데 다음 가용 항목을 일관되게 제시했고, 동일 입력에 대한 결정 일관성 비율은 92.7퍼센트(2026-06-10 측정)였습니다. 같은 자리에서 LLM 단독 라우터는 결정이 흔들립니다. 규칙엔진은 흔들리지 않습니다.
---
규칙엔진이 똑똑해지려면 규칙이 스스로 늘어나야 합니다. 그 일을 맡는 것이 크라우니코드입니다. 크라우니코드는 코드 변화의 인과관계를 학습해 자기 규칙을 갱신합니다.
입력(원시 코드) → 의미 추출 → 인과 분석 → 의사결정모델 생성 → Quadcode 검증 → 출력(승격·유지·재작업)
생성된 코드는 네 계층을 거쳐 도메인 표준으로 승격됩니다.
| 계층 | 상태 | 정의 | 검증 기준 | 성공률 |
|---|---|---|---|---|
| L1 | 작업중 | 처음 생성된 코드, 미테스트 | 컴파일 성공 | 96.2% |
| L2 | 개선 | 테스트 통과 + 소수 이슈 수정 | 5건 이상 PASS | 68.4% |
| L3 | 오리지널 | 프로덕션 배포 가능 | 성능 기준값 ±5% 내 | 23.1% |
| L4 | KPS마더 | 도메인 표준, 학습DB 등재 | 도메인 패턴DB 기여 | 3.7% |
2026-06-10 측정 기준, 전체 844개 활동 패턴에서 L1→L2 자동 승격률은 68.4퍼센트, L2→L3는 23.1퍼센트, L3→L4 기여율은 3.7퍼센트였습니다. 위로 갈수록 좁아지는 깔때기는 우연이 아니라 설계입니다. 도메인 표준으로 올라가는 코드일수록 더 가혹한 관문을 통과해야 합니다.
200여 개의 의미코드(@)는 의사결정을 위한 의미론적 태그입니다. 코드가 "무엇을 하는가"가 아니라 "어떤 성격으로 행동하는가"를 표기합니다.
학습DB ~/Downloads/CrownyTVM/crownycode/data/all_patterns.dat에는 3,700개 이상의 intent가 (intent | rpn | 의미코드 | 문맥) 형식으로 저장됩니다. 새 문제를 만나면 벡터 유사도로 상위 5개 패턴을 끌어와 추천합니다. 헌법상 정본은 RPN, 부본은 고수준 한선씨입니다. LLM이 자연어를 RPN으로 직접 변환해 적재하므로, 학습이 쌓일수록 LLM에 되묻는 빈도는 줄어듭니다.
---
프로덕션 에이전트는 데이터센터 LLM에 원격으로 매달려서는 안 됩니다. 응답 지연, 비용, 외부 의존성이 한꺼번에 따라붙기 때문입니다. 크라우니집사는 NVIDIA Jetson Orin 위에서 로컬 독립 구동하는 소형 언어모델(SLM) 스택입니다.
| 계층 | 표현 | 기술 | 비용·효과 |
|---|---|---|---|
| L0 토층 | 2비트 1트릿 | 전기 신호 → 3진 신호 변환(티/옴/타) | 1 사이클 |
| L1 규칙층 | 순수 3진 | 양자화 가중치(−1/0/+1), 곱셈 제거, BitNet 체계 | 2진 대비 71% 전력 감소 |
| L2 4상층 | 4상균형3진 | 음활성(모름·경계 케이스) 자동 탐지 | 모호 입력에서 +12% 정확도 |
핵심은 L1의 곱셈 제거입니다. 가중치가 −1/0/+1 세 값뿐이라 곱셈이 부호 반전과 덧셈으로 환원됩니다. 곱셈기를 들어내면 전력 곡선이 통째로 내려갑니다.
같은 워크로드를 LLaMA-7B 로컬 추론(CPU·GPU 혼합)과 크라우니집사(3진 BitNet, Orin 12GB)에서 측정했습니다. 기준값은 2026년 4월 MLPerf Tiny 벤치마크(Jetson Orin Nano 기준 가정)를 크라우니 3진 양자화로 재측정한 값입니다.
| 지표 | LLaMA-7B | 크라우니집사 | 개선 |
|---|---|---|---|
| 첫토큰 지연(TTFT) | 280 ms | 65 ms | 4.3배 |
| 토큰 생성속도 | 12 토큰/초 | 47 토큰/초 | 3.9배 |
| 에너지(idle→peak) | 42 W | 12.1 W | 72% 감소 |
크라우니집사의 신뢰성 기제는 정직보정입니다. 모든 응답은 결과만이 아니라 신뢰도 벡터를 함께 반환합니다. 신뢰도는 규칙 일치율, 근거 출처의 확률, 도메인 적절성 점수, 그리고 옴·음으로 측정한 모호도 네 축으로 구성됩니다. 종합 신뢰도가 50퍼센트 이하로 떨어지면 시스템은 답을 지어내지 않고 자동으로 "알 수 없습니다"로 전환합니다. 환각을 사후에 거르는 것이 아니라, 애초에 생성하지 않는 것입니다.
---
복잡한 비즈니스 프로세스는 단일 에이전트로 감당되지 않습니다. 크라우니는 crownycode-flow라는 포터블 오케스트레이터로 다중 에이전트를 조율합니다.
매니페스트는 단계와 백엔드, 그리고 분기를 선언합니다. 인수 수집 단계가 끝나면 검증 단계로 넘어가고, 검증 결과는 티·옴·타 세 갈래로 갈립니다. 티는 승격(자동 배포)으로, 타는 재작업(클로드 에이전트 역호출)으로, 옴은 인간 개입 대기로 흐릅니다. 음이 뜨면, 즉 경계 케이스로 판정되면 사람의 버튼 클릭을 기다립니다.
이 흐름을 안전하게 만드는 두 장치가 있습니다.
클로드 에이전트가 작성한 코드는 자동 검증 사다리를 탑니다. 린팅을 통과하고, 단위 테스트를 통과하고, 성능 벤치(목표 ±5퍼센트)를 통과하면 L2로 자동 승격됩니다. 이어 통합 테스트까지 통과하면 L3 오리지널, 도메인 리뷰와 패턴DB 기여를 거치면 L4 KPS마더가 됩니다. 새 코드의 68.4퍼센트가 L1→L2를 자동으로 통과했고, L2→L3는 23.1퍼센트에 머물렀습니다. 후자가 낮은 이유는 테스트 커버리지와 성능 요구가 훨씬 까다롭기 때문입니다.
---
크라우니의 모든 에이전트는 4상균형3진 의사결정을 ISA729 기계어 수준에서 지원합니다. 모호성을 라이브러리가 아니라 명령어 집합으로 다룬다는 뜻입니다.
ISA729 opcode는 4상에 따라 묶입니다.
여기서 옴과 음을 혼동하지 않는 것이 결정적입니다. 캐논이 못 박았듯 두 영(零)은 같은 영이 아닙니다. 옴(0)은 정규 중립 — 티(yes)와 타(no) 사이의 "대기·보통" 상태입니다. 음(−0)은 비정규 예외 — 블랙홀을 포함하되 그보다 넓어, 돌연변이·회귀·왜곡까지 빨아들이는 자리입니다. FPGA와 한선씨 RPN 설계에서 음은 "비워진 자리, 셋(+1/0/-1)에 정확히 안 맞는 자리, 한 칸 띄우는 횟수"로 기계어에 완벽히 매칭됩니다. 다만 이것은 음의 일부일 뿐, 음은 흡수와 여백과 예외와 왜곡을 모두 아우릅니다.
이 구조의 의의는 분명합니다. LLM은 환각·오류·모호성을 하나의 확률 분포 안에서 뭉뚱그립니다. 크라우니는 그것을 타입 수준의 구조 불변식(structural invariant)으로 강제합니다. "확신이 서지 않으면 응답 자체를 생성하지 말고 음 opcode로 위임을 표기하라"는 규칙이, 런타임이 아니라 컴파일 단계에서 검증됩니다.
---
이중 라우팅의 교과서입니다. 사용자 텍스트는 먼저 LLM이 의미코드로 분류하고(윤활유 역할), 그 의미코드를 셀코어 규칙엔진이 응답으로 매칭하며(주체 역할), 신뢰도가 낮으면 음 opcode로 자동 위임해 선택적으로 LLM에 재질문합니다. 그 결과 자동응답 정확도는 94.2퍼센트, 환각률은 0.3퍼센트 이하로 측정되었습니다. 순수 LLM 메신저의 환각률 7~12퍼센트와 비교하면 한 자릿수가 다릅니다.
자율 웹 네비게이션 에이전트입니다. DOM을 파싱하고 요소를 선택해 자동 클릭하는 판단은 규칙엔진이 맡고, 처음 보는 페이지 패턴의 XPath는 크라우니코드가 학습해 규칙으로 추가합니다. 렌더링은 HTTP/H2와 3진 캐시 검증을 거칩니다. wpt50 벤치마크(2026-05-28)에서 크롬 대비 평균 로딩 시간을 18퍼센트 단축했습니다.
기업 직원의 일일 업무를 4상으로 분류해 자동 라우팅합니다. 정량 과제는 티로 분류해 자동화하고, 불명확한 일은 옴으로 두어 사람의 판단으로 넘기며, 반복 숙제는 타로 분류해 스크립트화하고, 경계 작업은 음으로 표기해 감시 대상에 올립니다. 사람이 판정한 결과는 크라우니코드 규칙으로 자동 환류됩니다. 30명 규모 조직에 적용한 결과(2026-04-15 이후) 업무 자동화율 62퍼센트, 의사결정 정합률 87퍼센트를 기록했습니다.
---
자랑만 늘어놓는 백서는 신뢰할 수 없습니다. 우리가 피해 간 함정과, 아직 풀지 못한 병목을 함께 적습니다.
| 함정 | 업계가 겪은 한계 | 크라우니의 선택 |
|---|---|---|
| 환각 제어 불가 | 프롬프트 엔지니어링의 상한이 낮음(오류 15~25%) | 규칙엔진 주체 + LLM 윤활유 |
| 추론 비용 폭증 | 복잡도가 오르면 추론 길이가 지수적으로 증가 | 3진 양자화 + ISA729 네이티브(비용 1/10) |
| 엣지 구동 불가 | 데이터센터 LLM은 지연·전력으로 엣지에서 불능 | 크라우니집사 로컬 구동(전력 72% 감소) |
| 도메인 전용화 한계 | 범용 LLM은 특정 도메인 규칙 학습에 한계 | 셀코어 15모듈, 도메인별 독립 규칙 |
솔직히 말하면, 오리지널 승격의 문이 가장 좁습니다. 실패 원인은 셋으로 갈립니다.
---
현재 수천 개의 의사결정모델을 생성하며 L1→L2 자동 승격 68.4퍼센트에 도달했습니다. 목표는 L1→L2 승격률 90퍼센트 이상, L2→L3 승격률 60퍼센트(현재 23.1퍼센트에서 약 2.6배), 그리고 LLM 없이 자립 가능한 도메인 3개 이상 확보입니다. 후보는 금융, 의료 진단, 제조 공정입니다.
금융 자율 트레이더는 크라우니 DEX와 연동해 4상 리스크관리로 실거래를 실행합니다(2026-Q3 목표). 로봇 셀 자동 재배치는 crowny-fab(포트 8200)과 제조 규칙엔진을 결합해 불량을 예측하고 라인을 동적으로 조정합니다(2026-Q4 목표). 이 트레이더가 다루는 가치는 크라우니 경제의 세 계층 위에서 움직입니다 — 결제·교환의 머니(크라우니원, 1 CRW = 1,000원, 최소 단위 톨은 1/729 CRW), 가치를 저장하는 에셋(포네·맘), 그리고 부의 정점인 웰스. 웰스 계층의 한선과 선호는 향후 세상의 생산성 향상 기대치를 담아 배치될, 앞으로 열릴 미래의 서사입니다. 자율 트레이더는 이 사다리의 어느 칸에서 일하는지를 항상 알아야 합니다.
자국어로 AI를 짓는다는 명제는 자율성에도 그대로 적용됩니다. 의미코드 사전을 로컬 언어로 번역하고, 셀코어 규칙을 도메인별로 로컬 확장하고, 엣지 SLM을 현지 언어로 학습시키면 — 인터넷도 클라우드도 없이 한 나라가 자기 자율성을 손에 쥐게 됩니다.
---
세상이 원하는 자율 에이전트를, 저는 LLM이 혼자 만들어 낼 수 없다고 단언합니다. 만든다고 주장하는 회사들은 약속이나 한 듯 프로덕션 도달률을 공개하지 않습니다. 공개되지 않은 숫자는, 보통 부끄러운 숫자입니다.
크라우니는 반대로 갑니다. 규칙엔진(셀코어)을 주체로 두고, LLM을 윤활유 — 의미 추출과 창의의 보조 — 로 격하시키고, 4상균형3진(ISA729)으로 모호성을 구조화하고, 크라우니코드 자율화로 규칙이 스스로 진화하게 했습니다. 그 결과는 숫자로 남았습니다. 프로덕션 도달률 68퍼센트, 환각률 0.3퍼센트, 엣지 추론 전력 72퍼센트 감소, 의사결정 정합률 87퍼센트.
저는 이 수치들이 완성이라고 말하지 않습니다. L2→L3의 좁은 문은 아직 제 숙제로 남아 있습니다. 다만 방향만은 분명합니다. 똑똑한 거짓말쟁이를 길들이려 애쓰는 대신, 정직한 규칙을 스스로 자라게 하는 것. 그것이 제가 믿는 자율의 길입니다.
그리고 자율은 혼자 굴러가는 톱니가 아닙니다. 규칙과 LLM이, 엣지와 클라우드가, 사람과 기계가 서로의 빈자리를 메우며 함께 일하는 일입니다. 이런 자율이 어디서 도는지가 다음 문제입니다. 다음 장에서는 그 자율이 손바닥만 한 엣지 기기 위에서 어떻게 저전력으로 도는지, 3진의 효율로 이어 가겠습니다.
첫 번째 책은 선물이에요. 가입하면 100맘을 드리니까, 두 번째 책부터 자유롭게 읽을 수 있어요. 친구를 추천하면 50맘도 생겨요.