원자적·합성 질문 설계 패턴

크고 복잡한 질문 하나를 던지지 마라

가장 흔한 실수는 "이 티켓을 자동 환불해야 할까? 긴급하고, 정당하고, 금액이 작으면 그렇게 해"처럼 여러 판단이 뒤엉킨 큰 질문을 하나로 던지는 것입니다. 긴 추론이 필요하고, 판단 근거가 불투명하며, 가중치를 바꾸려면 질문 문장을 통째로 다시 써야 합니다.

여러 개의 단순 질문으로 쪼갠다

💡 원칙은 하나 — 질문은 원자적(atomic)이고 합성 가능(composable)하게, 즉 큰 질문 하나 대신 작은 질문 여럿으로 쪼개 코드에서 합친다는 뜻입니다. 판단을 쪼갤수록 각 답이 정확해지고, 결합은 코드가 맡습니다.

각 답을 로직으로 결합·가중한다

아래 코드는 쪼갠 원자 질문들의 답을 꺼내 각 요인에 가중치를 곱해 하나의 위험 점수로 합치고, 그 점수로 자동 승인·사람 검토·반려를 가릅니다.

# 원자 질문들의 답을 코드가 가중 결합
urgent   = r.nouls["urgent"].noul        # 0~1
is_refund = r.nouls["is_refund"].noul     # 0~1
severity = r.scores["severity"].score     # 0~1 (low..high)

# 각 요인에 독립적인 가중치를 코드가 부여
risk = 0.5*urgent + 0.3*is_refund + 0.2*severity

if risk > 0.8:
    auto_approve()          # 자동 승인
elif risk > 0.5:
    route_to_human()        # 사람 검토
else:
    decline()               # 자동 반려

• 병렬 평가 — 질문을 아무리 쪼개도 지연이 거의 안 늘어납니다
• 문맥 오염 없음 — 질문끼리 서로 간섭하지 않아 각 답이 독립적으로 정확합니다
• 독립 가중 — 각 요인의 중요도를 코드가 자유롭게 조정합니다 (모델 재학습 불필요)
• 투명성 — 최종 결정이 어떤 요인 때문인지 값으로 설명됩니다

확신이 높으면 자동, 낮으면 사람에게

💡 확신도를 믿을 수 없으면 이 로직이 무너집니다(1-2강). JEV는 그 신뢰도를 캘리브레이션 학습(RLCD)으로 정직하게 제공하므로 패턴이 성립합니다.

3강 한 장 요약

• ✓
  질문은 원자적·합성 가능하게 — 큰 질문 하나 대신 단순 질문 여럿으로 분해
• ✓
  결합은 코드가 가중·분기로 처리 → 병렬·문맥오염 없음·독립 가중·투명성
• ✓
  confidence로 에스컬레이션 — 높으면 자동, 애매하면 사람/LLM. 3강 = Choice·Score·Noul을 설계하는 법