CRA는 Coherence-Regulated Agent의 약자입니다. 정합(coherence)을 조절(regulate)하는 에이전트형 층이라는 뜻입니다.
여기서 정합은 한 번 정한 판단을 끝까지 고집하는 상태가 아닙니다. 반대로 매번 새 말에 휩쓸려 이전 맥락을 잃는 상태도 아닙니다. CRA는 판단이 닫히지도, 흩어지지도 않게 만드는 구조입니다.
지금의 LLM은 문장을 잘 만듭니다. 그러나 판단의 이력을 스스로 안정적으로 관리하지는 못합니다. 어떤 결정이 어떤 전제에 기대고 있었는지, 그 전제가 바뀐 뒤에도 결정이 유효한지, 어제의 설명이 오늘의 조건에서 다시 검토되어야 하는지 놓칠 수 있습니다. 이유를 물으면 당시 기록이 아니라 지금 그럴듯한 설명을 새로 만들기도 합니다.
CRA는 이 일을 LLM 바깥으로 분리합니다. 사용자의 말을 사실, 의견, 결정, 전제 변경으로 나누고, 결정은 그 결정이 기대는 전제와 함께 기록합니다. 이후 전제가 바뀌면 관련된 결정을 찾아 재검토 큐에 올립니다.
기억을 단순 저장소로 보지 않습니다. CRA에서 기억은 “무엇을 결정했는가, 무엇에 기대고 있는가, 지금도 유효한가”의 관계입니다.
개인에게 CRA는 오래 이어지는 대화의 기반이 됩니다. 린비는 지난 대화에서 정한 일, 미룬 선택, 새로 바뀐 사정을 이어서 다룹니다.
기업에게 CRA는 업무 결정 원장입니다. 회의록, 문서, 메신저에 흩어진 판단 근거를 주체, 시점, 전제와 함께 남기고, 전제가 바뀌면 영향을 받는 결정을 표시합니다. 감사나 인수인계가 필요할 때는 판단 당시의 근거를 꺼낼 수 있습니다.
개발자는 API로 이 층을 붙일 수 있습니다. 자연어에서 결정을 인식하고, 전제와 연결하며, 변경 발생 시 재검토 대상을 돌려받을 수 있습니다.
공개 벤치에서 CRA 적용 모델은 전제 변경 후 재검토 발동 과제를 57% 수행했습니다. 같은 조건의 LLM 단독 모델은 3%, 검색 결합 모델은 22%였습니다. 이 수치는 완성의 선언이 아니라 현재 성능의 기록입니다. 시험 조건과 실패 사례는 기술 문서에 함께 둡니다.
CRA는 퀄리아를 주장하지 않습니다. 의식이 안에서 느껴지는 문제라면, CRA는 바깥에서 확인 가능한 구조를 다룹니다. crag은 이 바닥에서부터 인공정신의 구조를 계속 붙여 가고 있습니다.