[AI] 개발자가 직접 만드는 Agent Harness - Ralph Loop와 Agentic Workflow Harness의 차이

 

ㅁ 들어가며

[AI] Agentic Workflow와 harness 개념 중심을 작성하면서 Harness(발음은 "하-니스"이다^^)에 대해서 알게 되었다.
처음에는 단순히 “LLM을 실행시키는 코드” 정도로 이해했지만, 최근 여러 사례를 살펴보면서 생각이 조금 바뀌었다.

LLM 자체는 두뇌일 뿐이다.
실제 시스템에서 일을 하게 만드는 것은 Harness다.

오늘 한 개발자가 다음 두 가지에 대해서 비교 질문을 주었다.

• Ralph Loop (Ralph Wiggum Technique)
• Agentic Workflow Harness

둘 다 AI 에이전트를 실행하는 구조이지만, 철학과 구현 방식이 상당히 다르다.

이 차이를 이해하면 AI 에이전트 시스템을 어떻게 설계해야 하는지 방향이 보이기 시작한다.

 

ㅁ Harness란 무엇인가

Harness는 단순히 말하면 다음과 같은 역할을 한다.

ㅇ LLM에게 작업을 전달한다
ㅇ 실행 결과를 수집한다
ㅇ 필요한 도구(tool)를 호출하게 한다
ㅇ 반복 실행을 관리한다
ㅇ 상태와 기록을 관리한다

즉,

LLM을 실제 시스템에서 “일하게 만드는 실행 인프라” 라고 볼 수 있다.

 

AI 에이전트 시스템을 만들 때 중요한 것은 모델 자체보다 이 Harness 설계다.

 

ㅁ Ralph Loop의 Harness 구조

Ralph Loop는 매우 단순한 방식이다.
핵심 철학은 순진한 끈기 (naive persistence)이다.

 

ㅇ 구현 방식

• Bash while loop
• 쉘 스크립트

ㅇ 기본 동작

while true
    LLM에게 작업 요청
    코드 생성
    테스트 실행
    실패하면 다시 요청

이 방식은 놀라울 정도로 단순하다.

AI 코딩 에이전트에게 다음을 계속 반복한다.

ㅇ 작업 명세 (spec.md) 전달
ㅇ 코드 생성
ㅇ 테스트 실행
ㅇ 실패 시 수정
ㅇ 완료될 때까지 반복

 

이 과정이 밤새도록 돌아간다.

 

ㅁ Ralph Loop의 특징

ㅇ Stateless 구조

각 실행은 거의 새로 시작된다.

상태는 다음을 통해 간접적으로 유지된다.

• Git history
• 파일 시스템
• 생성된 코드

즉,

메모리가 아니라 코드 자체가 상태가 된다.

 

 

ㅇ 설정이 매우 단순

프레임워크가 필요 없다.

보통 다음 정도면 끝난다.

prompt.md
run_tests.sh
ralph.sh

개인 개발자가 실험하기에는 매우 좋은 방식이다.

 

 

ㅇ 문제점

- 목표 검증이 약함
- 무한 루프 가능
- 잘못된 방향으로 계속 수정

 

즉,

끈기는 있지만 통제가 약하다

 

ㅁ Agentic Workflow의 Harness

최근 등장하는 Agent 시스템은 완전히 다른 접근을 한다.

핵심 철학은 다음이다.

AI를 통제 가능한 시스템으로 만든다

 

이때 Harness는 단순 실행 루프가 아니라 소프트웨어 인프라가 된다.

 

 

ㅇ 구현 방식

보통 다음과 같은 계층으로 구성된다.

• Agent framework (LangChain / CrewAI / custom)
• Tool system
• Memory system
• Guardrails
• Human-in-the-loop

즉, LLM을 감싸는 제어 레이어가 존재한다.

 

ㅁ Agent Harness의 구조

일반적인 구조는 다음과 같다.

Task Planner
     ↓
Agent Executor
     ↓
Tool Layer
     ↓
Memory
     ↓
Observation / Logging

 

특징은 stateful 시스템이라는 점이다.

• 이전 행동 기록
• 실패 로그
• 작업 진행 상태
•  메모리

이 모든 것이 관리된다.

 

ㅁ Ralph Loop vs Agent Harness

핵심 차이는 다음과 같다.

구분Ralph LoopAgent Harness

구분	Ralph Loop	Agent Harness
핵심 개념	단순 반복	시스템 제어
구현 난이도	낮음	높음
상태 관리	거의 없음	Stateful
제어	약함	강함
목적	개인 개발 실험	장기 자동화

정리하면 다음과 같다.

Ralph Loop = 끈기 기반 자동화
Agent Harness = 거버넌스 기반 자동화

 

ㅁ 앞으로의 방향

최근 AI 에이전트 시스템의 흐름은 점점 명확해지고 있다.

   2024 → 모델 경쟁

   2025 → Agent 등장

   2026 → Agent Harness 경쟁

 

앞으로 중요한 것은 모델이 아니라 에이전트를 어떻게 통제하는가다.

그리고 이 문제는 결국 소프트웨어 아키텍처 문제가 된다.

 

ㅁ 마무리

Ralph Loop는 매우 흥미로운 접근이다.

단순한 반복만으로도 AI 에이전트를 꽤 강력하게 활용할 수 있다.

하지만 실제 서비스 환경에서는 다음이 필요하다.

- 상태 관리
- 실행 통제
- 안전 장치
- 장기 작업 관리

그래서 결국 시스템은 Agent Harness 형태로 발전하게 된다.

 

AI 에이전트 시대에는
모델보다 Harness 설계가 더 중요해질 가능성이 높다.