반디는 왜 'LLM 챗봇'이 아니라 'Kernel 위의 에이전트'로 설계됐나

세미팹AI 안에서 반도체 공정을 함께 공부하는 튜터, 반디(Bandi)는 처음부터 LLM 하나 붙여서 만든 챗봇이 아니었습니다. LLM은 어디까지나 순간순간 추론만 담당하는 엔진이고, 그 위에 지금 상황·기억·상태·작업 흐름을 관리하는 Kernel 구조를 따로 설계해서 얹었습니다.

이 구조 덕분에 반디는 대화 맥락을 잃지 않고, 미니팹 시뮬레이터의 실측 데이터를 벗어난 답을 하지 않으려고 합니다. 지금은 1차 버전 단계지만, 이 글에서는 그 설계 구조와 지금 반디로 실제로 무엇을 할 수 있는지를 정리합니다.

반디를 지금 이렇게 써볼 수 있습니다

후속 질문을 던졌을 때 앞의 맥락이 그대로 이어지는지 확인해 보세요. 일반 LLM 챗봇과 Kernel 기반 반디의 차이가 가장 잘 드러나는 지점입니다.

요점정리

카드 1 — LLM과 Kernel은 역할이 다르다

LLM은 "생각"(추론), Kernel은 "의식"(지금 상황 관리)을 맡습니다. LLM 혼자서는 맥락도 상태도 유지하지 못합니다. Kernel이 지금 상황을 정리해 정확한 질문을 만들어 넘기고, LLM은 그 질문에만 집중해 추론합니다.

카드 2 — Kernel은 9개 관리자로 구성된다

Context·Memory·State·Workflow·Personality·Environment·Knowledge·Task Queue·Action Manager가 각자 역할을 나눠 맡고, 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 만들어졌습니다.

다음 단계 — 반디의 능력 맵: 기본형과 심화형

지금 1차 버전은 반도체 공정 튜터 역할, 그중에서도 기본형에 집중되어 있습니다. 기본형은 검증된 공정 지식과 미니팹 실측 데이터의 범위 안에서 정확하게 설명하는 데 목적을 둡니다. 답을 확정적으로 전달하는 쪽이에요.

여기서 한 단계 더 올라간 게 심화형입니다. 심화형은 연구용 성격을 조금 갖고 있어서, 새로운 장비의 파라미터를 흡수해 공정 결과를 예측해보는 것까지 시도합니다. 다만 이 예측에는 분명한 한계가 있습니다 — 아직 검증되지 않았거나 불확실한 데이터일 가능성이 있는 영역이 존재하거든요. 그런데 연구용으로 보면 이 지점이 오히려 핵심입니다. "확실하게 아는 것"을 늘리는 게 아니라 "아직 모르는 지점"을 정확히 짚어내는 것, 그게 심화형을 연구에 활용하는 방식이라고 생각합니다.

이런 "물리 기반 예측 위에 AI를 얹어서, 예측이 맞는지 확인할 다음 실험(또는 다음 학습 포인트)을 스스로 제안하는" 접근은 반도체·소재 연구 분야의 자율실험실(Self-Driving Lab) 흐름에서도 비슷하게 나타납니다. 다른 점은 목적함수예요 — 그쪽은 모델이 틀리는 영역을 일부러 찾아가는 탐색이 목적이고, 반디의 기본형은 검증된 영역 안에서 정확하게 전달하는 게 목적입니다. 심화형은 이 둘 사이, 반도체 공정 교육이 연구 쪽으로 한 발 걸치는 지점에 있습니다.

이어서 보면 좋은 것

반디가 근거로 삼는 "미니팹 실측 데이터"가 어디에서 오는지 궁금하다면, 시뮬레이터로 반도체 공정을 학습하는 법에서 예측 → 측정 → 차이 분석 루프를 먼저 살펴보세요. 반디의 답변을 직접 검산해보고 싶다면 확산이나 LPCVD 모듈에서 슬라이더를 밀어 곡선이 어떻게 반응하는지 확인해보는 것도 좋은 다음 단계입니다.