웹GIS 개발을 위한 신뢰할 수 있는 자율형 인공지능을 위한 이중 나선형 거버넌스 접근 방식

A Dual-Helix Governance Approach Towards Reliable Agentic AI for WebGIS Development

웹GIS 개발에는 엄격함이 요구되지만, 자율형 인공지능은 종종 다음과 같은 다섯 가지 대규모 언어 모델(LLM)의 한계로 인해 실패합니다. 이러한 한계는 문맥 제약, 세션 간 망각, 확률성, 지시 실패, 그리고 적응성 부족입니다. 우리는 이러한 과제를 모델 용량만으로는 해결할 수 없는 구조적 거버넌스 문제로 재구성하여 이중 나선형 거버넌스 프레임워크를 제안합니다. 우리는 이 프레임워크를 지식, 행동, 기술의 세 가지 트랙으로 구성된 아키텍처로 구현했습니다. 이 아키텍처는 지식 그래프를 기반으로 도메인 사실을 외부화하고 실행 가능한 프로토콜을 적용하여 실행을 안정화하며, 또한 자율적인 지식 성장을 위한 자기 학습 주기를 포함합니다. 이 프레임워크를 FutureShorelines 웹GIS 도구에 적용한 결과, 관리된 에이전트가 2,265줄의 단일 코드베이스를 모듈식 ES6 구성 요소로 재구성했습니다. 결과적으로 순환 복잡도가 51% 감소하고 유지 관리 지수가 7점 증가했습니다. 제로샷 LLM과의 비교 실험에서 외부화된 거버넌스가 모델의 능력 그 자체보다 지리공학 분야의 운영 안정성을 향상시키는 주요 요인임을 확인했습니다. 이 접근 방식은 오픈 소스 AgentLoom 거버넌스 도구 키트에서 구현되었습니다.

WebGIS development requires rigor, yet agentic AI frequently fails due to five large language model (LLM) limitations: context constraints, cross-session forgetting, stochasticity, instruction failure, and adaptation rigidity. We propose a dual-helix governance framework reframing these challenges as structural governance problems that model capacity alone cannot resolve. We implement the framework as a 3-track architecture (Knowledge, Behavior, Skills) that uses a knowledge graph substrate to stabilize execution by externalizing domain facts and enforcing executable protocols, complemented by a self-learning cycle for autonomous knowledge growth. Applying this to the FutureShorelines WebGIS tool, a governed agent refactored a 2,265-line monolithic codebase into modular ES6 components. Results demonstrated a 51\% reduction in cyclomatic complexity and a 7-point increase in maintainability index. A comparative experiment against a zero-shot LLM confirms that externalized governance, not just model capability, drives operational reliability in geospatial engineering. This approach is implemented in the open-source AgentLoom governance toolkit.