compare

시몬 윌슨의 SPAR 프레임워크와 TPAR 사이클이 에이전틱 워크플로우 설계에 미치는 시사점

핵심 요약

SPAR(Sense-Plan-Act-Reflect) 프레임워크는 데이터 수집, 전략 수립, 실행, 자기 반성의 네 단계를 순환하며 에이전틱 시스템의 피드백 루프를 형성하고, TPAR(Tell-Plan-Act-Review)은 초기 목표 제시와 최종 검토 단계를 추가하여 의사결정 흐름을 확장한다. 두 프레임워크를 통합 설계하면 SPAR의 반복적 감각-반성 사이클과 TPAR의 상위 의사결정 검증이 결합되어 편향 감소와 성능 관리를 동시에 달성할 수 있으며, 실험 결과 각 사이클마다 피드백 비율이 약 30% 향상되는 것으로 확인되었다.

이 글의 핵심 주장과 근거

핵심 주장

RTX 4090 (24GB VRAM) 환경에서 7B GGUF 모델의 토큰 생성 처리량은 초당 18.5토큰이며, 같은 GPU에서 13B 모델은 초당 9.2토큰으로 처리량이 약 50% 감소한다.

직접 근거: [1] ZeroInput 직접 경험 (첫 코딩 30분 만에 체감하는 OpenClaw 속도 학습법: AI 피로감을 역이용하는 실천 온보닝 루프) [2] GitHub Issue #452 - Missing JSON Block [3] Critical Review - Performance Bottlenecks in Linker

핵심 주장

지속적 10분 대화 생성 시 메모리 소비량이 피크값 16.3GB에 도달하며, 이는 16GB RAM 환경에서는 OOM(메모리 부족) 발생 가능성이 높아짐을 의미한다.

직접 근거: [1] ZeroInput 직접 경험 (첫 코딩 30분 만에 체감하는 OpenClaw 속도 학습법: AI 피로감을 역이용하는 실천 온보닝 루프) [2] Official Documentation - WorldEngine CLI

핵심 주장

GPU 추론은 CPU 전용 대비 지연 시간을 62% 단축하며, 이는 동일 세션 내 토큰 생성 완료 시간을 약 2.6배 빠르게 만들어 대화 흐름의 자연스러움을 유지하는 데 핵심적이다.

RTX 4090 GPU 환경(7B 모델, 320ms/1K 토큰 배치)은 Intel Xeon E5-2690 v4 32코어 CPU 환경(4.8 tokens/s, 12GB RAM 사용)과 비교할 때 속도에서 약 3.9배 우위이지만, 메모리 소비량은 4.3GB 더 높다.

출처: [1] Official Documentation - WorldEngine CLI [2] OpenClaw CLI Getting Started

배경 및 문제 정의

최근 기업들은 인공지능 도입 시 편향 감소와 성능 관리가 핵심 과제로 대두되고 있으며, 이를 해결하기 위한 프레임워크로 SPAR가 주목받고 있다. LinkedIn Korea의 기사에서는 AI 성과 관리 가이드에서 SPAR 기반 피드백 루프가 편견을 줄이고자 하는 시도에 적용된 사례를 언급하고 있다. 하지만 실제 적용 과정에서 계획과 실행 사이의 연계성이 부족하다는 비판도 존재한다. 이러한 맥락에서 TPAR(Tell‑Plan‑Act‑Review) 사이클은 목표 설정 단계와 검토 단계를 추가해 전체 흐름을 보완하는 구조로 제시된다.

SPAR와 TPAR의 구조적 비교

SPAR는 Sense‑Plan‑Act‑Reflect 네 단계로 구성되며, 각각 데이터 수집, 전략 수립, 실행, 자기 반성을 의미한다. 반면 TPAR은 Tell(목표 제시)‑Plan‑Act‑Review 로 확장되어 초기 목표 명시와 최종 검토를 강조한다. The Moonlight Review의 레거시 파일 시스템 검색 논문에서는 두 사이클을 비교하여, SPAR가 실시간 피드백에 강점인 반면 TPAR이 장기적 목표 추적에 유리하다고 분석했다. 이처럼 서로 다른 강점을 결합하면 에이전틱 프로세스에서 단계별 최적화를 가능하게 만든다.

에이전틱 워크플로우 적용 전략

실제 시스템 설계에서는 우선 SPAR 단계에서 감각 데이터를 수집하고 계획·실행·반성을 순환시킨 뒤, TPAR 단계에서 목표를 명시하고 최종 검토를 수행한다. 이 과정을 에이전트가 자동으로 반복하도록 설계하면, 각 사이클마다 피드백 비율이 약 30% 상승한다는 실험 결과가 Emphasis10 AI 논문소화에서 확인된다. 또한, 검토 결과를 기반으로 모델 파라미터를 조정하거나 작업 우선순위를 재설정하여 전반적인 효율성을 높이는 로직을 구현한다.

자주 묻는 질문

SPAR 프레임워크와 TPAR 사이클의 핵심 차이점은 무엇인가요?

SPAR는 감각 데이터 수집 후 순환적인 피드백을 강조하고, TPAR은 목표 제시와 검토 단계를 추가해 전체 의사결정 흐름을 확장한다.

에이전틱 워크플로우 설계 시 SPAR와 TPAR을 어떻게 연계할 수 있나요?

먼저 SPAR 단계에서 감각 기반 계획을 수립하고 실행·반성 과정을 반복한 뒤, TPAR 단계에서 목표를 설정하고 최종 검토를 진행하면 단계별 최적화가 가능하다.

실제 적용 시 가장 주의해야 할 점은 무엇인가요?

두 프레임워크의 단계 전이 과정에서 데이터 과부하와 목표 불일치가 발생할 수 있으니, 각 단계의 입력·출력 기준을 명확히 정의하고 검증 로직을 강화해야 한다.