용어집 – Agentic Work in Real Life

이 용어집은 “Agentic Work in Real Life” 시리즈에서 사용한 기술 용어를 한곳에 모으고, 본문에서 핵심 주제로 다루지는 않았더라도 현재 AI와 Agentic Engineering 논의에서 자주 등장하는 몇 가지 용어를 추가합니다.

설명은 의도적으로 짧고 실무 중심으로 작성했습니다. 특히 AGI, ASI, Agentic AI, Frontier Model, Memory, Skill, Vibe Coding 같은 용어는 통일된 표준 정의가 없으며 제공자나 커뮤니티에 따라 조금씩 다르게 사용될 수 있습니다.

제품, 모델, 조직, 논문 이름을 모두 수록하지는 않습니다. 다만 SWE-bench나 ARC-AGI처럼 자체가 널리 사용되는 기술 용어나 Benchmark 계열로 자리 잡은 명칭은 예외로 포함합니다.

용어 / 약어	전체 명칭	간단히 설명하면
Acceptance Criteria	—	요구사항이나 변경이 비즈니스 및 기술적으로 충족되었는지 판단하는 기준.
Acceptance Test	—	시스템이나 기능이 정의된 비즈니스 수용 기준을 충족하는지 확인하는 테스트.
Accepted Change	—	충분한 기술적·비즈니스 검증을 거쳐 수용 가능한 것으로 채택할 수 있는 변경.
Access Control	—	누가 또는 무엇이 데이터, 기능, 시스템에 접근할 수 있는지 제어하는 메커니즘.
Active Parameters	—	Mixture-of-Experts 모델에서 특정 Token 또는 계산 단계에 실제로 활성화되는 전체 모델 파라미터의 일부.
ADR	Architecture Decision Record	중요한 아키텍처 결정과 그 배경, 근거를 짧고 버전 관리 가능한 형태로 기록한 문서.
Affected Analysis	—	변경으로 실제 영향을 받는 프로젝트, 모듈, 테스트를 찾아 작업과 검증 범위를 정밀하게 좁히는 분석.
Agent	—	모델, Context, Tools 및 기타 메커니즘을 조합해 여러 단계를 거쳐 목표를 추구하는 시스템.
Agent File	—	아키텍처, Build, 작업 규칙 등을 담는 프로젝트 또는 워크스페이스 전용 Agent 지침 파일. 자세한 내용은 4편.
Agent Harness	—	Context, Tools, 반복 루프, 상태, 실행을 오케스트레이션해 모델을 Agent로 동작하게 만드는 소프트웨어 환경.
Agent Infrastructure	—	규칙, Skills, Tests, Tooling, 검증 메커니즘 등 Agentic Work를 위한 재사용 가능한 기술·조직 기반.
Agent Skill	—	특정 유형의 작업을 어떻게 수행해야 하는지 Agent에게 설명하는 재사용 가능한 플레이북 또는 작업 절차.
Agent Time	—	Agent가 작업을 자율적으로 수행하는 시간.
Agent-readable	—	시스템의 중요한 구조, 규칙, 정보가 Agent가 찾고 이해할 수 있는 형태로 제공되는 특성.
Agent-verifiable	—	Agent가 Build, Lint, Tests, 아키텍처 규칙 같은 실행 가능한 Check로 결과를 검증할 수 있는 특성.
Agentic AI	—	답변 생성에 그치지 않고 여러 단계에 걸쳐 목표를 추구하고 실제 Action을 수행할 수 있는 AI 시스템의 포괄적 용어.
Agentic Coding	—	Coding Agents가 분석, 수정, 테스트 등 개발 프로세스의 일부를 자율적으로 수행하는 소프트웨어 개발 방식.
Agentic Work	—	AI Agents가 일정 수준의 자율성을 가지고 다단계 작업을 수행하는 작업 방식.
AGI	Artificial General Intelligence	여러 영역에서 인간 수준에 가깝거나 그에 준하는 폭넓고 일반화 가능한 능력을 가진 AI를 뜻하는 비표준화된 용어.
AI	Artificial Intelligence	지각, 언어, 학습, 계획, 문제 해결 등 일반적으로 지능과 연관된 작업을 수행하는 컴퓨터 시스템의 포괄적 용어.
AI Coding Assistant	—	개발자의 코드 작성과 수정을 돕는 AI 도구. Coding Agent보다 독립적인 Tool 사용과 자율성이 낮은 경우가 많다.
AI Safety	—	강력한 AI 시스템의 유해하거나 원치 않거나 통제되지 않은 행동을 제한하기 위한 연구 및 엔지니어링 분야.
Alignment	—	AI 시스템이 의도된 목표와 규칙, 인간의 감독에 맞게 행동하도록 만드는 작업.
Anonymization	—	개인을 더 이상 식별할 수 없도록 데이터를 변경하는 처리. 진정한 익명화와 가명화는 구분해야 한다.
API	Application Programming Interface	소프트웨어 컴포넌트나 서비스가 서로 통신할 수 있도록 정의된 인터페이스.
ARC-AGI	Abstraction and Reasoning Corpus for Artificial General Intelligence	일반화와 새로운 능력 습득을 평가하는 Benchmark 계열. 높은 점수가 AGI 달성을 보편적으로 증명하는 것은 아니다.
Architecture Constraint	—	특정 구조적 해결책을 허용하거나 배제해 Solution Space를 제한하는 아키텍처 규칙. 자세한 내용은 8편.
Architecture Review	—	변경이 시스템의 책임, 경계, 의존성, 아키텍처에 적합한지 중점적으로 살펴보는 Review.
ASI	Artificial Superintelligence	일반적인 인지 능력이 인간을 크게 뛰어넘는 AI를 가리키는 가설적 개념. 정의는 통일되어 있지 않다.
Authorization	—	사용자, Agent, 시스템이 특정 리소스에 접근하거나 행동을 수행할 권한이 있는지 결정하는 과정.
Benchmark	—	모델이나 시스템의 특정 능력 또는 특성을 측정하기 위한 표준화된 과제나 과제 모음.
Benchmark Contamination	—	Benchmark 과제 또는 매우 유사한 데이터가 이미 모델 학습 데이터에 포함되어 결과가 왜곡될 수 있는 문제.
Benchmark Overfitting	—	일반 성능이 함께 개선되지 않았는데도 알려진 Benchmark에 지나치게 맞춰 모델이나 시스템을 최적화하는 현상.
Big Ball of Mud	—	구조가 거의 드러나지 않고 결합도가 높으며 역사적으로 누적된 예외가 많은 시스템을 뜻하는 표현.
Broken Windows	—	눈에 보이는 방치된 예외나 규칙 위반이 비슷한 일탈을 더 많이 유도할 수 있다는 경향을 설명하는 비유.
Build	—	소스 코드와 기타 산출물을 실행 또는 배포 가능한 형태로 변환하는 과정으로, 이때 많은 오류가 함께 드러난다.
Cached Tokens	—	반복되는 Context의 Input Tokens 가운데 이미 계산된 상태를 제공자가 재사용할 수 있는 Tokens.
CapEx	Capital Expenditure	자체 AI 하드웨어처럼 장기간 사용하는 자산에 대한 자본적 지출.
Chain of Thought (CoT)	Chain of Thought	모델의 중간 Reasoning 단계를 가리키는 용어. 사용자에게 보이는 요약이 내부의 전체 Reasoning 경로와 동일한 것은 아니다.
CI	Continuous Integration	변경을 자동으로 통합하고 검증하는 과정으로, 보통 Build, Lint, Tests를 포함한다.
CI/CD	Continuous Integration / Continuous Delivery or Deployment	소프트웨어를 검사하고 Build하며, 구성에 따라 전달하거나 배포하는 자동화 Pipeline.
Cloud Model	—	외부 또는 내부 Cloud 제공자의 인프라를 통해 사용하는 AI 모델.
Coding Agent	—	코드베이스를 조사하고 파일을 수정하며 Tools를 실행하고 오류를 처리해 일관된 소프트웨어 변경을 만들 수 있는 Agent.
Cohesion	—	하나의 모듈이나 컴포넌트 안에 있는 책임들이 개념적·비즈니스적으로 얼마나 밀접하게 관련되어 있는지를 나타내는 정도.
Compute Budget	—	모델 요청, Agent Run, Evaluation에 사용할 수 있도록 제한된 계산 자원.
Computer Use	—	AI 시스템이 마우스, 키보드 또는 유사한 동작을 이용해 사람처럼 그래픽 사용자 인터페이스를 조작하는 능력.
Constraint	—	어떤 해결책, 데이터 흐름, 행동이 허용되는지 정하는 명시적 규칙이나 경계.
Context	—	현재 처리 단계에서 모델이 실제로 사용할 수 있는 정보.
Context Engineering	—	모델과 Agents에 필요한 관련 Context를 의도적으로 선택하고 구조화하며 지속적으로 관리하는 작업. 자세한 내용은 4편.
Context Window	—	모델 또는 특정 Endpoint가 한 번의 처리에서 고려할 수 있는 최대 Context 크기.
Contract	—	시스템 구성 요소 사이의 인터페이스, 데이터 형식, 동작, 책임에 대한 명시적 약속.
Converge	—	중요한 결정이 내려진 뒤 남은 Solution Space 안에서 가능한 한 일관되고 규율 있게 구현하는 단계. Diverge · Decide · Converge의 일부, 자세한 내용은 10편.
Coordination Time	—	인수인계, 질문, 동기화, Context Switching, Agents 또는 작업 단계 간 조정에 사람이 사용하는 시간.
Cost per Accepted Change	—	원하는 변경이 충분히 검증되고 최종 수용될 때까지 드는 전체 비용을 보는 엔지니어링 지표. 자세한 내용은 13편.
Cost per Run	—	한 번의 모델 또는 Agent Run에 드는 비용.
Cost per Successful Run	—	기술적으로 성공한 Agent Run 한 번당 비용으로, 성공에 이르기까지의 실패 시도 비용도 포함한다.
Cost per Token	—	모델이 처리하거나 생성한 Token 단위의 가격 또는 비용.
Coupling	—	모듈이나 컴포넌트 사이의 의존 정도. 결합도가 높을수록 독립적인 변경이 어려워지는 경우가 많다.
CQRS	Command Query Responsibility Segregation	조회 작업과 상태를 변경하는 작업을 의도적으로 분리하는 아키텍처 패턴.
Credit	—	AI 서비스에서 사용하는 제품별 과금 단위. 기술적으로 Token과 동일한 개념은 아니다.
CRUD	Create, Read, Update, Delete	데이터를 생성하고 읽고 수정하고 삭제하는 네 가지 기본 작업.
Data Minimization	—	특정 목적에 실제로 필요한 데이터만 처리하거나 제공하는 원칙.
Decide	—	열려 있는 대안을 평가하고 중요한 결정을 의식적으로 내리는 단계. Diverge · Decide · Converge의 일부, 자세한 내용은 10편.
Dependency Direction	—	모듈이나 Layer 사이의 의존성이 어느 방향으로 향할 수 있는지 정하는 아키텍처 규칙.
Dependency Graph	—	모듈, Libraries, Services 또는 다른 시스템 구성 요소 간 의존성을 그래프나 기술적 형태로 표현한 것.
Determinism	—	동일한 상태와 입력에 대해 재현 가능하게 같은 결과를 내는 시스템 특성.
Developer Experience (DX)	Developer Experience	이해 가능성, Tooling, 피드백 속도, 로컬 실행 가능성 등을 포함한 개발자의 작업 환경 품질.
Diff	—	파일이나 코드 두 버전 사이의 차이를 표현한 것.
Discovery	—	구현 전에 문제, Requirements, 열린 결정, 위험, 기술적 배경을 이해하고 명확히 하는 단계.
Distillation	—	큰 모델의 지식이나 행동을 더 작은 모델로 이전하는 기법.
Diverge	—	여러 해결 경로, 가설, 옵션을 의도적으로 열어 두고 탐색하는 단계. Diverge · Decide · Converge의 일부, 자세한 내용은 10편.
DPA / AVV	Data Processing Agreement / Auftragsverarbeitungsvertrag	개인정보를 처리하는 처리자와의 관계를 규정하는 계약. 독일에서는 Auftragsverarbeitungsvertrag, 즉 AVV라는 표현을 흔히 사용한다.
Drift	—	여러 결정이나 행동 단계를 거치며 – 한 번의 Run 안에서든 여러 변경에 걸쳐서든 – 원하는 규칙, 아키텍처, 의미, 동작에서 점진적으로 벗어나는 현상. 자세한 내용은 6편.
DRY	Don’t Repeat Yourself	지식이나 로직의 불필요한 중복을 피하는 원칙. 모든 유사성을 억지로 추상화하라는 뜻은 아니다.
GDPR / DSGVO	General Data Protection Regulation / Datenschutz-Grundverordnung	EU의 GDPR을 뜻하는 독일어 약어로, 개인정보 보호와 처리 규칙을 규정한다.
DTO	Data Transfer Object	시스템 구성 요소나 인터페이스 사이에서 정보를 전달하기 위한 데이터 구조로, 보통 자체 비즈니스 로직은 갖지 않는다.
E2E	End-to-End	여러 시스템 구성 요소를 가로지르는 전체 흐름을 테스트하거나 바라보는 방식.
Embedding	—	콘텐츠를 수치 벡터로 표현한 것으로, 의미적 유사성이나 관계를 계산해 비교하는 데 사용된다.
Engineering Capability	—	개인이나 조직이 소프트웨어를 안정적으로 이해하고 개발하고 변경하고 검증하고 운영할 수 있는 능력.
Eval	Evaluation	정의된 과제, 기준, 측정 방법을 이용해 모델이나 Agent System을 목적에 맞게 평가하는 것.
Evaluation Harness	—	Evals를 실행하고 Tools와 환경을 제공하며 실행 과정을 기록하고 결과를 평가하는 인프라.
Executable Architecture	—	문서에만 존재하지 않고 Tools, Tests, Static Checks 등으로 기계적으로 검증 가능한 아키텍처 규칙.
Feedback Loop	—	실행, 관찰, 검증, 수정의 반복을 통해 작업을 점진적으로 개선하는 순환 구조.
File Boundary	—	파일 또는 저장소 접근 수준의 경계. 동일한 정보가 다른 경로로 접근되지 않는다는 보장까지 자동으로 제공하지는 않는다.
Fine-Tuning	—	이미 학습된 모델을 추가로 Training하여 파라미터를 목적에 맞게 조정하는 과정.
Fixed Cost	—	이후 사용 횟수와 직접적으로 무관하게 먼저 발생하는 비용. Agent Infrastructure나 자체 하드웨어 비용 등이 해당된다.
Foundation Model	—	다양한 과제와 애플리케이션의 기반으로 사용할 수 있도록 폭넓게 학습된 기본 모델.
Frontier Model	—	특정 시점에 공개 또는 산업적으로 사용 가능한 AI 가운데 성능 최전선에 있는 모델을 가리키는 비공식 용어.
Function Calling	—	모델이 외부 함수나 Tools의 구조화된 호출을 요청할 수 있게 하는 메커니즘.
Generative AI	—	텍스트, 이미지, 오디오, 비디오, 코드 등 새로운 콘텐츠를 생성하는 AI 시스템.
GPU	Graphics Processing Unit	높은 행렬 연산 성능 때문에 AI 모델 Training과 Inference에 자주 사용되는 병렬 연산 프로세서.
Ground Truth	—	모델이나 시스템을 평가할 때 기준으로 삼는 참조값 또는 정답으로 간주되는 목표 답변.
Grounding	—	모델 응답을 구체적인 외부 데이터, 출처, 시스템 상태와 연결해 단순한 개연성 생성에 의존하는 범위를 줄이는 것.
Guardrails	—	AI 시스템의 원치 않는 입력, 출력, 행동을 제한하기 위한 기술적 또는 조직적 안전장치.
Hallucination	—	그럴듯해 보이지만 사실과 다르거나 근거가 없는 모델 출력.
Happy Path	—	오류, 예외, 특수 상황이 없는 이상적인 시스템 흐름.
Human Active Time	—	사람이 직접 분석하고 결정하고 설명하고 검증하거나 수정해야 하는 시간.
Human Capital	—	사람의 지식, 기술, 경험, 판단력을 장기적인 경제 자원으로 보는 개념.
Human Review	—	특히 도메인 지식, 책임, 맥락 판단이 필요한 곳에서 사람이 결과를 검토하는 것.
Independent Evidence	—	검증 대상 결과와 동일한 가정이나 동일한 생성 경로만 반복하지 않는 검증 증거.
Inference	—	이미 학습된 모델을 사용해 입력으로부터 출력을 계산하는 과정.
Inference-Time Compute	—	모델이 특정 과제를 수행하는 동안 사용하는 계산량으로, 추가 Reasoning 등이 포함될 수 있다.
Information Boundary	—	어떤 정보가 특정 영역, 프로세스, Agent 또는 Trust 영역 밖으로 나갈 수 있는지 정하는 경계.
Information Flow	—	정보가 Source, 시스템, Agents, Tools, 저장소, Output을 거쳐 이동하는 경로.
Information Hiding	—	내부 결정과 구현 세부사항을 안정적인 인터페이스 뒤에 숨기는 아키텍처 원칙.
Input Tokens	—	모델 요청에 입력되는 Tokens로, 사용자가 보는 정보와 시스템이 추가한 정보가 모두 포함될 수 있다.
Invariant	—	특정 변경과 무관하게 시스템에서 항상 유지되어야 하는 규칙이나 속성.
Jailbreak	—	특수하게 만든 입력을 통해 AI 시스템의 안전 또는 행동 경계를 우회하려는 시도.
KI (독일어 AI 약어)	Künstliche Intelligenz	독일어 Künstliche Intelligenz의 약어로 AI를 뜻한다. 이 시리즈에서는 주로 국제적으로 널리 쓰이는 AI를 사용한다.
KV Cache	Key-Value Cache	Token 생성 과정에서 반복 계산을 줄이기 위해 Attention 상태를 저장하는 캐시.
Layer	—	특정 책임과 명확한 의존 규칙을 가진 아키텍처 계층.
Least Privilege	—	사용자, Agent, 프로세스에 필요한 최소한의 권한만 부여하는 보안 원칙.
Legacy System	—	오랜 기간 변화하며 성장한 기존 시스템으로, 구조와 의존성 때문에 변경이 어려울 수 있다.
Lint / Linter	—	코드를 실행하지 않고 미리 정의된 품질, 스타일, 오류 규칙을 검사하는 정적 분석 도구 또는 과정.
LLM	Large Language Model	Token 시퀀스를 처리하고 일반적으로 새로운 Tokens를 단계적으로 생성하는 대규모 언어 모델.
LLM-as-a-Judge	—	한 언어 모델이 다른 모델의 답변 품질이나 정확성을 평가하는 방식.
Local Evidence	—	기존 Repository나 시스템에서 발견되는 예시, 구조, 규칙으로, Agent가 원하는 해결 방식을 추론하는 데 사용하는 근거.
Local Inference	—	자체 또는 직접 통제하는 인프라에서 AI 모델을 실행하는 것.
Local Model	—	로컬 또는 직접 통제하는 인프라에서 실행할 수 있는 모델.
Long-Horizon Agent	—	긴 시간과 많은 단계를 거쳐 복잡한 과제를 수행하는 Agent.
Machine Learning	—	모든 규칙을 사람이 직접 프로그래밍하는 대신, 모델이 데이터에서 행동 패턴을 학습하는 AI의 하위 분야.
Marginal Cost	—	한 단위를 추가로 처리할 때 발생하는 추가 비용. 예를 들어 Agent Run 한 번이나 변경 한 건이 더 늘어날 때의 비용.
MCP	Model Context Protocol	AI 애플리케이션이 Tools와 외부 데이터 소스를 표준화된 방식으로 연결할 수 있게 하는 개방형 프로토콜.
Memory	—	모델 Weights 밖에 존재하는 지속적 저장소로, 이후 필요한 정보를 현재 Context로 다시 가져올 수 있다.
Model	—	입력을 처리해 출력을 계산하도록 학습된 수학적 시스템.
Model Card	—	모델의 능력, Evaluations, 한계, 위험, 권장 사용 목적 등을 정리한 문서.
Model Review	—	다른 모델을 이용해 결과를 검토하는 방식. 유용하지만 생성 모델이 가진 가정으로부터 자동으로 독립적이지는 않다.
Model Routing	—	과제, 위험, 비용, 필요한 성능에 따라 서로 다른 모델이나 설정을 선택하는 방식.
Model Score	—	모델이 Benchmark에서 얻은 점수. Agent의 경우 Harness, Tools, Context, Compute의 영향을 크게 받을 수 있다.
Module Boundary	—	모듈의 내부에서 무엇을 숨기고 다른 부분이 어떤 인터페이스를 통해 접근할 수 있는지 정의하는 경계.
MoE	Mixture of Experts	여러 Expert 서브네트워크로 구성되며 매 처리 단계마다 그중 일부만 활성화되는 모델 아키텍처.
Monorepo	—	여러 애플리케이션, Libraries, Services를 하나의 Repository에서 함께 버전 관리하고 운영하는 구조.
Multi-Agent System	—	여러 Agents가 부분 과제나 하나의 공동 목표를 위해 협력하는 시스템.
Multimodal	—	텍스트, 이미지, 오디오, 비디오 등 여러 Modalities를 처리하거나 생성할 수 있는 모델 또는 시스템 능력.
Noise	—	실제로 유용한 정보를 가리는 불필요하거나 무관하거나 품질이 낮은 출력.
Non-Determinism	—	같거나 매우 비슷한 입력이 반드시 정확히 같은 해결 경로나 결과를 만들지는 않는 특성.
Open Source	—	적절한 라이선스에 따라 소스 코드를 접근하고 사용하고 수정할 수 있는 소프트웨어. AI에서는 Open Weights와 자동으로 같은 의미가 아니다.
Open Weights	—	학습된 모델 Weights가 공개된 모델. Training Data, Training Code, 전체 Pipeline까지 공개되었다는 뜻은 아니다.
OpEx	Operating Expenditure	API 사용료, 전기, Hosting, 운영 관리처럼 지속적으로 발생하는 운영비.
Output Tokens	—	모델이 요청 처리 중 생성하는 Tokens.
Paradigm Drift	—	처음 선택한 아키텍처 또는 개발 패러다임에서 점진적으로 벗어나 다른 패턴으로 이동하는 현상.
Parameters	—	모델 행동을 결정하는 데 기여하는 학습된 수치값.
Pass@1	—	첫 번째로 생성된 해결 시도가 성공하는지를 보는 Benchmark 지표.
Pass@k	—	k개의 생성 시도 가운데 적어도 하나의 성공한 해결책이 존재할 확률을 나타내는 Benchmark 지표.
Path Dependency	—	초기 결정이 이후 가능한 해결 경로와 Context에 영향을 주는 특성.
Personal Data	—	식별되었거나 식별 가능한 자연인과 관련된 정보.
Post-Training	—	기본 Pre-Training 이후 진행되는 추가 Training과 조정 단계로, 행동, Reasoning, 안전성, 과제 특화 등에 사용된다.
Pre-Training	—	대규모 데이터에서 일반적인 패턴과 능력을 학습하는 모델의 기본 Training 단계.
Privacy by Design	—	개인정보 보호를 나중에 덧붙이는 것이 아니라 시스템 아키텍처와 설계 단계부터 반영하는 원칙.
Probabilistic	—	출력이 확률 분포에 기반하는 시스템을 뜻하며, 같은 입력이라도 항상 완전히 같은 결과가 나오지는 않을 수 있다.
Progressive Disclosure	—	현재 과제에 필요해지는 시점에만 정보나 Skills를 Context에 불러오는 원칙.
Prompt	—	특정 작업을 위해 모델에 제공하는 입력 또는 지시.
Prompt Caching	—	반복되는 Prompt 또는 Context 부분의 이미 계산된 상태를 재사용해 비용이나 지연 시간을 줄이는 방식.
Prompt Engineering	—	모델에 주는 지시와 입력을 설계하는 작업. Agentic Systems에서는 Requirements Engineering 및 Context Engineering과 점점 더 밀접해지고 있다.
Prompt Injection	—	Context 안의 콘텐츠가 원래 사용자나 시스템의 의도와 반대되는 행동을 하도록 모델을 유도하는 공격 또는 원치 않는 지시.
Pseudonymization	—	직접 식별자를 대체하거나 분리하는 처리. 재식별 가능성이 남아 있다면 여전히 개인정보로 간주된다.
Quantization	—	메모리 사용량과 계산량을 줄이기 위해 모델 값의 수치 정밀도를 낮추는 기법.
RAG	Retrieval-Augmented Generation	생성 전 또는 생성 중에 외부 정보를 검색하고 추가 Context로 제공하는 방식.
Reasoning	—	복잡한 과제를 더 체계적으로 해결하기 위해 사용하는 추가적인 내부 또는 명시적 처리 단계.
Reasoning Effort	—	모델이 특정 과제에 얼마나 많은 계산 또는 Reasoning 자원을 사용할지 정하는 설정.
Reasoning Model	—	다단계 문제 해결과 추가 Inference 계산에 최적화된 모델을 가리키는 표현.
Reasoning Tokens	—	일부 API에서 내부 Reasoning에 사용된 것으로 별도 계산되는 Tokens 또는 계산 단계. 모두 출력 텍스트로 보이지 않을 수 있다.
Red Teaming	—	의도적으로 공격적인 테스트를 수행해 취약점, 오작동, 원치 않는 Edge Case를 찾는 활동.
Reinforcement Learning (RL)	Reinforcement Learning	피드백이나 보상 신호를 이용해 행동을 최적화하는 Training 방식.
Repository	—	소스 코드, 설정, Tests, 기타 프로젝트 산출물을 버전 관리하는 저장소.
Requirements	—	시스템이나 변경이 무엇을 해야 하며 어떤 조건을 만족해야 하는지 정의하는 비즈니스 및 기술 요구사항.
Requirements Engineering	—	시스템이나 변경에 필요한 Requirements를 체계적으로 도출하고 명확히 하며 문서화하고 검증하는 활동.
Responsibility Drift	—	코드나 컴포넌트가 원래 다른 위치에 있어야 할 책임까지 점차 떠맡게 되는 현상.
Responsibility Verification	—	변경이 동작하는지만 보지 않고 올바른 비즈니스 또는 기술적 책임 영역에 위치하는지도 확인하는 것.
Retrieval	—	현재 작업에 필요한 외부 또는 저장된 정보를 목적에 맞게 찾아 제공하는 과정.
Review	—	사람이나 다른 시스템이 변경의 정확성, 품질, 위험, 시스템 적합성을 평가하는 과정.
Review Bottleneck	—	변경이 생성되는 속도가 제대로 검토하고 수용할 수 있는 속도보다 빨라질 때 생기는 병목.
RLHF	Reinforcement Learning from Human Feedback	사람의 선호나 평가를 신호로 사용해 모델 행동을 조정하는 Reinforcement Learning 방식.
ROI	Return on Investment	투자에서 얻는 경제적 가치와 투입한 비용의 비율.
Sampling	—	모델이 평가한 다음 Token 후보들 가운데 실제 Token 하나를 선택하는 과정.
Scaffold	—	모델 주변에 구성된 Agent 또는 Evaluation 구조를 뜻하는 다른 표현으로, Harness와 비슷하게 사용되는 경우가 많다.
Scope	—	작업이나 변경의 명확한 범위로, 명시적으로 제외되는 항목도 포함한다.
SCS	Self-contained System	비즈니스 기준으로 잘라낸 시스템들이 최대한 독립적으로 동작하고 명확히 정의된 통합 지점만 갖도록 하는 아키텍처 접근법.
Semantic Search	—	동일한 단어 일치보다 의미적 유사성을 기준으로 검색하는 방식으로, 흔히 Embeddings를 사용한다.
Separation of Concerns	—	서로 다른 책임과 문제 유형을 의도적으로 분리하는 원칙.
SLM	Small Language Model	상대적으로 작은 언어 모델을 가리키는 느슨한 용어로, 낮은 비용, 로컬 실행, 특화 과제에 최적화되는 경우가 많다.
Solution Space	—	한 문제에 대해 원칙적으로 가능한 해결 경로의 전체 범위. Requirements와 Constraints가 이를 좁힐 수 있다.
Specification	—	원하는 동작, 변경, 시스템을 가능한 한 구체적으로 설명한 정의.
Static Analysis	—	코드를 실행하지 않고 타입 오류, Lint 규칙, 아키텍처 위반 등을 분석하는 방식.
Stop Condition	—	Agent가 자율 작업을 멈추고 질문이나 인간의 결정을 요구하도록 미리 정의한 조건.
SWE	Software Engineering	소프트웨어를 체계적으로 설계하고 개발하고 검증하고 운영하며 지속적으로 발전시키는 학문과 실무 영역.
SWE-bench	Software Engineering Benchmark	실제 GitHub Issues와 Repository 변경을 사용해 Coding Models와 Agents를 평가하는 Benchmark 계열.
SWE-bench Pro	—	더 넓은 Repository와 과제 구성을 사용하고 실제 Agentic Software Work에 더 초점을 둔 난도가 높은 SWE-bench 변형.
SWE-bench Verified	—	문제가 있거나 모호한 과제를 줄이기 위해 사람이 검토한 SWE-bench의 하위 집합.
Synthetic Data	—	실제 데이터를 모방하거나 보완하도록 인공적으로 생성한 데이터로, Training, Tests, Privacy 등에 사용할 수 있다.
System Prompt	—	세션이나 애플리케이션에서 모델의 행동, 역할, 경계를 정하는 상위 수준 지침.
System Score	—	모델뿐 아니라 Harness, Tools, Context, 기타 실행 조건을 모두 포함한 전체 평가 시스템의 점수.
TDD	Test-Driven Development	구현보다 먼저 또는 구현 직전에 Tests를 작성해 설계 자체에 영향을 주도록 하는 개발 방식.
Technical Debt	—	단기 기술 결정, 부족한 유지보수, 의도적으로 미룬 품질 작업 때문에 미래에 추가로 발생하는 비용.
Temperature	—	높은 확률의 Token이 낮은 확률의 선택지보다 얼마나 강하게 선호될지를 조절하는 Sampling 파라미터.
Test-Time Compute	—	모델 사용 시 투입되는 추가 계산 자원을 뜻하는 다른 표현으로, Inference-Time Compute와 거의 같은 맥락에서 쓰인다.
Token	—	언어 모델의 처리 단위로, 하나의 단어, 단어 일부, 문자 또는 다른 텍스트 조각이 될 수 있다.
Token Budget	—	Context, 생성, Agent Run에 사용할 수 있도록 설정한 최대 또는 계획된 Token 양.
Tokenizer	—	텍스트를 언어 모델이 처리하는 Token IDs로 변환하는 컴포넌트.
Tool	—	파일 접근, 검색, Shell, Browser, API처럼 모델이나 Agent가 사용할 수 있는 외부 기능.
Tool Calling	—	모델이 외부 Tools를 통해 구조화된 Action을 실행하도록 요청하는 메커니즘.
Top-K	—	다음 Token 후보 중 확률이 가장 높은 k개만 선택 후보로 두는 Sampling 방식.
Top-P	Nucleus Sampling	누적 확률이 최소 p에 도달하는 가장 작은 고확률 Token 후보 집합에서 Sampling하는 방식.
Total Parameters	—	각 계산 단계에서 전부 활성화되는지 여부와 관계없이 모델이 가진 전체 파라미터 수.
Training	—	데이터와 최적화 목표를 사용해 모델 파라미터를 조정하는 과정.
Trajectory	—	Agent의 관찰, 모델 단계, Tool Calls, Actions, 중간 상태를 기록한 전체 실행 경로.
Transformer	—	Attention을 기반으로 한 신경망 아키텍처로, 현대 LLM 발전에 핵심적인 역할을 했다.
Trust Boundary	—	서로 다른 신뢰 또는 보호 수준을 가진 영역 사이의 경계로, 이를 넘는 과정은 의도적으로 통제해야 한다. 자세한 내용은 9편.
Unit Test	—	작고 가능한 한 독립된 소프트웨어 단위를 대상으로 하는 테스트.
Validation	—	올바른 문제를 해결하고 있는지 또는 의도한 비즈니스 목적을 만족하는지 확인하는 것. 실무에서는 Verification과 엄격히 구분되지 않는 경우가 많다.
Variable Cost	—	사용량이나 생산량이 늘수록 함께 증가하는 비용으로, API나 Token 비용 등이 해당된다.
Vector Database	—	Embeddings 같은 벡터 표현을 저장하고 유사도 검색을 지원하는 데이터베이스.
Verification	—	변경이나 주장에 대해 그것이 정확하고 수용 가능하다는 신뢰할 만한 근거가 무엇인지 확인하는 과정.
Verification Debt	—	미뤄졌거나 빠진 검증 작업 때문에 나중에 불확실성과 추가 검증 비용이 생기는 상태. 자세한 내용은 12편.
Verification Diversity	—	모든 Check가 같은 가정과 오류 유형을 공유하지 않도록 여러 검증 방식을 조합하는 것. 자세한 내용은 12편.
Verification Surface	—	하나의 변경을 책임 있게 수용하려면 확인해야 하는 모든 측면의 전체 범위. 자세한 내용은 12편.
Vibe Coding	—	주로 자연어와 AI 생성 코드를 통해 소프트웨어를 만드는 비공식 개발 방식. 좁은 의미에서는 직접 코드 검토가 적은 경우를 뜻한다.
VLM	Vision-Language Model	시각 정보와 언어를 함께 처리하는 모델로, 멀티모달 시스템을 설명할 때 점점 더 자주 사용된다.
VRAM	Video Random Access Memory	GPU의 비디오 메모리. 로컬 Inference에서는 모델 크기와 Context를 제한하는 핵심 요소가 되는 경우가 많다.
Wall Clock	—	작업 시작부터 종료까지 실제로 흐른 시간으로, 그중 사람이 직접 일한 시간이 얼마나 되는지는 구분하지 않는다.
Weights	—	신경망이 학습한 수치값. LLM 실무에서는 Model Parameters와 거의 같은 의미로 쓰이는 경우가 많다.
Workflow Lock-in	—	프로세스, Tools, 데이터, Agent Infrastructure가 특정 제공자나 Workflow에 강하게 결합되면서 전환 비용이 커지는 현상.
World Model	—	환경이 어떻게 작동하고 Actions가 그 상태를 어떻게 바꿀 수 있는지를 나타내는 내부 또는 명시적 표현.

---

업데이트: 2026년 9월. 이 용어집은 이 시리즈와 현재 기술 담론에서 실제로 사용되는 의미를 기준으로 설명합니다. 표준화되지 않은 용어의 경우 짧은 설명은 규범적 정의가 아니라 실무적인 맥락 설명을 의도합니다.