서울시교육청 공사계약 통합지원 시스템 — 계약길잡이 공개 자료를 출처 기반 위키·RAG와 규칙형 안내 엔진으로 잇는 계획~하자관리 업무공간

AI 코딩으로 만들었지만 런타임에는 AI를 부르지 않고 규칙과 원문 발췌만으로 같은 입력에 같은 결과를 내는 취합·변환·검색·시각화 도구다.

PAX 사례 413건이 이 부품을 쓴다

맥락

AI 코딩 도구(A7)로 기관 인력이 직접 만든 자생 도구가 대부분이다(PAX 557건 가운데 주 부품이 B0인 사례 390건, 70%). 로컬 PC 완결이나 폐쇄망 이식이 필요한 업무, 판정 재현성이 감사에서 중요한 업무에도 맞는다. model_dependency가 '없음(비LLM)'으로 확인될 때만 해당한다.

맞서는 힘(긴장)

• 재현성·설명 가능성 vs 비정형 입력을 다루는 유연성
• 로컬 완결의 보안 이점 vs 기관 전이 시 처리 로그(C4)와 인수인계가 사라지는 문제
• 규칙을 코드에 넣는 단순함 vs 규정이 바뀔 때마다 사람이 규칙을 고쳐야 하는 유지 부담

해법

업무 절차를 입력 형식(A10 어댑터)과 처리 규칙으로 나누고, AI 코딩 도구(A7)는 개발 시점에만 써서 규칙 코드와 화면을 만든다. 런타임에는 모델을 호출하지 않으므로 같은 입력에 같은 결과가 나오고 인터넷 없이 로컬에서 돈다. 판정이 필요한 경우에도 결정적 규칙 엔진이 낸다. 비정형 입력을 다뤄야 하는 단계가 생기면 그 단계만 B1·B3로 승격하고 결정적 부분은 전처리로 남긴다. 부서 밖으로 옮길 때는 라이선스·저장소·처리 로그를 함께 갖춘다.

이럴 때 쓴다

• 입력이 정형(엑셀·서식)이고 처리 결과를 규칙으로 정의할 수 있을 때
• 파일이 PC 밖으로 나가면 안 되거나 폐쇄망·로컬 완결이 필요할 때
• 판정 재현성이 필요해 같은 입력에 늘 같은 결과가 나와야 할 때(규칙 점검기, 결정론 점수 엔진)
• LLM 도입 전에 데이터·기준선을 정비하는 단계일 때

이럴 때는 쓰지 않는다

• 비정형 문서의 요약·초안처럼 규칙으로 산출물을 정의할 수 없을 때(B1)
• 질문이 다양해 규정·선례 접지가 필요한 상담일 때(B3)
• 학습 모델의 수치·등급 예측이 핵심 산출물일 때(B2)

얻는 것

• 재현성과 감사 가능성
• 폐쇄망·로컬 이식이 가장 쉬움
• 모델 호출 비용과 모델 장애 위험이 없음
• B1·B3의 전처리 부품으로 승격할 자산

점검표

• 런타임에 LLM·ML 호출이 전혀 없는가
• 규칙 표가 코드와 별도로 문서화되어 있는가
• 같은 입력에 같은 결과가 나오는지 확인했는가
• 라이선스와 저장소 위치가 명시되어 인수인계가 가능한가

구조 — 참여 부품

• A7 자체 제작 환경 — 개발 시점에 AI 코딩으로 규칙 코드와 화면을 만드는 곳
• A10 문서 형식 어댑터 — HWP·HWPX·엑셀 입출력
• 규칙 엔진 — 조건→결과 표에 따라 결정적으로 취합·판정·정렬
• 담당자 — 결과를 받아 쓰고 규칙 변경을 요청

변형

• 문서·엑셀 자동화: 부서별 제출 파일 취합·병합·서식 변환(카드 기본 변형)
• 데이터 탐색·시각화: 공공데이터·내부 데이터를 지도·차트·대시보드로 보여 준다(카드 기본 변형)
• 전문 검색: 키워드·색인 기반 원문 검색(카드 기본 변형)
• MCP 도구 제공: MCP 서버만 있는 사례다. 서버 자체는 결정적 도구이고 AI는 호스트 쪽에 있다(§10.3, A8 동시 태깅)
• 도구 허브·링크 큐레이션: 흩어진 업무 도구·링크를 한 화면에 모은다(R15)
• 데스크톱 유틸리티·RPA·매크로: PC 반복 조작 자동화(R15)
• 규칙 편성·최적화: TSP·스케줄링 등 비학습 알고리즘으로 배정·동선을 편성한다(R15)
• 알림·컨텍스트 복귀 도구: 마감·할 일 알림, 작업 맥락 복귀(R15)
• 실시간 현황판: 다중 역할별 화면 분리 현황판(R15)
• 업무 절차·법적 근거 흐름도 정리: 절차와 근거 조문을 흐름도로 정리(R15)
• 결정적 재식별·엔티티 매칭: 규칙 기반 동일 개체 판별·병합(R15)
• 결정론 점수 엔진: 규칙 점수화로 순위·등급을 낸다. 유형 5a·11에서 A2.5의 대안으로 인정된다(R10, §7.3 ⑪)
• AI 무관 행정정보시스템(취급 기준): AI 런타임이 전혀 없는 순수 행정시스템도 B0으로 태깅하고 X1을 명시하며, 통계에서는 각주로 처리한다(R24)

참조 구현 예

• PAX 내편이음 — 인수인계 정리본(카드 참조 구현)
• PAX VHLookup — 엑셀 마스킹·병합(카드 참조 구현)
• PAX 북적북적 제주 인파 지도 — 데이터 탐색·시각화(카드 참조 구현)
• PAX GatherFlow — 엑셀·한셀 취합, 폐쇄망(§7.3 유형 ⑧)

관련 부품

A7 선행 — 개발 시점의 제작 환경 · A10 짝 — 공공 문서 형식 입출력 · B1 승급 경로 — 비정형 초안 단계가 생기면 · B3 승급 경로 — 유형 ⑨ 'B0 문서 정리 → B3 접지' · B′9 규칙 엔진 공유 — LLM 추출 뒤 판정을 맡는 결정적 부분 · A8 MCP 도구 제공 변형이 A8 공통 서비스의 공급원

참고 자료

GoF Command · Microservice Client-side UI Composition · PAX 원칙 '바이브 코딩 사실만으로 Enabled 아님'

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

기관 규정·매뉴얼·사례 문서에 접지(RAG)해 질문에 답하고, 답마다 출처를 붙이며, 근거가 없으면 답하지 않고 담당자에게 넘긴다.

PAX 사례 48건이 이 부품을 쓴다

맥락

규정·매뉴얼·FAQ·사례가 문서로 쌓인 기관에서 내부 검색·검수, 대민 자동응답, 폐쇄망 로컬 검색에 쓴다. PAX 557건에서 주 부품이 B3인 사례는 31건으로 B0·B1 다음이다. 유형 ① 대민 상담·안내의 기본 조립이기도 하다.

맞서는 힘(긴장)

• 답변 범위 vs 환각 위험(근거 밖 답변 금지)
• 대민 자동응답의 효율 vs 예외 건 이관 필요
• 검색 품질 개선 vs 평가 세트 없이는 개선을 잴 수 없음
• 폐쇄망 요구 vs 로컬 임베딩·모델 품질

해법

기관 문서를 A1 자산으로 정리해 임베딩·색인하고, 질문이 오면 검색한 근거 범위 안에서만 모델이 답하게 한다. 답에는 출처(F1)를 상시 붙이고, 근거가 없으면 '확인 불가'로 답하거나 담당자·소관기관으로 이관한다(B′2). 검색 품질은 Hybrid Retriever·Query Rewriting·Reranker로 높이되, 변경마다 C9 평가 세트로 잰다. 대민형은 한계 안내(F7)와 폴백(C7)을 두고, 문서 갱신 주기를 C6으로 정한다.

이럴 때 쓴다

• 같은 질문이 반복되고 답의 근거가 기관 문서에 있을 때
• 답변에 조문·문서 출처를 반드시 붙여야 할 때
• 유형 ① 대민 상담·안내, 유형 ⑦ 법령 접지 점검

이럴 때는 쓰지 않는다

• 평가 세트가 없어 검색 품질을 잴 수 없을 때(먼저 C9, X10)
• 질문 유형이 몇 개로 정해져 행동 선택기(S4)나 규칙 조회로 충분할 때
• 문서를 요약해 초안을 쓰는 것이 핵심이면(B1)

얻는 것

• 답변에 근거를 댈 수 있음
• 반복 질의 처리 시간 단축
• 범정부 엔진 + 기관별 코퍼스로 공유 가능

점검표

• 답마다 출처가 표시되는가
• 근거가 없을 때 답하지 않고 이관하는가
• 평가 세트로 검색·답변 품질을 재고 있는가
• 코퍼스 갱신 주기와 책임자가 정해져 있는가

구조 — 참여 부품

• A1 데이터 자산 서비스 — 코퍼스 정제·등급 메타
• A2 모델 서빙 계층 — 임베딩·생성 모델(폐쇄망이면 로컬)
• 검색기 — 벡터·키워드 검색, 재작성·재순위
• C5 가드레일 필터 — 출처 검증·근거 밖 답변 차단
• F1 출처 표시 — 근거 문서·조문을 답에 표시
• 담당자 — 내부형 검수, 대민형 예외 건 처리

변형

• 내부 검수형: 직원이 쓰고 답을 검수(Enabled)
• 대민 자동응답형: 국민에게 직접 답하고 예외만 이관(이관 분기가 있으면 First)
• 폐쇄망 로컬 RAG: 내부망 LLM + 로컬 임베딩·벡터DB
• 검색 품질 하위 항목: Hybrid Retriever(벡터+키워드)·Query Rewriting·Reranker. 태깅 시 variant에 기재(Fowler)
• 그래프 RAG: A6 지식그래프를 검색에 결합(rag_type = Graph)

참조 구현 예

• PAX 전북AI — 자체 구축, 이용 10만 건(카드 참조 구현)
• PAX 소방기술민원 답변생성기 — 관리자 승인·적재, '유권해석 아님' 고지(카드 참조 구현)
• PAX bfcd190155ae69f7 — 코레일유통 그래프RAG 사내검색, 개인 시범 구축 → 기관 공식 플랫폼(§13)

관련 부품

C9 선행 — 평가 세트 없이 검색 품질을 개선할 수 없음 · F1 이용자 쪽 대응 — 출처 표시 · B′2 배선 — 근거 없거나 예외인 질문을 담당자로 이관 · A6 선택 부품 — 그래프 RAG · S2 보안 짝 — 등급 문서가 섞인 코퍼스의 권한 인식 검색 · C7 대민 상시 서비스의 폴백

참고 자료

Fowler RAG·Hybrid Retriever·Query Rewriting·Reranker · Gulli ch.14 RAG · computer.org RAG · GoF Proxy·Facade, Microservice Aggregator

이 부품과 이어지는 가이드라인

• 공공부문 AI 도입·활용 가이드 행정안전부·NIA, 2026.6. 현행 핵심.
• 공공데이터의 인공지능 친화적 관리 가이드라인 행정안전부·NIA, 2026. v1.1 개정 공지(2026.8.4).
• 2026 인공지능 윤리기준 실천 자율점검표 과학기술정보통신부·KISDI, 2026.2.
• 생성형 인공지능의 저작물 학습에 대한 저작권법상 공정이용 안내서 문화체육관광부·한국저작권위원회, 2026.2.26 발간. 4종 모음 게시물에 수록.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

한 단계의 출력을 다음 단계의 입력으로 넘기는 고정 순서 배선이다. 한 프롬프트에 많은 일을 몰아 시켜 품질이 떨어지는 문제를 막는다.

PAX 사례 109건이 이 부품을 쓴다

맥락

B4 인식 파이프라인의 기본 배선이며, B1·B0·B5 안에서도 흔하다. 단계 순서가 업무 절차로 미리 정해져 있고 AI가 순서를 고를 필요가 없을 때 쓴다.

맞서는 힘(긴장)

• 디버깅·출처 추적의 쉬움 vs 병렬화 불가로 인한 지연
• 단계 분리의 품질 이점 vs 단계가 늘수록 오류 누적
• 고정 순서의 예측 가능성 vs 예외 경로 처리의 경직성

해법

업무 절차를 단계로 나누고 각 단계의 입력·출력 형식을 정해 앞 단계 출력을 다음 단계에 넘긴다. 단계 사이에 형식 검증(스키마)을 두어 오류가 번지기 전에 멈추고, 멈춘 건은 C1 검토 큐나 C3 재처리로 보낸다. 판정·산수 단계는 가능한 한 규칙(B′9)으로 두고 모델은 추출·서술 단계만 맡긴다. 단계 순서를 AI가 바꿔야 한다면 B′8이나 B′7로 옮긴다.

이럴 때 쓴다

• 업무 절차가 고정 순서로 정해져 있을 때
• 각 단계를 따로 검증·추적해야 할 때(유형 ② 접수·심사, ⑧ 취합·변환)
• 단일 에이전트에서 시작하는 첫 배선일 때

이럴 때는 쓰지 않는다

• 하위 작업이 서로 독립이라 동시에 돌려야 지연이 줄 때(B′3)
• 입력에 따라 AI가 다음 도구를 골라야 할 때(B′7)
• 긴 업무를 계획부터 세워야 할 때(B′8)

얻는 것

• 디버깅과 출처 추적이 쉬움
• 단계별 품질 검증 가능
• 구현이 가장 단순

점검표

• 단계마다 입력·출력 형식이 정의되어 있는가
• 단계 사이 검증에서 실패하면 멈추는가
• 단계별 중간 결과를 추적할 수 있는가

구조 — 참여 부품

• 단계 처리기 — 각 단계에서 추출·변환·작성 수행
• 단계 간 형식 검증 — 다음 단계로 넘기기 전 스키마 확인
• C3 상태 머신·롤백 — 실패 단계 재처리

관련 부품

B4 기본 배선 — 인식 파이프라인 · B′8 대안 — 순서를 계획으로 정할 때 · B′9 짝 — 판정 단계를 규칙으로 · C3 기록처·되돌림 — 실패 단계 재처리

참고 자료

Google ADK #1 Sequential · Gulli ch.1 Prompt Chaining · Heiland Multi-layer · adaptive.live 프롬프트 체이닝

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

흩어진 업무 기록을 정제·라벨링해 AI 부품이 붙여 쓸 수 있는 데이터셋·라벨·데이터 사전 형태의 기준선으로 제공한다.

PAX 사례 110건이 이 부품을 쓴다

맥락

학습 모델(A2.5·B2), 지식 접지(B3)의 코퍼스, 평가 세트(C9)의 정답 출처가 필요한 과제라면 모두 이 부품을 쓴다. 서비스 유형 5a·9·10·11에서는 필수 기반이다. 비LLM 규칙 기반 대민 안내에서는 A2를 거치지 않고 결정론 조회의 대상이 된다(R21).

맞서는 힘(긴장)

• 정제 품질 vs 구축 기간·라벨링 인력 비용
• 과제 전용 가공(빠름) vs 기관 공통 기준선(재사용)
• 데이터 활용 범위 vs 데이터 등급(E5) 보호
• 기준선 고정(재현성) vs 원천 갱신 반영

해법

원천 기록을 수집→정제(중복·결측 처리)→라벨링→정의 문서화 순으로 가공하고, 결과를 정제 데이터셋·라벨·데이터 사전의 세 산출물로 고정해 제공한다. 'N건→M건 정제'처럼 정제 전후 규모와 기준을 기록하고, 변수·테이블·인터페이스 정의서로 소비 부품이 같은 정의를 쓰게 한다. 기준선은 버전으로 관리해 C9 평가 세트의 정답 출처와 C6 재학습의 입력으로 재사용한다. 데이터 경계는 부품별로 두고(DB per Service), 타 기관 데이터와의 결합은 A4로 분리한다.

이럴 때 쓴다

• 예측·추천기(B2)나 비전 모델(A2.5)을 학습·재학습할 때
• 지식 접지(B3)의 코퍼스를 구축할 때
• 평가 세트(C9)의 정답 출처가 필요할 때
• 서비스 유형 5a-agg·9·10·11처럼 A1이 필수인 조립

이럴 때는 쓰지 않는다

• 공공 API 응답을 가공 없이 조회만 할 때(A3)
• 정제·정의 없이 파일을 올려 바로 검색하는 경우(태그 대상 아님)
• 타 기관 데이터 결합이 핵심일 때는 A4를 함께 태그해 계약·키 매핑을 따로 드러낸다

얻는 것

• 모델 교체와 무관하게 남는 기관 자산
• C9·C6·B3가 같은 기준선을 재사용
• 데이터 사전이 기관 간 표준 확산의 단위가 됨

점검표

• 정제 전후 규모와 정제 기준이 기록되어 있는가
• 데이터 사전(정의·단위·출처)이 있는가
• 기준선에 버전이 있고 평가용 분할이 학습용과 분리되어 있는가
• 데이터 등급(E5)에 맞는 가명·비식별 처리가 적용되었는가

구조 — 참여 부품

• 원천 시스템·기록 — 가공 전 업무 기록을 내주는 출처
• 정제·라벨링 파이프라인 — 중복 제거·결측 처리·라벨 부여·품질관리를 수행
• 데이터 사전 — 정의·단위·출처를 문서로 고정해 소비 부품이 같은 뜻으로 쓰게 함
• C9 평가 세트·회귀시험 — 기준선을 정답 출처로 사용
• A2.5 비LLM 학습 모델 — 기준선으로 학습·재학습하는 소비 부품

변형

• 학습데이터 구축형: 영상·이미지 등을 수집해 품질관리 단계(중복 제거·재라벨링·학습/검증/평가 분리)를 거쳐 학습 기준선으로 만든다.
• RAG 코퍼스 정본화형: 법령·규정 원문을 현행 시행본 기준으로 정본화하고 조문 구조·메타데이터를 부여해 색인한다.
• 지표 표준화형: 여러 자료원의 지표를 도메인별로 표준화하고 정의·단위·분모·결측·원본 링크를 메타데이터로 관리한다.
• 자동 피처 파이프라인형: 수집→정제→파생 변수 생성→자동 검증→담당자 승인을 주기 실행하고 승인만 사람에게 남긴다.

관련 부품

C9 소비처 — 기준선이 평가 세트의 정답 출처 · A4 짝 — 자기 기관 정제(A1)와 타 기관 결합(A4) · B3 소비처 — 지식 접지의 코퍼스 · C6 선행 — 재학습 입력이 되는 기준선 · A2.5 소비처 — 자체 학습 모델의 학습 데이터

참고 자료

computer.org 데이터 증강 · Heiland 데이터 계층 · Microservice 패턴 DB per Service · GoF Builder

이 부품과 이어지는 가이드라인

• 공공부문 데이터 분석 업무 운영 가이드 NIA, 2025.12(게시 2025.12.29).
• 공공데이터의 인공지능 친화적 관리 가이드라인 행정안전부·NIA, 2026. v1.1 개정 공지(2026.8.4).
• 공개된 개인정보 처리 안내서 개인정보보호위원회, 2024.7(게시 2024.7.19).
• 합성데이터 생성·활용 안내서 개인정보보호위원회, 2024.12(자료실 게시 2025.1.3).
• 가명정보 처리 가이드라인 개인정보보호위원회, 2026.3 개정(게시 2026.3.31).
• 생성형 인공지능의 저작물 학습에 대한 저작권법상 공정이용 안내서 문화체육관광부·한국저작권위원회, 2026.2.26 발간. 4종 모음 게시물에 수록.
• 제조AI 2030 전략 산업통상부, 2026.6(2026.6.29 공개). 현행.
• KS X ISO/IEC 23053 기계 학습(ML)을 사용하는 인공지능(AI) 시스템 프레임워크 국가기술표준원 고시 제2025-0413호, 발행 2025.10.30. ISO/IEC 23053:2022와 일치(IDT).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

외부 용역 없이 기관 인력이 저작도구·AI 코딩 에이전트로 도구를 직접 만들고 고치는 제작 환경이다.

PAX 사례 317건이 이 부품을 쓴다

맥락

업무 담당자가 AI 코딩 도구·저작도구·오픈소스로 직접 만드는 과제에 쓴다. 유형 8(취합·변환 자동화)에서는 필수 기반이다. PAX 557건에서 A7이 붙고 BYO 모델을 쓰는 사례는 29건이다.

맞서는 힘(긴장)

• 제작 속도·현장 적합성 vs 유지보수 연속성
• 개인 역량 의존 vs 조직 인수인계
• 무예산 제작 vs 보안 검토·기관 공식화 절차

해법

기관 인력이 AI 코딩 에이전트·저작도구·오픈소스로 직접 만들되, 처음부터 전이를 전제로 한다. 설정·데이터(연락처·업무분장 등)는 코드 밖 파일로 빼 비개발자도 고치게 하고, 작업 지시서 자체를 코딩 에이전트가 수행할 프롬프트로 설계해 제작 절차를 남긴다. MIT·Apache 등 라이선스를 명시하고 공공 깃랩(A3)이나 혁신24 자료실에 등재해 담당자가 바뀌어도 이어지게 한다. 실사용 건수로 성과를 재 기관 공식으로 올린다.

이럴 때 쓴다

• 반복 업무를 줄이는 소규모 도구를 빠르게 만들 때
• 용역 없이 작은 수정을 계속해야 할 때
• 유형 8 취합·변환 자동화

이럴 때는 쓰지 않는다

• P2 이상 시스템 쓰기·처분이 걸려 보안 검토·통제 부품이 먼저 필요한데 이를 갖출 수 없을 때
• 라이선스·저장소·인수인계를 정할 수 없어 전이가 불가능할 때(X9 위험)

얻는 것

• 제작 속도와 현장 적합성
• 내부 유지보수 역량 축적
• 무예산·소예산 제작

점검표

• 라이선스가 명시되어 있는가
• 저장소가 개인 PC가 아닌 공유 위치에 있는가
• 담당자가 바뀌어도 고칠 수 있는 문서·설정 분리가 있는가
• 실사용 지표가 있는가

구조 — 참여 부품

• 업무 담당자 — 요구를 알고 직접 만드는 제작자
• AI 코딩 에이전트·저작도구 — 코드·화면·워크플로 생성
• A3 공공 깃랩·자료실 — 등재처 — 담당자 이동 후에도 이어지게
• A9 업무 규범 스킬 — 제작 규범·지시서를 재사용 가능한 형태로

변형

• 비개발자 바이브코딩: 교육 후 비개발 직원이 AI 코딩으로 웹앱을 만들고 실사용 지표까지 잰다.
• 용역 탈피 단계형: 1단계는 전문기업과, 2단계는 직원이 도구를 대여해 라벨링·학습·개발을 직접 한다.
• 오픈소스 조립형: n8n·FastAPI·Qdrant·LM Studio 등 오픈소스로 워크플로를 직접 조립하고 설정을 공유한다.
• 사람+에이전트 작업 단위형: 작업 지시서를 코딩 에이전트 입력 프롬프트로 설계해 '사람 1인 + 에이전트 1세션' 단위로 일한다.

참조 구현 예

• PAX 145a534a79c6fc53 — 공무원 1인 개발 도구가 혁신24 자료실로 여러 기관에 확산(§13 A7)

관련 부품

A3 등재처 — 공공 깃랩 · A9 짝 — 제작 규범을 스킬로 · B0 주 산출물 — 결정적 도구 · A10 짝 — 유형 8 필수 · X9 주의 — 담당자와 함께 사라지는 도구

참고 자료

GoF Prototype · PAX 전이 플레이북

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

AI 산출물이 다음 단계로 넘어가기 전에 사람이 맞고 틀림을 확인·수정·확정하는 대기열을 두어, 오류가 업무 결과로 흘러가지 않게 한다.

PAX 사례 46건이 이 부품을 쓴다

맥락

AI 산출물이 공문·처분·대민 안내·기록으로 이어지는 모든 B 부품(B1 코파일럿, B4 인식 파이프라인, B2 예측기, B7 콘텐츠 생성기 등). 이용자 본인이 최종 확정자인 자기서비스형 도구도 포함한다(R16).

맞서는 힘(긴장)

• 정확성·책임성 vs 처리 속도(전건 검토는 자동화 이득을 깎는다)
• 검토자의 숙련 vs 자동화 편향(AI 결과를 그대로 승인하는 경향)
• 전건 검토의 안전 vs 위험도별 분기(C2)로 가야 하는 효율 압력

해법

AI 산출물에 신뢰도·근거를 붙여 검토 대기열에 올리고, 검토자가 승인·수정·반려 중 하나를 고르게 한다. 수정·반려 내역은 C4 감사 로그에 남겨 수정률을 집계하고 C6 환류의 입력으로 쓴다. 검토 화면은 원문 위치·근거를 함께 보여 줘 확인 비용을 줄인다. 전건 검토로 시작하되, 수정률 실측이 쌓이면 C2 위험도 라우터로 저위험 건을 자동 종결하는 단계로 옮긴다.

이럴 때 쓴다

• AI 산출물이 공문·처분·대민 안내로 그대로 이어질 때
• E4가 P1 이상이고 되돌리는 데 사람 시간이 많이 드는 조치가 있을 때
• 서비스 유형 ② 접수·심사, ④ 기안 코파일럿, ⑥ 콘텐츠 제작, ⑦ 대조·점검, ⑩ 위험 예측, ⑪ 추천·매칭, ⑫ 개발 코파일럿처럼 C1이 필수인 유형

이럴 때는 쓰지 않는다

• B0 결정적 도구처럼 런타임 AI 산출물이 없을 때
• 쉽게 되돌릴 수 있고 저위험인 조치를 이미 C2로 자동 종결하도록 실측 근거를 갖춘 구간(전건 검토를 영원히 남기지 않는다)

얻는 것

• 오류가 업무 결과로 나가기 전에 차단
• 책임 소재가 명확해짐
• 수정 내역이 C4 지표와 C6 환류의 원천 데이터가 됨

점검표

• AI 산출물이 확정 전 상태로 머무는 지점이 명시되어 있는가
• 검토자와 승인·수정·반려 선택지가 정해져 있는가
• 검토 결정과 수정 내역이 로그로 남는가
• 실증 기간의 검토·수정 건수가 기록되어 있는가
• 전건 검토에서 분기로 옮길 조건이 정해져 있는가

구조 — 참여 부품

• 검토 대기열 — AI 산출물을 확정 전 상태로 보관하고 검토자에게 배정
• 검토자(담당자 또는 이용자 본인) — 승인·수정·반려를 결정하는 최종 책임자
• F2 편집 가능한 출력 — 검토자가 산출물을 직접 고치는 화면
• C4 감사 로그·지표 — 검토 결정과 수정 내역을 적재해 수정률로 집계

변형

• 전건 검토형: 모든 AI 산출물을 담당자가 확인·확정
• 예외 검수형: 정상 건은 일괄 승인하고 저신뢰 항목만 개별 검수하는 검수 UI
• 파이프라인 내장 관문형: 멀티에이전트·다단계 파이프라인의 각 관문에 승인·보완·재작성 선택지를 둠
• 자기서비스형: 이용자 본인이 최종 확정자인 HITL. 실제 운영 중이면 C1 present(R16)
• 심의 게이트: 팩트체크·법무·윤리처럼 제3자 전문가가 수행하는 승인 게이트

참조 구현 예

• PAX 9dc1a7081bc869b1 — 광진구 — 담당자·팀장 최종 판단 책임 등 4대 관리 원칙 명문화

관련 부품

C2 다음 단계 — 전건 검토에서 위험도 분기로 승급 · C1.2 변형 — 제3자 전문가 심의 게이트 · F2 이용자 쪽 대응 — 검토자가 직접 고치는 화면 · F6 이용자 쪽 대응 — 에이전트 행동 실행 전 확인 · C4 기록처 — 검토 결정·수정 내역 · C6 후속 — 수정 내역이 환류의 입력

참고 자료

Google ADK HITL · Gulli ch.13 Human-in-the-Loop · Towards AI 동기·비동기 HITL · Chain of Responsibility

이 부품과 이어지는 가이드라인

• 공공기관 신뢰가능 AI 구현 실용가이드 NIA, 2019(게시 2019.12.30).
• 금융분야 인공지능 가이드라인 금융위원회, 2026.6.22 시행(보도 2026.6.18).
• 금융분야 AI 위험관리프레임워크 금융감독원, 2026.6.
• 자동화된 결정에 대한 정보주체 권리 안내서 개인정보보호위원회, 2024.9. 공식 게시물 미확인(2024.9 보도로 확인).
• 고영향 인공지능 사업자 책무 가이드라인 과학기술정보통신부, 2026.1.
• 신뢰할 수 있는 인공지능 개발 안내서 과학기술정보통신부·TTA, 일반 2023·2024년판, 분야별 2023~2024.
• 인공지능 개발과 활용에 관한 인권 가이드라인 국가인권위원회, 2022(2022.4.11 전원위원회 의결). 공식 게시물 미확인(2022.4.17 보도로 확인).
• 생성형 인공지능 결과물에 의한 저작권 분쟁 예방 안내서 문화체육관광부·한국저작권위원회. 4종 모음 게시물에 수록.
• KS X ISO/IEC 22989 인공지능 개념 및 용어, KS X ISO/IEC TR 24028 인공지능의 신뢰성 개요 국가기술표준원 고시 제2023-0612호, 두 표준 모두 발행 2023.12.14. 각각 ISO/IEC 22989:2022, ISO/IEC TR 24028:2020과 일치(IDT).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

답변에 근거 문서·조문·통계표 ID를 붙여 이용자가 원문을 직접 확인할 수 있게 한다. C5 출처 검증의 이용자 면이다.

PAX 사례 87건이 이 부품을 쓴다

맥락

B3 지식 접지 상담, A8 공공데이터 MCP, 법령·통계·규정을 인용하는 모든 응답. 유형 ① 대민 상담, ⑤b 데이터 에이전트, ⑦ 대조·점검, ⑨ 인수인계(원문 위치).

맞서는 힘(긴장)

• 출처 상세도 vs 화면 복잡도
• 출처 표시 vs 실제 검증(표시만 하고 검증하지 않으면 잘못된 신뢰)
• 원문 링크의 신선도 vs 유지 비용

해법

답변의 각 주장에 근거 문서·조문 번호·통계표 ID·원문 위치를 붙이고, 원문으로 바로 이동하는 링크를 제공한다. 출처의 갱신 시각과 이용 조건을 함께 보여 오래된 자료를 현재로 오인하지 않게 한다. 표시되는 출처는 C5 출처 검증을 통과한 것이어야 한다.

이럴 때 쓴다

• B3 지식 접지 응답 전반
• 대민 서비스 D1~D7(F1·F2·F7이 최소 요건)
• 유형 ①⑤b⑦⑨처럼 F1이 필수인 유형

이럴 때는 쓰지 않는다

• 모델의 판정 근거(요인·BBox·사유 코드)를 보여 주려는 경우(F9)
• B0 결정적 도구로 원천 데이터를 그대로 보여 주는 경우(출처가 곧 화면)

얻는 것

• 이용자 신뢰 확보
• 원문 대조로 오류 발견
• 공식 판단 여부를 이용자가 스스로 확인

점검표

• 모든 답변에 출처가 붙는가
• 출처가 원본과 대조되는가
• 갱신 시각이 보이는가
• 이용자가 원문을 바로 열 수 있는가

구조 — 참여 부품

• C5 가드레일 필터 — 출처 검증
• 이용자 — 원문을 열어 대조

변형

• 문서·조문 인용: 근거 문서명과 조문 번호를 답변에 붙임
• 통계표 ID 인용: 통계 답변에 통계표 ID를 자동 인용(KOSIS MCP 방식)
• 출처·신선도 표시: 출처에 갱신 시각과 이용 조건을 함께 표시

참조 구현 예

• PAX Korean Stats MCP — KOSIS 통계를 자연어로, 출처 자동 인용
• PAX 224e2d82d9369735 — 모든 출처에 갱신 시각과 이용 조건을 함께 저장한 출처·신선도 표시
• PAX 9998aba2d1f55c24 — 항목별 법령·처분사례 원문 연계(F1)

관련 부품

C5 시스템 쪽 대응 — 출처 검증 · F7 짝 — 한계 안내와 함께 신뢰의 실체 · F9 구분 — 판정 근거 표시 · B3 끼울 자리 — 지식 접지 응답 · A3 출처 제공 — 공공 API 원문

참고 자료

aiuxpatterns Results · Show Citations

이 부품과 이어지는 가이드라인

• 인공지능 투명성 확보 가이드라인 과학기술정보통신부, 2026.1.
• 생성형 인공지능 결과물에 의한 저작권 분쟁 예방 안내서 문화체육관광부·한국저작권위원회. 4종 모음 게시물에 수록.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

데이터·법령·공고·선례·타 지역 사례를 찾아 담당자 화면에 놓는 내부 운영 블록이다. B0 탐색·시각화, MCP 도구 제공, B3가 전형 부품이다.

PAX 사례 176건이 이 부품을 쓴다

맥락

기관 내부 담당자가 자료를 찾아 보는 업무. §7.3 유형 ⑤b 데이터 에이전트(D8.1, P0)와 ⑤a 분석 대시보드·브리핑(D8.1, P0~P1)의 무대. PAX 176건(주 부품 B0 80%, B3 10%).

맞서는 힘(긴장)

• 검색 편의 vs 출처·기준 시점 확인
• 자연어 질의 vs 질의 조작·도구 출력 인젝션
• 대시보드 고정 화면 vs 에이전트의 유연한 질의
• MCP 서버 수 vs 실제 업무 호출(X8)

해법

답이 원천 데이터에서 나오게 한다. 공공데이터·통계는 A8 MCP 서버나 A3 공공 API로 도구화하고, 호스트 쪽 에이전트는 B′7 ReAct 도구 루프로 조회하되 C8로 읽기 전용에 묶는다. 결과에는 F1 출처(통계표 ID)와 조회 시점을 붙이고, 도구 호출은 C4로 추적한다. 도구 출력이 새 지시가 되지 않도록 S5 계획 후 실행과 S1 비용 상한을 둔다. 에이전트가 필요 없으면 B0 대시보드·검색기로 끝내고(5a-agg), LLM이 해설을 붙이면 5a-brief로 C9·F9를 더한다(R19). MCP 서버만 만드는 사례는 5b-server로 A8·S11만 필수다(R18).

이럴 때 쓴다

• 담당자가 흩어진 데이터·법령·공고·선례를 찾느라 시간을 쓸 때
• 공공데이터·통계를 자연어로 조회해야 할 때
• 다른 지역·기관 사례를 모아 봐야 할 때

이럴 때는 쓰지 않는다

• 찾은 문서에서 할 일·핵심을 뽑으면 D8.2
• 규정·기준과 대조해 확인 대상을 고르면 D8.4
• 국민이 서비스를 찾으면 D1

얻는 것

• 자료 찾는 시간 절감
• 출처·시점이 붙은 근거 확보
• 공공데이터 MCP의 재사용

점검표

• 결과마다 원천 출처와 기준 시점이 보이는가
• 도구 권한이 읽기 전용으로 묶여 있는가
• 도구 호출 순서를 나중에 볼 수 있는가
• MCP 서버가 실제 업무에서 호출되는지 재는가

구조 — 참여 부품

• 담당자 — 자료를 찾고 결과를 업무에 씀
• A8 MCP 서버·호스트 — 공공데이터·통계를 도구로 노출
• B0 결정적 도구(탐색·시각화) — 검색기·대시보드
• B6 도구 호출 에이전트 — 로컬 MCP 호스트로 조회·차트 생성
• C8 권한 경계 — 읽기 전용 제한
• F1 출처 표시 — 통계표 ID·출처·시점 표시

변형

• 검색·대시보드형(비LLM): B0 탐색·시각화. 유형 5a-agg(필수 A1·F2·C4, R19).
• 브리핑형: LLM이 조회 결과를 요약·해설. 유형 5a-brief(필수 A2.1|A2.2|A2.6·F9·C9, R19).
• MCP 서버 제공형: 공공데이터·법령을 MCP로 노출하는 서버 자체. 5b-server(필수 A8·S11, R18).
• 데이터 에이전트형: 로컬 MCP 호스트가 도구를 불러 조회·차트 생성. 5b-host(필수 C4·F1·S5|S6, R18).

참조 구현 예

• 망분리 환경용 로컬 AI 에이전트 + KOSIS 공식 MCP — 카탈로그 D8.1 카드·§9 조립 예시, 유형 ⑤b 참조 구현
• Korean Stats MCP — 카탈로그 D8.1 카드 예: KOSIS 통계를 자연어로, 출처 자동 인용

관련 부품

A8 끼울 자리 — 공공데이터 MCP · C8 필수 통제 — 읽기 전용 · D8.2 이웃 블록 — 찾은 문서의 요약·추출 · S5 5b-host 필수 보안 · X8 이 블록에서 흔한 함정

참고 자료

카탈로그 §7.3 유형 ⑤a·⑤b · 카탈로그 §7.4 유형 ⑤ 위협 모델 · MCP 6축 검증(§8)

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

법령·규정·서식·인용·근태·보안 기준과 대조해 확인할 대상을 먼저 골라 주는 내부 운영 블록이다. "최종 판단은 사람"이 가장 자주 붙는다.

PAX 사례 81건이 이 부품을 쓴다

맥락

기관 내부 문서·자료를 기준과 대조하는 업무. §7.3 유형 ⑦ 대조·점검 도우미(D8.4, P0~P1)와 유형 ⑩ 위험 예측·표적 선별(D6·D3·D8.4)의 무대. PAX 81건(주 부품 B0 73%, B1 12%), 감사·법무 25건·문서·기안 12건.

맞서는 힘(긴장)

• 점검 범위 확대 vs 오탐으로 인한 확인 부담
• 규칙 점검의 결정성 vs LLM 대조의 유연성
• 점검 대상이 점검기를 속이는 위협 vs 자동 점검
• 출처 대조의 엄격성 vs 원문 접근 권한(공공 API 인가)

해법

기준이 규칙으로 옮겨지면 B0 규칙 점검기로, 해석이 필요하면 B3 법령 접지로 대조한다. 기준 원문은 A3 공공 API(법령·판례)에서 가져와 C5 출처 검증으로 인용이 실제 원문과 일치하는지 확인한다. 결과는 판정이 아니라 "확인할 대상 목록"으로 내고, C1으로 "최종 판단은 사람"을 명시하며, F7 한계와 F1 출처를 붙인다. 점검 대상 문서·코드가 점검기를 속이지 못하게 대상별 격리(S6)나 고정 규칙 실행(S4)을 쓰고, 코드 점검이면 S9 샌드박스를 둔다. C9 평가 세트로 누락률을 잰다.

이럴 때 쓴다

• 문서·자료를 법령·규정·서식과 한 줄씩 대조하는 업무
• 인용·근거가 원문과 맞는지 확인해야 할 때
• 점검 대상이 많아 확인 대상을 먼저 좁혀야 할 때

이럴 때는 쓰지 않는다

• 국민 신청 건의 자격 판정이면 D3
• 현장 시설을 관측해 점검하면 D6
• 대조 없이 자료를 찾아 보여 주면 D8.1

얻는 것

• 대조 시간 단축과 누락 감소
• 사람 판단을 확인 대상에 집중
• 인용 오류의 사전 차단

점검표

• 결과가 판정이 아닌 확인 대상으로 표시되는가
• 근거 원문 출처가 연결되는가
• 누락률을 평가 세트로 재는가
• 점검 대상 속 문장이 점검 결과를 바꾸지 못하는가

구조 — 참여 부품

• 담당자 — 확인 대상을 검토해 최종 판단
• B0 결정적 도구(규칙 점검기) — 규칙화된 기준으로 대조
• B3 지식 접지 상담 — 법령·규정에 접지해 해석 대조
• A3 공공 API 제공자 — 법령·판례 원문 제공
• C5 가드레일·출처 검증 — 인용을 원문과 대조
• C1 검토 큐 — 최종 판단은 사람

변형

• 규칙 점검기형: B0로 서식·근태·보안 기준을 결정적으로 대조(Attendance Checker).
• 법령 접지 대조형: B3가 법령·규정에 접지해 해석 필요 항목을 대조(Legal Reviewer).
• 인용 검증형: 보고서·논문의 법령·판례·문헌 인용을 원본과 대조(paper-verify).
• 표적 선별형: B2 위험 예측이 점검 대상을 좁힘(유형 ⑩, B′9).

참조 구현 예

• paper-verify — 카탈로그 D8.4 카드·§7.3 유형 ⑦ 참조 구현: 인용을 원본과 대조
• 민원 답변 작성 스킬 팩 — 카탈로그 D8.4 카드 예
• Attendance Checker — §7.3 유형 ⑦ 참조 구현
• Legal Reviewer — §7.3 유형 ⑦ 참조 구현

관련 부품

C1 필수 통제 — 최종 판단은 사람 · C5 필수 통제 — 출처 검증 · A3 필수 기반 — 법령·기준 출처 · D3 대민 버전 — 자격·심사 · S6 필수 보안 — 대상별 격리

참고 자료

카탈로그 §7.3 유형 ⑦·⑩ · 카탈로그 §7.4 유형 ⑦ 위협 모델

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

같은 기관의 과제들이 각자 모델·벡터DB·프롬프트를 따로 만들어, 공유할 수 있는 기반 부품을 부서 수만큼 중복 구축하는 함정이다.

맥락

한 기관 안에서 여러 부서가 동시에 대민·내부 챗봇, 문서 검색, 요약 도구를 추진하는 경우. 특히 각 과제가 상용 API를 직접 호출하는 경우.

맞서는 힘(긴장)

• 부서의 빠른 자율 구축 vs 기관 전체의 중복 비용
• 부서별 맞춤(코퍼스·문체) vs 공통 모델·게이트웨이
• 과제 단위 예산·성과 vs 공통 기반 등재·유지 책임

해법

§7.1의 두 번째 단계대로 기반 부품은 새로 만들지 말고 Provider에서 먼저 가져온다. 모델 호출은 A2 모델 서빙 계층(범정부 AI 공통기반 또는 기관 게이트웨이) 뒤로 모으고, S1 단일 진입점에서 인증·요청 상한·비용 상한·감사 기록을 일괄 적용한다. 공공 API·공공 클라우드·공공 깃랩은 A3 공공 API 제공자로 쓴다. 부서별 차이는 모델을 따로 두지 말고 A9 업무 규범 스킬과 부서 코퍼스(A1)로 표현하며, 부서·등급별 코퍼스 분리가 필요하면 S2 권한 인식 검색으로 푼다. 없어서 새로 만든 부품은 §13 참조 구현 레지스트리에 올린다.

이럴 때 쓴다

• 같은 기관의 두 과제 이상이 각자 모델 계약·API 키·벡터DB를 갖는다
• 범정부 AI 공통기반·공공 API를 쓰지 않은 이유가 서술되지 않는다
• 공통 규정·매뉴얼 코퍼스를 과제마다 따로 임베딩한다
• 모델 호출 비용을 기관 단위로 집계할 수 없다

이럴 때는 쓰지 않는다

• 데이터 등급(E5)이나 망 조건(E1) 때문에 공통 기반을 쓸 수 없고 그 사유가 서술된 경우
• A2 게이트웨이를 공유하면서 부서별 코퍼스·스킬만 따로 둔 경우(정상 조립)
• 개인이 만든 단일 도구로 기관 내 중복 과제가 없는 경우

얻는 것

• 부서가 협의 없이 빠르게 만든다
• 부서 요구에 딱 맞는 맞춤 구성을 갖는다

점검표

• 기관의 모든 모델 호출이 하나의 게이트웨이를 지나는가
• 부서별 API 키 직접 호출이 남아 있지 않은가
• 공통 기반을 쓰지 않은 과제는 그 사유(E1·E5)가 적혀 있는가
• 부서별 차이가 모델이 아니라 스킬·코퍼스로 표현되어 있는가

구조 — 참여 부품

• A2 모델 서빙 계층 — 교정 후 모든 부서 호출이 모이는 공통 자리
• A3 공공 API 제공자 — 범정부 AI 공통기반·공공 깃랩 등 Provider
• S1 AI 게이트웨이·단일 진입점 — 부서별 API 키 직접 호출을 대체하는 인증·상한·기록 지점
• A9 업무 규범 스킬 — 부서별 차이를 모델이 아니라 스킬로 표현

변형

• 부서별 API 키 직접 호출: 각 과제가 상용 API 키를 따로 받아 직접 호출. S1 부재의 전형
• 벡터DB 중복: 같은 규정·매뉴얼을 부서마다 따로 임베딩해 따로 검색
• 프롬프트 사일로: 같은 공문 규범을 부서마다 다른 프롬프트로 재작성

관련 부품

A2 대체 — 모델 호출을 모을 공통 서빙 계층 · A3 대체 — 범정부 AI 공통기반 등 Provider · S1 끼울 자리 — 부서별 API 키 직접 호출을 대체하는 단일 진입점 · A9 짝 — 부서별 차이를 스킬로 표현 · X4 이웃 안티패턴 — 중복 구축과 단일 모델 종속이 함께 나타남

참고 자료

Microservice API Gateway · 카탈로그 §13 참조 구현 레지스트리

이 부품과 이어지는 가이드라인

• 공공부문 AI 도입·활용 가이드 행정안전부·NIA, 2026.6. 현행 핵심.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

평가 세트 없이 검색을 붙여 '좋아진 것 같다'로 배포하고, 검색으로 풀릴 문제를 파인튜닝으로 푸는, 진행 경로를 건너뛰는 함정이다.

맥락

B3 지식 접지·B1 코파일럿에 RAG를 붙이거나 A2.3 튜닝형 모델을 만드는 과제, 특히 규정·매뉴얼 기반 질의응답.

맞서는 힘(긴장)

• 눈에 보이는 기술 성과 vs 지루한 평가 세트 구축
• 빠른 배포 vs 변경마다 재는 자
• 자체 모델 보유 인상 vs 검색으로 충분한 문제

해법

§7.2 진행 경로를 순서대로 밟는다. B1 직접 프롬프트에서 시작해 두 번째 단계에서 C9 평가 세트(업무 질문·정답·채점 기준)를 먼저 만들고, 이후 A9 규범 스킬·F4, B3 지식 접지(A1 데이터 자산), B3 검색 품질(Hybrid·Rewriting·Reranker), C5 가드레일·F1 순으로 붙이며 매 단계를 C9로 잰다. A2.3 튜닝은 진행 경로의 마지막 단계로, 검색·규범 스킬로 풀리지 않는다는 것이 C9 점수로 확인됐을 때만 한다. 모델·프롬프트·설정 조합은 릴리스처럼 버전 관리한다.

이럴 때 쓴다

• RAG·튜닝을 도입했는데 업무 질문·정답·채점 기준 세트가 없다
• '답변 품질 향상'을 수치 없이 서술하거나 단발 정확도만 보고한다
• 자주 바뀌는 규정·매뉴얼 질의를 파인튜닝으로 풀었다
• 검색 품질(재현율·리랭킹)을 재지 않고 튜닝으로 넘어갔다

이럴 때는 쓰지 않는다

• C9 세트로 RAG 전후를 비교한 뒤 배포한 경우
• 검색·스킬로 풀리지 않음을 C9 점수로 확인한 뒤 튜닝한 경우
• B2·B4처럼 비LLM 학습 모델로 원래 학습이 해법인 경우(RAG가 대안이 아님)

얻는 것

• RAG·튜닝이라는 눈에 보이는 기술 성과를 빨리 낸다
• 평가 세트 구축에 현업 시간을 쓰지 않는다

점검표

• 업무 질문·정답·채점 기준 세트가 있는가
• RAG 전후 점수 비교가 있는가
• 튜닝을 선택한 근거가 C9 점수로 설명되는가
• 모델·프롬프트·설정 조합이 버전 관리되는가

구조 — 참여 부품

• C9 평가 세트·회귀시험 — 빠진 부품. 모든 변경을 같은 자로 잼
• B3 지식 접지 — 튜닝 전에 먼저 시도할 검색 기반 접지
• A2.3 튜닝형 모델 — 진행 경로의 마지막 단계
• A1 데이터 자산 서비스 — 정답 출처와 검색 코퍼스

변형

• 평가 없는 RAG: 검색을 붙이고 몇 개 질문을 눈으로 보고 배포
• RAG 없는 튜닝: 문서 검색으로 풀릴 최신 규정 질의를 파인튜닝으로 해결하려 함
• 평가 없는 튜닝: 튜닝 전후를 같은 세트로 비교하지 않음

관련 부품

C9 대체 — RAG·튜닝보다 먼저 만들 평가 세트 · B3 선행 — 튜닝 전에 시도할 지식 접지 · A2.3 순서 — 진행 경로의 마지막 단계 · A9 대안 — 튜닝 대신 규범 스킬로 푸는 경로 · X11 이웃 안티패턴 — 같은 진행 경로 위반

참고 자료

Fowler GenAI 진행 경로(Direct Prompting → Evals → RAG → Hybrid Retriever·Query Rewriting·Reranker → Guardrails → Fine Tuning) · InfoQ Prompt-Model-Config Versioning

이 부품과 이어지는 가이드라인

• 공공부문 AI 도입·활용 가이드 행정안전부·NIA, 2026.6. 현행 핵심.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗