# 반디(Bandi) 설계 가이드 — Kernel 위의 반도체 공정 튜터 > SemiFab AI · 반도체 공정 학습 에이전트 「반디」의 설계 구조와 사용법 요약 > 출처: https://semifabai.com/blog/bandi-kernel-agent-design --- ## 0. 한 줄 요약 반디는 "LLM 하나 붙인 챗봇"이 아닙니다. LLM은 **순간순간의 추론만** 담당하는 엔진이고, 그 위에 지금의 상황·기억·상태·작업 흐름을 관리하는 **Kernel** 구조를 따로 얹어 만들었습니다. 이 구조 덕분에 반디는 대화 맥락을 잃지 않고, 미니팹 시뮬레이터의 실측 데이터를 벗어난 답을 하지 않으려 합니다. --- ## 1. LLM과 Kernel은 역할이 다르다 | 구분 | LLM | Kernel | |---|---|---| | 비유 | "생각" (추론) | "의식" (지금 상황 관리) | | 하는 일 | 주어진 질문에 대해 그 순간의 답을 생성 | 무엇을 물어야 할지 정리해서 LLM에 전달 | | 한계 | 혼자서는 맥락·상태를 유지하지 못함 | LLM 없이는 답을 만들지 못함 | 핵심은 **분업**입니다. Kernel이 지금 상황을 정리해 "정확한 질문"을 만들어 LLM에 넘기고, LLM은 그 질문에만 집중해 추론합니다. --- ## 2. Kernel은 9개의 관리자로 구성된다 | 관리자 | 맡는 일 | |---|---| | Context Manager | 지금 어떤 상황인지 파악 | | Memory Manager | 단기·장기·프로젝트 기억 관리 | | State Manager | 지금 내부적으로 무엇을 하고 있는지 | | Workflow Manager | 작업 흐름의 순서 관리 | | Personality Manager | 성격·말투·판단 철학 | | Environment Manager | 지금 쓸 수 있는 자원 파악 | | Knowledge Manager | 미니팹 실측 데이터를 우선 확인 | | Task Queue Manager | 해야 할 작업을 정리·대기 | | Action Manager | 실제 동작으로 연결 | 이 9개가 각자 역할을 나눠 맡고, 이걸 정리해야만 LLM에게 **정확한 질문**을 던질 수 있습니다. --- ## 3. 지금 반디를 이렇게 써볼 수 있습니다 | 순서 | 하는 일 | 확인 포인트 | |---|---|---| | 1 | 세미팹AI 채팅창에 공정 관련 질문 입력 | Context Manager가 질문 상황을 먼저 파악 | | 2 | 반디가 답변과 함께 참고 데이터 제시 | Knowledge Manager가 미니팹 실측값을 근거로 제시했는지 확인 | | 3 | 이어서 후속 질문 진행 | Memory Manager 덕분에 앞선 대화 맥락이 유지되는지 확인 | > 팁: 후속 질문을 던졌을 때 앞의 맥락이 유지되는지 확인해 보세요. > 일반 LLM 챗봇과 Kernel 기반 반디의 차이가 가장 잘 드러나는 지점입니다. --- ## 4. 요점정리 (3카드) **카드 1 — LLM과 Kernel은 역할이 다르다** LLM은 "생각"(추론), Kernel은 "의식"(지금 상황 관리)을 맡습니다. LLM 혼자서는 맥락도 상태도 유지하지 못합니다. **카드 2 — Kernel은 9개 관리자로 구성된다** Context·Memory·State·Workflow·Personality·Environment·Knowledge· Task Queue·Action Manager가 각자 역할을 나눠 맡습니다. 이걸 정리해야만 LLM에게 정확한 질문을 던질 수 있습니다. **카드 3 — 반디의 원칙은 "거짓말하지 않기"** Knowledge Manager가 미니팹 시뮬레이터의 실제 데이터를 우선 확인하도록 설계해, 근거 없는 답변을 최소화하는 방향으로 만들었습니다. --- ## 5. 능력 맵 — 기본형과 심화형 지금 1차 버전은 반도체 공정 튜터 역할, 그중에서도 **기본형**에 집중되어 있습니다. 기본형은 검증된 지식과 실측 데이터의 범위 안에서 정확하게 설명하는 데 목적이 있습니다. 여기서 한 단계 더 올라간 것이 **심화형**입니다. 심화형은 연구용 성격을 갖고 있어, 새 장비의 파라미터를 흡수해 공정 결과를 예측하는 것까지 시도합니다. 다만 이 예측에는 분명한 한계가 있고 — 바로 그 지점이 연구용으로는 오히려 핵심입니다. **"확실하게 아는 것"을 늘리는 게 아니라 "아직 모르는 지점"을 정확히 짚어내는 것**, 그게 심화형의 활용법입니다. | 구분 | 기본형 (전달형) | 심화형 (탐색형) | |---|---|---| | 목적 | 아는 것을 정확히 전달 | 모르는 것을 찾아냄 | | 근거 | 검증된 지식 · 실측 데이터 | 새 장비 파라미터 기반 예측 | | 한계 처리 | 검증된 범위 밖은 답하지 않음 | 불확실 영역 자체를 결과로 제시 | | 현재 상태 | 서비스 중 (1차 버전) | 구조 설계 및 검증 진행 중 | 이 접근은 반도체·소재 연구의 자율실험실(Self-Driving Lab) 흐름과도 닮아 있습니다. 다른 점은 목적함수입니다 — 자율실험실은 모델이 틀리는 영역을 일부러 찾아가는 탐색이 목적이고, 반디 기본형은 검증된 영역 안에서 정확히 전달하는 것이 목적입니다. 심화형은 그 둘 사이, 교육이 연구 쪽으로 한 발 걸치는 지점에 있습니다. --- ## 6. 로드맵 | 단계 | 상태 | 내용 | |---|---|---| | 1차 버전 | 서비스 중 | 반도체 공정 튜터 · 근거 기반 응답 확보 | | 고도화 | 진행 중 | Kernel 9개 모듈 정교화 | | 다음 단계 | 계획 | Knowledge·Personality 교체형 범용 에이전트 | --- *이 문서는 SemiFab AI 블로그 글 「반디는 왜 'LLM 챗봇'이 아니라 'Kernel 위의* *에이전트'로 설계됐나」의 요약 자료입니다. 자유롭게 학습 자료로 활용하세요.* *— semifabai.com*