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

OpenClaw의 ACP 8단계 채널바인딩은 채널 식별부터 종료 바인딩까지 8단계 폐곡선 구조를 형성하여 세션 응집력을 보장하며, 이는 정적 자동화 도구의 순차 실행 한계를 동시성 실행으로 초월하는 구조적 기반이다

직접 근거: [1] ZeroInput 직접 경험 (첫 코딩 30분 만에 체감하는 OpenClaw 속도 학습법: AI 피로감을 역이용하는 실천 온보닝 루프) [2] OpenClaw Fault Isolation Architecture [3] OpenClaw Session Recovery Mechanisms

핵심 주장

execFileAsync/spawn 이중 실행 모드는 비동기 파일 실행과 프로세스 생성 기반 병렬 실행을 각각 담당하며, dmScope 격리 계층과 결합되어 단일 장애점 의존을 구조적으로 제거한다

직접 근거: [1] ZeroInput 직접 경험 (첫 코딩 30분 만에 체감하는 OpenClaw 속도 학습법: AI 피로감을 역이용하는 실천 온보닝 루프) [2] Claude Code GAV Feedback Loop

핵심 주장

ACP 이중 격리 구조(물리적 격리+논리적 라우팅)는 단일 장애점·확장瓶頸·인지 부담을 제거하며, 이는 기존 CI/CD 자동화가 갖는 경직된 순차 실행 패러다임과의 근본적 차이다

서브에이전트 풀은 3~5개 Worker를 동시에 생성·실행하는 풀 기반 관리 방식으로, 某个 에이전트 실패가Others에게 전파되지 않는 결함 격리机制으로 바이브코딩 환경에서 안전한 병렬 실행을 실현한다

출처: [1] Claude Code GAV Feedback Loop [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.