Jev로 더 빠르고 스마트한 에이전트 하네스 구축하기

메타데이터

• 날짜: 2026-09-26
• 채널: TechBridge-KR
• 원문 제목: [한영자막] Jev로 더 빠르고 스마트한 에이전트 하네스를 구축하는 방법입니다
• 원문 URL: https://www.youtube.com/watch?v=BJeHhsMVc8A
• video_id: BJeHhsMVc8A
• 콘텐츠 유형: YouTube 기술 다이제스트
• 주요 주제: Jev, TypeSafe AI, System 1 모델, LangChain, 에이전트 하네스, 모델 라우팅, 런타임 안전성, 온라인 평가

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==모든 판단을 느리고 비싼 대규모 언어 모델(LLM)에 맡기지 말고, 빠르고 저렴한 정형 판단을 Jev에 분리하면 에이전트 하네스(agent harness)의 속도·비용·안전성을 함께 개선할 수 있다.==

• Jev는 텍스트를 생성하는 범용 LLM이 아니라 상태(state), 질문(question), 타입이 있는 답변(typed answer), 확률(probability)을 다루는 System 1 모델이다.
• 분류형 작업에서 Jev는 LLM보다 20~200배 빠르고 40~400배 저렴하다고 소개된다.
• 모델 라우팅, 위험한 도구 호출 차단, 온라인 평가의 자동 심사처럼 반복적이고 정형화된 에이전트 판단을 Jev로 분리할 수 있다.

에이전트의 핵심 루프는 요청을 LLM에 전달하고, LLM이 도구를 호출해 결과를 받은 뒤 다시 판단하는 과정을 반복하는 구조다. 이 루프는 강력하지만 LLM은 텍스트를 입력받아 텍스트를 출력하므로 예측 가능성이 낮다. 도구 호출(tool calling)과 구조화된 출력(structured outputs)은 이 문제를 완화했지만, 단순 분류와 안전성 판단까지 비싼 LLM에 맡길 필요는 없다. Jev는 이런 좁고 명확한 판단을 병렬·정형 방식으로 처리하는 계층을 에이전트 하네스에 추가한다.

1. 에이전트 루프를 코드가 다룰 수 있게 만드는 기본 프리미티브

에이전트는 LLM의 개방형 생성 능력과 코드 애플리케이션의 엄격한 타입 시스템 사이를 연결해야 한다.

1.1. 기본 에이전트 루프의 작동 방식

1. 요청에서 행동으로 이어지는 반복 루프

   1. 요청 수신: 사용자의 요청이 에이전트에 들어오면 먼저 LLM에 전달된다.
   2. 도구 호출: LLM은 필요한 행동을 결정하고 도구(tool)를 호출한다.
   3. 결과 처리: 도구가 결과를 반환하면 LLM이 결과를 읽고 다음 도구 호출을 이어가거나 작업을 종료한다.

2. 강력하지만 예측하기 어려운 생성 모델

   1. 텍스트의 비결정성: LLM은 텍스트를 입력받아 텍스트를 출력하므로, 코드가 바로 소비할 수 있는 구조가 항상 보장되지 않는다.
   2. 코드 중심 애플리케이션의 요구: 실제 소프트웨어는 원시 텍스트보다 구조화된 타입(structured type)에 의존하므로, 모델 출력에 일정한 형식을 부여해야 한다.

1.2. 도구 호출과 구조화된 출력

1. 도구 호출(tool calling)

   1. 구조화된 요청: 모델이 단순 문장이 아니라 get order 요청과 주문 ID 같은 필드를 갖춘 요청을 보낸다.
   2. 구조화된 결과: 도구는 주문 정보처럼 미리 정의된 구조의 데이터를 반환하고, 모델은 그 결과를 다음 판단에 사용한다.

2. 구조화된 출력(structured outputs)

   1. 출력 타입 결합: 모델에 원하는 출력 타입을 바인딩하면 모델은 임의의 텍스트 대신 지정된 JSON 스키마(JSON schema)를 따르는 최종 결과를 생성한다.
   2. 코드와 모델의 접점: 도구 호출과 구조화된 출력이라는 두 프리미티브 덕분에 코드 기반 애플리케이션이 에이전트 루프를 안정적으로 사용할 수 있다.

2. Jev의 정체: 텍스트 생성기가 아닌 System 1 모델

Jev는 TypeSafe AI가 만든 범용 대화형 LLM의 대체재가 아니라, 소프트웨어가 직접 사용할 수 있는 빠른 정형 판단 모델이다.

2.1. 상태·질문·타입이 있는 답변

1. System 1 모델의 정의

   1. 빠른 정형 의사결정: TypeSafe AI의 문서에 따르면 System 1 모델은 소프트웨어가 직접 사용할 수 있는 빠르고 구조화된 결정을 내리도록 설계된 AI 모델이다.
   2. 상태와 질문의 평가: 모델은 어떤 상태(state)와 질문(question)을 받고, 타입이 있는 답변(typed answer)과 확률(probability)을 반환한다.
   3. 텍스트 입출력과의 차이: 전통적인 LLM처럼 텍스트를 받아 텍스트를 생성하는 방식이 아니라, 정의된 질문에 대해 코드가 소비할 수 있는 답을 즉시 낸다.

2. System 1이라는 이름의 배경

   1. Daniel Kahneman의 구분: 『Thinking, Fast and Slow』는 사고를 빠르고 값싼 직관적 System 1과 느리고 비싼 숙고형 System 2로 나눈다.
   2. 모델 설계에 적용된 비유: TypeSafe AI는 빠르고 저렴하며 거의 즉시 타입이 있는 결정을 내리는 Jev를 System 1로 부른다.
   3. LLM과의 대비: 표준 LLM은 개방형 문제를 단계적으로 추론하는 데 더 적합한 System 2 쪽에 가깝고, Jev는 명확한 정형 판단을 빠르게 처리한다.

2.2. 속도·가격·적용 범위

1. 분류 작업에서의 성능 이점

   1. 속도: 분류형 작업에서 Jev는 LLM보다 20~200배 빠를 수 있다고 소개된다.
   2. 비용: 같은 종류의 작업에서 40~400배 저렴할 수 있다고 설명된다.
   3. 즉시성의 의미: 에이전트의 매 도구 호출 앞뒤에 정형 판단을 추가해도 사용자가 체감하는 지연을 크게 늘리지 않을 수 있다.

2. 범용 대체재가 아닌 전문화 계층

   1. 드롭인 대체 불가: Jev는 LLM을 그대로 바꿔 끼우는 모델이 아니다.
   2. 잘 맞는 작업: 분류, 점수 산정, 이진 판단처럼 답변 공간이 명확한 작업을 LLM에서 Jev로 옮기는 방식이 적합하다.
   3. LLM과의 분업: 개방형 생성과 복잡한 단계별 추론은 LLM에 남기고, 빠르게 반복되는 결정은 Jev가 맡는다.

2.3. PII 분류 데모가 보여준 차이

1. 동일 질문에 대한 서로 다른 응답 방식

   1. 질문: 주어진 텍스트에 개인 식별 정보(PII, personally identifiable information)가 포함되어 있는지를 묻는다.
   2. LLM의 처리: LLM은 설명 텍스트와 구조화된 출력을 생성하며 약 5초가 걸린다.
   3. Jev의 처리: Jev는 거의 즉시 개인 식별 정보가 있을 확률을 98%라고 반환한다.

2. 에이전트 설계상의 의미

   1. 단순 판단의 최적화: PII 존재 여부처럼 답이 분류에 가까운 문제를 매번 생성형 LLM에 맡기는 것은 속도와 비용 측면에서 비효율적일 수 있다.
   2. 판단 지점 확장: 현재 에이전트가 LLM에 맡긴 여러 분류·의사결정 단계를 Jev로 옮길 후보로 볼 수 있다.

3. Jev가 답하는 세 가지 질문 유형

하나의 상태에 대해 선택, 점수, 이진 판단을 요청할 수 있으며 여러 질문을 한 번에 병렬 처리할 수 있다.

3.1. 예시 상태와 선택(choice) 질문

1. 고객 상태 정의

   1. 원문 상태: "3일째 Stripe 계정을 연결하려고 했지만 계속 실패하고 있습니다. 매출을 잃고 있으니 최대한 빨리 도와주세요."라는 고객 메시지를 상태로 넣는다.
   2. 상태의 정보량: 결제 서비스 연결 실패, 문제 지속 기간 3일, 매출 손실, 높은 긴급성이 하나의 상태에 함께 들어 있다.

2. 선택 질문의 답변

   1. 질문: 이 문제를 어느 팀이 처리해야 하는지를 여러 선택지 중 하나로 고른다.
   2. 결과: billing 팀에 해당하는 점수는 0.84이며, confidence는 0.596으로 제시된다.
   3. 활용: 고객 문의를 담당 팀으로 자동 라우팅하거나 후속 에이전트의 전문 영역을 선택할 수 있다.

3.2. 연속 점수(score) 질문

1. 감정 상태를 척도로 표현

   1. 질문: 고객이 calm, frustrated, very angry 중 어느 정도로 보이는지를 연속적인 척도로 평가한다.
   2. 결과: 점수는 1.035로, 고객이 좌절한 상태이지만 매우 화난 단계까지는 아니라는 해석이 가능하다.

2. 정량 판단의 장점

   1. 경계값 기반 처리: 점수에 따라 일반 응대, 우선 처리, 사람에게 에스컬레이션 같은 정책을 나눌 수 있다.
   2. 문맥 보존: 감정이라는 모호한 개념도 정해진 척도와 점수로 바꿔 후속 코드가 사용할 수 있다.

3.3. 이진·확률(dual) 질문

1. 예·아니오에 가까운 판단

   1. 질문: 고객 메시지가 긴급성 또는 시간 민감성을 전달하는지를 묻는다.
   2. 결과: 0에서 1 사이의 값으로 0.999가 반환되어, 해당 사례의 긴급성이 매우 높음을 나타낸다.

2. 정책 실행 연결

   1. 즉시 우선순위 부여: 높은 확률이면 일반 큐를 건너뛰고 우선 처리 경로로 보낼 수 있다.
   2. 형식의 명확성: 자연어 설명을 다시 해석하지 않고 확률값을 바로 런타임 조건문에 연결할 수 있다.

3.4. 여러 질문의 병렬 처리

1. 하나의 상태에 여러 질문 보내기

   1. 병렬 응답: 같은 고객 상태에 담당 팀, 감정 점수, 긴급성 여부를 동시에 물을 수 있다.
   2. 효율성: Jev는 여러 질문을 병렬로 답하므로 질문마다 별도 추론 단계를 순차적으로 기다릴 필요가 적다.

2. LLM 중심 흐름과의 대비

   1. 순차 추론의 비용: LLM은 질문을 단계적으로 처리하는 경향이 있어 질문 수가 늘면 지연과 비용이 함께 커질 수 있다.
   2. 하네스 최적화: 독립적인 판단을 Jev의 병렬 질문으로 묶으면 에이전트 루프의 반복 지연을 줄일 수 있다.

4. LangChain에서 Jev 사용하기

LangChain은 TypeSafe 통합을 제공해 에이전트 코드 안에서 Jev를 호출할 수 있게 한다.

4.1. 통합 구성

1. Type-Safe 통합 가져오기

   1. 패키지 경로: LangChain Type-Safe 통합에서 Type-Safe classifier를 import한다.
   2. 인증 준비: 먼저 TypeSafe API key를 발급받아야 한다.

2. 호출 흐름

   1. 입력: 상태와 질문 목록을 classifier에 전달해 Jev를 invoke한다.
   2. 출력: 응답에는 보낸 각 질문에 대응하는 답변이 포함된다.
   3. 애플리케이션 연결: 답변을 모델 선택, 도구 차단, 평가 점수 같은 다음 단계의 조건으로 사용할 수 있다.

4.2. 빠른 판단 계층으로서의 하네스

1. 역할 분리

   1. LLM의 역할: 복잡한 문제를 이해하고 여러 도구를 조합하며 개방형 답변을 생성한다.
   2. Jev의 역할: 하네스의 가장자리에서 라우팅·안전성·평가 같은 반복적이고 타입이 명확한 결정을 담당한다.

2. 기대 효과

   1. 지연 감소: 에이전트가 도구 호출 전후에 수행하는 간단한 점검을 거의 즉시 완료할 수 있다.
   2. 운영 비용 절감: 같은 판단을 대량으로 수행할 때 LLM 호출량과 비용을 줄일 수 있다.
   3. 일관성 향상: 확률과 타입이 있는 답변을 사용하면 자연어 응답을 다시 파싱하는 변동성을 줄일 수 있다.

5. 활용 사례 1 — 모델 라우팅

간단한 작업과 복잡한 작업이 섞인 에이전트에 항상 가장 강력하고 비싼 모델을 사용할 필요는 없다.

5.1. 작업 복잡도에 따른 모델 선택

1. 라우팅 문제

   1. 비효율적인 단일 모델 전략: 모든 요청을 최고 성능 모델에 보내면 간단한 요청에도 불필요한 비용과 지연이 발생한다.
   2. 두 갈래 선택: 빠르고 저렴한 모델과 느리지만 강력한 모델 사이에서 질문의 복잡도에 맞게 선택한다.

2. Jev를 이용한 결정

   1. 기준 기반 평가: 프롬프트를 미리 정한 복잡도 기준과 비교해 어떤 모델이 적합한지 묻는다.
   2. 즉시 라우팅: Jev가 거의 즉시 판단하므로 라우팅 단계 자체가 사용자 경험의 병목이 되지 않는다.

5.2. LangChain 내부 코딩 에이전트 적용

1. 실험 대상

   1. 코딩 에이전트의 혼합 작업: LangChain 팀은 내부 코딩 에이전트가 간단한 코딩 요청과 복잡한 코딩 요청을 모두 처리하는 상황을 살피고 있다.
   2. 작업별 모델 배정: 간단한 질문은 빠르고 저렴한 모델로, 복잡한 코딩 작업은 더 비싸고 강력한 모델로 보낸다.

2. 실용적 결과

   1. 비용과 성능의 균형: 모든 요청에 고성능 모델을 쓰지 않으면서 어려운 문제에 필요한 추론 능력은 유지한다.
   2. 확장 가능한 정책: 복잡도, 위험도, 코드 변경 범위 같은 기준을 추가 질문으로 정의해 라우팅 정책을 세밀하게 만들 수 있다.

6. 활용 사례 2 — Auto Mode로 위험한 도구 호출 차단

에이전트가 실행하려는 도구 호출을 런타임에서 평가해 위험한 작업을 차단하는 안전성 계층을 Jev로 빠르게 만들 수 있다.

6.1. Auto Mode의 문제와 회복

1. 기존 Auto Mode의 목적

   1. 위험성 분류: 특정 도구 호출이 위험한지 Jev 같은 분류기에 물어본다.
   2. 런타임 차단: 위험하다고 판정되면 도구가 실제로 실행되기 전에 호출을 막는다.

2. 지연 때문에 꺼졌던 기능

   1. 생산성 저하: 발표자는 최근 코딩 에이전트에서 Auto Mode를 껐는데, 도구 호출 위험성을 분류하는 단계가 너무 느려 생산적인 느낌을 해쳤기 때문이다.
   2. Jev 도입 후 재활성화: Jev가 훨씬 빠르게 결정을 내리면서 Auto Mode를 다시 켤 수 있었다.

6.2. 삭제 작업 차단 사례

1. 위험한 호출의 예

   1. 데이터베이스 삭제: 에이전트가 데이터베이스를 삭제하는 도구 호출을 발행하면 위험한 호출로 분류한다.
   2. 중요 파일 삭제: 중요한 파일을 삭제하는 호출도 같은 방식으로 위험 판정을 받는다.

2. 안전한 실행 흐름

   1. 사전 검증: 도구 실행 전에 호출의 의도와 파급 효과를 Jev에 전달한다.
   2. 차단 또는 진행: 위험 확률이 높으면 실행을 차단하고, 안전한 호출만 다음 단계로 통과시킨다.
   3. 체감 속도 보존: 안전성 검사가 지나치게 느려 에이전트의 생산성을 깎지 않도록 거의 즉시 판단하는 계층을 둔다.

7. 활용 사례 3 — 온라인 평가의 심사자(Judge)

대규모 에이전트 평가에서 모든 trace를 사람이 확인하지 않으면서도 단순한 코드 스타일 검사 이상의 품질 판단을 얻을 수 있다.

7.1. 자동 평가의 구성 요소

1. 평가 입력

   1. 초기 질문: 에이전트가 해결해야 했던 원래 질문을 평가 입력으로 둔다.
   2. 에이전트 답변: 에이전트가 실제로 낸 답을 함께 제공한다.

2. 루브릭(rubric)

   1. 정확성: 답변이 올바른지 평가한다.
   2. 참조 일치: 기준 답변(reference)과 일치하는지 확인한다.
   3. 근거성: 답변이 입력이나 주어진 정보에 grounded되어 있는지 확인한다.
   4. 출처 인용: 필요한 경우 답변에 인용된 출처가 있는지 확인한다.

7.2. LLM-as-a-judge를 Jev로 확장

1. 사람 검토의 한계

   1. 규모 문제: 평가를 대규모로 실행할 때 모든 trace를 사람이 감독하는 것은 현실적이지 않다.
   2. 코드 검사만으로 부족: 포맷, 실행 성공 여부, 코드 스타일 같은 기계적 검사만으로는 답변의 의미적 품질을 판단하기 어렵다.

2. Jev judge의 역할

   1. 루브릭별 점수: 초기 질문, 에이전트 답변, 평가 기준을 받아 기준별 점수를 산정한다.
   2. 기존 방식과의 관계: 기존 LLM-as-a-judge 온라인 평가는 유용하지만 비용이 높은데, Jev는 같은 역할을 더 빠르고 저렴하게 수행하는 방향이다.
   3. 품질 특성: LangChain이 작성한 관련 블로그의 결과에 따르면 Jev는 LLM 대안보다 저렴하고 빠를 뿐 아니라 평가 간 신뢰성과 일관성도 더 높게 나타났다.

7.3. 운영상 의미

1. 지속적 평가

   1. 온라인 피드백: 배포된 에이전트의 입력과 답변을 계속 평가해 품질 저하를 빠르게 감지할 수 있다.
   2. 자동화된 회귀 감지: 모델이나 프롬프트를 바꾼 뒤 정확성·근거성·인용 여부가 달라졌는지 반복 측정할 수 있다.

2. 평가 비용의 재배분

   1. 저비용 대량 평가: 모든 사례를 비싼 LLM이나 사람에게 보내지 않고 Jev로 1차 평가한다.
   2. 사람의 집중: 낮은 신뢰도나 높은 위험도의 사례만 사람에게 넘겨 검토 자원을 중요한 사례에 집중한다.

주요 발언 모음

“System 1 모델은 소프트웨어가 직접 사용할 수 있는 빠르고 구조화된 결정을 내리도록 만들어졌다.”

“Jev는 LLM의 드롭인 대체재가 아니라, 우리가 현재 LLM에 맡기고 있는 특수한 작업을 더 빠르고 저렴하게 수행한다.”

“LLM은 약 5초가 걸리지만, Jev는 개인 식별 정보가 있을 확률이 98%라고 거의 즉시 답한다.”

“Jev가 빠르게 결정을 내릴 수 있게 되면서 Auto Mode를 다시 켤 수 있었다.”

“Jev는 더 저렴하고 빠를 뿐 아니라, 평가 전반에서 LLM 대안보다 신뢰성과 일관성도 높게 나타났다.”

핵심 데이터 & 수치

• 20~200배: 분류형 작업에서 Jev가 LLM보다 빠를 수 있는 범위다.
• 40~400배: 같은 분류형 작업에서 Jev가 LLM보다 저렴할 수 있는 범위다.
• 약 5초: PII 여부 질문에 LLM이 텍스트와 구조화된 출력을 내는 데 걸린 시간이다.
• 98%: 동일한 PII 질문에 Jev가 반환한 개인 식별 정보 존재 확률이다.
• 3일: Stripe 계정 연결 실패가 지속된 고객 상태의 기간이다.
• 0.84: Stripe 문제를 billing 팀이 처리해야 한다는 선택 결과의 점수다.
• 0.596: billing 선택 결과에 함께 제시된 confidence 값이다.
• 1.035: 고객의 좌절 정도를 나타낸 score다.
• 0.999: 고객 메시지가 긴급성을 전달한다는 dual 질문의 확률이다.
• 0~1: 긴급성 dual 결과가 사용하는 확률 척도다.

결론 및 시사점

1. 에이전트 하네스는 LLM 하나에 모든 결정을 몰아넣기보다 생성·추론과 정형 판단을 분리해야 한다.
2. Jev는 상태와 질문을 받아 타입이 있는 답변과 확률을 돌려주므로 자연어 파싱에 의존하는 분류 단계를 줄인다.
3. 단순 분류, 연속 점수, 예·아니오 판단은 Jev로 옮길 때 속도와 비용을 크게 낮출 수 있다.
4. 여러 독립 질문을 하나의 상태에 병렬로 보내면 담당 팀, 감정, 긴급성 같은 판단을 효율적으로 묶을 수 있다.
5. 모델 라우팅은 간단한 작업을 빠른 모델로, 복잡한 작업을 강력한 모델로 보내는 비용·성능 균형 장치다.
6. Auto Mode는 데이터베이스나 중요 파일 삭제 같은 위험한 도구 호출을 실행 전에 차단하는 런타임 안전망이다.
7. 안전성 검사가 느리면 에이전트의 생산성을 해치므로 보호 기능의 정확성만큼 판단 지연도 중요하다.
8. 온라인 평가에서 Jev를 judge로 사용하면 대량 trace를 저비용으로 평가하면서 의미적 품질 기준을 유지할 수 있다.
9. Jev는 범용 LLM을 제거하는 기술이 아니라, LLM이 잘하지 못하는 비용·지연·정형성 문제를 보완하는 전문 계층이다.
10. 시작점은 uv pip install langchain-typesafe로 LangChain Type-Safe 통합을 설치하고 TypeSafe API key를 발급받는 것이다.

핵심 요약 (20줄)

1. 에이전트의 기본 루프는 요청을 LLM에 보내고 도구를 호출하며 결과를 바탕으로 다음 행동을 반복하는 구조다.

2. 도구 호출과 구조화된 출력은 LLM을 코드 애플리케이션에서 사용할 수 있게 만든 핵심 프리미티브다.

3. Jev는 TypeSafe AI가 만든 System 1 모델로 소프트웨어가 직접 소비할 수 있는 타입이 있는 결정을 반환한다.

4. Jev는 텍스트를 생성하는 범용 LLM이 아니라 상태와 질문을 평가해 답변과 확률을 출력하는 전문 모델이다.

5. System 1이라는 명칭은 Daniel Kahneman이 설명한 빠르고 값싼 직관적 사고에서 비롯됐다.

6. Jev는 분류형 작업에서 LLM보다 20~200배 빠르고 40~400배 저렴할 수 있다.

7. Jev는 LLM을 대체하는 모델이 아니라 반복적인 정형 판단을 분리해 처리하는 보완 계층이다.

8. PII 포함 여부를 묻는 데 LLM은 약 5초가 걸렸지만 Jev는 거의 즉시 98%의 확률을 반환했다.

9. Jev의 choice 질문은 여러 선택지 중 하나를 고르고 선택 점수와 confidence를 함께 제공한다.

10. Stripe 연결 실패 사례에서 billing 팀 선택 점수는 0.84이고 confidence는 0.596이었다.

11. Jev의 score 질문은 고객의 감정을 척도화하며 해당 사례의 frustration 점수는 1.035였다.

12. Jev의 dual 질문은 예·아니오에 가까운 판단을 확률로 반환하며 긴급성 확률은 0.999였다.

13. 하나의 상태에 여러 질문을 보내면 Jev가 담당 팀과 감정과 긴급성을 병렬로 판단할 수 있다.

14. LangChain Type-Safe 통합은 API key와 상태·질문 입력으로 Jev를 호출하는 경로를 제공한다.

15. 모델 라우팅은 간단한 요청을 빠르고 저렴한 모델로 복잡한 요청을 강력한 모델로 보내는 방식이다.

16. LangChain 내부 코딩 에이전트는 작업 복잡도에 따라 모델을 바꾸는 라우팅에 Jev를 활용할 수 있다.

17. Auto Mode는 데이터베이스 삭제나 중요 파일 삭제처럼 위험한 도구 호출을 런타임에서 차단한다.

18. Jev의 낮은 지연 덕분에 느린 분류 단계 때문에 꺼졌던 Auto Mode를 다시 활성화할 수 있다.

19. 온라인 평가에서 Jev는 입력과 에이전트 답변을 정확성·참조 일치·근거성·출처 인용 기준으로 심사한다.

20. LangChain의 관련 결과는 Jev가 LLM judge보다 빠르고 저렴하며 평가의 신뢰성과 일관성도 높을 수 있음을 보여준다.

📁 Obsidian: Study/YouTube다이제스트/2026-09-26-TechBridge-KR-jev-agent-harness.md 🔗 https://nuggets-nine-self.vercel.app/digest/2026-09-26/techbridge-kr-jev-agent-harness-2026-09-26