에이전틱스 2.0: 에이전트 기반 데이터 워크플로우를 위한 논리적 변환 대수

Agentics 2.0: Logical Transduction Algebra for Agentic Data Workflows

에이전트 기반 인공지능은 연구 프로토타입 단계에서 벗어나 기업 환경으로 빠르게 확산되고 있으며, 그 요구사항은 단순히 텍스트 생성 능력뿐만 아니라 신뢰성, 확장성, 그리고 관찰 가능성과 같은 소프트웨어 품질 속성까지 포함합니다. 본 논문에서는 고품질의 구조화되고, 설명 가능하며, 타입 안전성을 갖춘 에이전트 기반 데이터 워크플로우를 구축하기 위한 경량화된 Python 기반 프레임워크인 에이전틱스 2.0을 제시합니다. 에이전틱스 2.0의 핵심은 논리적 변환 대수로서, 이는 대규모 언어 모델 추론을 타입이 지정된 의미 변환으로 공식화하며, 이를 변환 가능한 함수라고 부릅니다. 이 변환 가능한 함수는 스키마 유효성을 보장하고 증거의 지역성을 유지합니다. 변환 가능한 함수들은 대수적으로 정의된 연산자를 통해 더 큰 프로그램으로 구성되며, 비상태(stateless)의 비동기 호출 방식으로 병렬 실행됩니다. 제안된 프레임워크는 강력한 타입 시스템을 통한 의미적 신뢰성, 입력 및 출력 타입의 슬롯 간 증거 추적을 통한 의미적 관찰 가능성, 그리고 비상태 병렬 실행을 통한 확장성을 제공합니다. 또한, 재사용 가능한 디자인 패턴을 구현하고, 데이터 기반 발견을 위한 DiscoveryBench 및 자연어-SQL 의미 파싱을 위한 Archer와 같은 어려운 벤치마크에서 에이전틱스 2.0 기반 프로그램을 평가하여 최첨단 성능을 입증합니다.

Agentic AI is rapidly transitioning from research prototypes to enterprise deployments, where requirements extend to meet the software quality attributes of reliability, scalability, and observability beyond plausible text generation. We present Agentics 2.0, a lightweight, Python-native framework for building high-quality, structured, explainable, and type-safe agentic data workflows. At the core of Agentics 2.0, the logical transduction algebra formalizes a large language model inference call as a typed semantic transformation, which we call a transducible function that enforces schema validity and the locality of evidence. The transducible functions compose into larger programs via algebraically grounded operators and execute as stateless asynchronous calls in parallel in asynchronous Map-Reduce programs. The proposed framework provides semantic reliability through strong typing, semantic observability through evidence tracing between slots of the input and output types, and scalability through stateless parallel execution. We instantiate reusable design patterns and evaluate the programs in Agentics 2.0 on challenging benchmarks, including DiscoveryBench for data-driven discovery and Archer for NL-to-SQL semantic parsing, demonstrating state-of-the-art performance.