Karpathy 2025 LLM 회고: 챗봇 답변에서 실행·검증 루프로 바꿉니다 | DAKER 커뮤니티

Karpathy의 2025 LLM 회고가 가리키는 핵심은 단순합니다. LLM은 이제 문장을 돌려주는 챗봇이 아니라, 파일을 읽고 명령을 실행하고 실패를 본 뒤 다시 고치는 실행 루프 안으로 들어왔습니다. 오늘 확인할 일은 “더 똑똑한 답”이 아니라, 내 작업에 검증 가능한 루프를 붙였는지입니다.

오늘 배울 것

Cursor 같은 앱 계층과 로컬 에이전트가 보여 준 변화는 같습니다. 영어(또는 한국어)로 의도를 말하고, 도구가 실행하고, 로그·테스트로 확인하는 흐름입니다. 사람은 목표와 판단 기준을 소유하고, AI는 검증 루프의 실행자로 둡니다.

핵심 개념

챗봇 패러다임은 질문과 답입니다. 에이전트 패러다임은 목표, 실행, 실패, 수정, 재검증입니다. Karpathy가 2025년에 강조한 지점은 후자입니다. 바이브 코딩은 진입을 쉽게 만들고, 품질은 에이전트 루프와 사람의 기준이 결정합니다.

실무에서 루프가 없으면 AI가 만든 코드는 “좋아 보임”으로만 끝납니다. 루프가 있으면 같은 도구라도 실패 케이스를 통과했는지 말할 수 있습니다.

따라 해볼 실습

오늘 고칠 기능 하나를 고르고, 성공 조건과 실패 예시를 세 줄로 적습니다.
AI에게 코드를 받기 전에 테스트·린트·타입체크 중 하나라도 실행 명령을 먼저 정합니다.
한 번 실행한 뒤 실패 로그를 그대로 다시 넘겨 “이 실패만 고치고 근거를 남겨”라고 요청합니다.

관련해서 한 번에 하나만 바꾸는 디버깅 습관은 Karpathy 신경망 레시피 디버깅 글과 이어집니다. 검증 가능한 작업 설계는 Verifiability 글을 함께 보면 좋습니다.

자주 막히는 지점

가장 흔한 막힘은 “한 번에 전부 만들어 줘”입니다. 변화가 커지면 무엇이 성공을 만들었는지 모릅니다. 두 번째는 로그를 보지 않는 것입니다. 실행 결과가 없는 루프는 루프가 아닙니다. 세 번째는 목표를 AI에게만 맡기는 것입니다. 판단 기준은 사람이 남깁니다.

다음 학습 연결

루프를 붙였다면 다음은 전체 파이프라인을 한눈에 보는 연습입니다. 토큰화부터 UI까지 한 저장소로 묶어 보는 nanochat 관점은 바로 이어지는 글에서 다룹니다. DAKER 학습 디렉터리에서 Karpathy 시리즈를 이어서 확인하십시오.

오늘 바로 할 다음 행동: 지금 쓰는 AI 코딩 도구에 “실행 → 실패 로그 → 한 가설만 수정” 체크를 한 칸 추가하십시오.