AI 자기개선을 위한 하네스 엔지니어링
원제: Harness Engineering for Self-Improvement
왜 중요한가
하네스 엔지니어링이 AI 자기개선 루프의 핵심 계층으로 부상하면서, 배포 시스템 설계가 모델 성능만큼 중요한 경쟁 요소로 자리잡고 있다.
OpenAI 연구원 Lilian Weng이 2026년 7월 4일, AI의 재귀적 자기개선(RSI)에서 '하네스(Harness)'가 수행하는 역할을 정리한 기술 블로그를 공개했다. 하네스란 기반 모델을 둘러싼 시스템으로, 도구 호출·컨텍스트 관리·결과 평가 등을 조율하며, Claude Code나 Codex 등 코딩 에이전트 제품에서 그 중요성이 입증되고 있다。
Lilian Weng은 약 31분 분량의 장문 기술 포스트에서 AI 하네스 엔지니어링의 개념과 설계 패턴을 체계적으로 정리했다.
재귀적 자기개선(RSI)의 개념은 I. J. Good(1965)이 제창한 '초지능 기계' 이론에서 비롯되며, Yudkowsky(2008)가 AI가 스스로의 인지 메커니즘을 개선하는 피드백 루프로 정의했다. 현대 AI에서 RSI는 모델이 직접 자신의 가중치를 수정하거나, 학습 파이프라인 및 배포 시스템을 개선함으로써 후속 모델의 성능을 향상시키는 형태로 구현된다.
하네스는 기반 모델과 실제 환경 사이의 계층으로, 모델의 사고·계획 방식, 도구 호출, 컨텍스트 인식 및 관리, 아티팩트 저장, 결과 평가를 조율한다. 저자는 하네스의 중요성이 모델의 원시 지능(사전학습 직후 평가 기준)에 필적한다고 강조했다.
설계 패턴으로는 세 가지를 제시한다. 첫째, 워크플로우 자동화로 '계획→실행→관찰/테스트→개선'의 목표 지향 루프를 정의한다. Andrej Karpathy의 autoresearch 저장소가 대표적 예시로 언급됐다. 둘째, 파일 시스템을 영속 메모리로 활용하는 패턴, 셋째, 서브 에이전트와 백엔드 작업 분리 패턴이다.
또한 하네스는 운영체제(OS)와 유사하게 복잡한 로직을 캡슐화하면서 단순한 인터페이스를 유지해야 하며, 도구 인터페이스와 프로토콜의 업계 표준화 가능성도 언급됐다. 하네스 최적화, 컨텍스트 엔지니어링, 진화적 탐색, 모델 가중치와의 공동 최적화 등 향후 과제도 다루었다.