AI Engineering: AI의 도래, 거위와 함께 12일차

Source: Dev.to

Day 12: The Festival Mascot Crisis

What is MCP?

MCP (Multi‑Agent Consensus Protocol) 샘플링은 서로 다른 사고 방식을 가진 여러 AI 페르소나를 조직하여 토론하고 민주적으로 투표할 수 있게 하는 확장 기능을 제공합니다. 이 확장은 AI 출력물을 받아 지능적인 분석을 반환하고 이를 goose에 다시 전달함으로써, 시스템이 단순한 데이터 제공자가 아니라 전문가 역할을 할 수 있게 합니다.

The Challenge: Convene the Council

• Goal: MCP 샘플링을 사용해 goose 안에서 지능적인 다중 에이전트 추론을 조직한다.
• Approach: 아홉 명의 AI 페르소나가 위원회를 구성하고, 주제에 대해 토론한 뒤 투표를 통해 집단 결정을 내렸다.

MCP Sampling Overview

Normal extension flow:

Extension receives AI output → Returns intelligent analysis → goose

MCP sampling flow:

Extension receives AI output → Generates multiple AI personas → Personas debate & vote → Synthesized decision → goose

Why MCP Sampling Matters

• 여러 AI 페르소나를 생성할 수 있다.
• 분산된 추론을 지원한다.
• 도메인 전문성을 시뮬레이션한다.
• 복잡한 결정을 민주적으로 토론할 수 있게 한다.
• 다양한 AI 관점을 조정하는 오케스트레이터로 확장을 변환한다.

Real‑World Applications

• 다중 관점 분석
• 지능형 문서화
• 컨텍스트‑인식 검색
• 데이터베이스 분석
• 다중 전문가 코드 리뷰

Submissions and Debates

• Debates Conducted: 총 6회 (단순 및 복합 주제)
• Complex Topics: 2개
• Most Influential Council Member: Pragmatist (11표, 복합 결정에서 주도)

Universal Patterns Observed

• 증거가 이념보다 일관되게 우수했다.
• 약속 전에 테스트하는 것이 선호되었다.
• 접근성 고려가 모든 결정에 나타났다.
• 약 60/40의 혁신‑대‑전통 비율이 형성되었다.
• 대규모 변화보다 점진적 접근이 선호되었다.

MCP Sampling Capabilities Demonstrated

• 고유한 사고 방식을 가진 아홉 개의 distinct AI 페르소나.
• 집단 지능을 드러내는 민주적 투표.
• 각 관점의 가장 강력한 요소를 결합한 합성.
• 단일 관점 분석에 비해 우수한 결정 품질.

Requirements for Complex Decision Making

• 상호 의존성을 이해하는 시스템‑레벨 사고.
• 위험을 줄이는 실용적 접근.
• 자원을 투입하기 전 증거 기반 검증.
• 가정을 테스트하기 위한 점진적 구현.
• 포괄적인 결과를 보장하는 접근성 고려.

Insights

모든 토론에서 위원회는 가장 강력한 결정이 다음에서 나온다는 점을 일관되게 보여주었다:

• 여러 유효한 관점을 인식한다.
• 확장하기 전에 가정을 테스트한다.
• 혁신과 검증된 방법 사이의 균형을 맞춘다.
• 핵심 가치를 보존하면서 진화를 가능하게 한다.
• 데이터를 활용해 결정을 이끌어 내고, 단순히 정당화에만 사용하지 않는다.

Final Thoughts

Day 12 Outcome: 마스코트 위기가 해결되었으며, 위원회가 해결책을 선택했다. 이 게시물은 Advent of AI 여정의 일부로, goose와 함께하는 AI Engineering 모험을 기록한다.