← Docs hub

A2A Planner Research Reading List

이 문서는 A2A Planner, 의미 축 조정, context-aware routing, STT_NULL/DEF 경계, capability-grounded planning을 외부 연구 프레임과 연결하기 위한 읽기 자료다.

목적은 “우리 시스템이 어떤 기존 연구 흐름 위에 있는가”를 설명하는 것이다. 단순 agent 유행어 목록이 아니라, 현재 구현의 판단 축과 직접 연결되는 논문/기법만 우선순위로 정리한다.

1. 먼저 잡을 기술 프레임

현재 A2A Planner는 아래 문장으로 외부 연구 맥락에 올릴 수 있다.

Context-aware intent routing and capability-grounded LLM planning
with semantic decision-boundary calibration.

한국어로 풀면 아래와 같다.

A2A Planner는 단순 intent classifier가 아니라,
대화 상태와 기기 상태를 함께 해석하는 context-aware planner다.
외부 연구 관점에서는 Task-Oriented Dialogue의 intent/slot/state tracking,
SayCan/LLM-Planner 계열의 capability-grounded planning,
clarification question 계열의 ambiguity repair,
OOD/open-intent detection,
그리고 decision-boundary calibration을 결합한 구조로 설명할 수 있다.

2. 우선 읽을 논문 10개

3. Planner와 context 해석에 직접 연결되는 자료

3.1 Grounded LLM Planning

이 축의 핵심 질문은 아래다.

사용자가 무엇을 원한다고 해석했는가?
그리고 현재 시스템/기기가 실제로 그것을 할 수 있는가?

우리 구현에서는 이 질문이 capability_registry, skill_registry, device_context, ranked_top_flows로 들어간다.

3.2 Context-Aware Intent Routing

우리의 context-aware routing은 단일 문장 분류가 아니다.

recognized_text
+ voice_context
+ history_context
+ workflow_context
+ device_context
+ capability_registry
+ preclassifier_hints

같은 “오후 6시”라도 schedule workflow 안에서는 slot answer이고, 단독 발화에서는 DEF 또는 STT_NULL일 수 있다.

3.3 Semantic Decision Boundary Calibration

축 조정을 외부 용어로 가장 정확히 표현하면 아래다.

Semantic decision-boundary calibration

단순히 “프롬프트를 조금 고친다”는 뜻이 아니다. 분류기가 어떤 family를 고를지 결정하는 의미 경계를 context와 evidence에 맞게 보정한다는 뜻이다.

일반적인 intent classifier는 입력 발화를 feature 공간에 놓고 가장 가까운 label을 고른다. A2A Planner에서는 이 feature 공간이 단순 embedding이 아니라 아래 의미 축들의 조합이다.

device execution axis
schedule workflow axis
device/product knowledge axis
public/freshness lookup axis
conversation/direct-reply axis
unsupported capability axis
stt-noise / repairability axis
context continuation axis

Semantic이라는 단어가 붙는 이유는 경계가 단순 keyword threshold가 아니기 때문이다. 예를 들어 예약, 알람, 설정, 하이나무, 어떻게 같은 단어는 단독으로 family를 결정하지 않는다. 그 단어가 어떤 speech act, target, slot, context와 결합되는지에 따라 경계가 이동한다.

"알람 꺼줘"        -> 즉시 제어면 ODL
"내일 7시에 알람" -> 등록/수정 workflow면 SCH
"알람 그"          -> slot fragment면 SCH recovery 후보 또는 STT_NULL_SOFT
"알람 얘기하더라"  -> 서술 잔여물이면 DEF/STT_NULL

즉, 축 조정은 “알람이면 SCH” 같은 룰 추가가 아니라, schedule word가 언제 workflow intent로 승격되는지 결정하는 의미 경계를 조정하는 작업이다.

우리 작업에서 실제 조정한 경계는 아래다.

관련 자료:

3.3.1 A2A에서 decision boundary가 필요한 이유

음성 기반 device agent에서는 오분류의 비용이 family마다 다르다.

따라서 A2A의 축 조정은 정확도만 올리는 작업이 아니라, 실행형 AI의 risk boundary를 조정하는 작업이다. 특히 device action이 포함된 family는 과실행을 막아야 하고, 대화 family는 과차단을 줄여야 한다.

3.3.2 경계는 context에 따라 이동한다

같은 문장도 context가 다르면 다른 family가 될 수 있다.

이 관점에서 voice_context, workflow_context, history_context, device_context는 단순 보조 정보가 아니라 decision boundary를 이동시키는 조건이다.

boundary_without_context:
  "오후 6시" -> no dominant first response

boundary_with_schedule_context:
  "오후 6시" -> time slot filled -> SCH continuation

3.3.3 우리가 말한 “축”의 실제 의미

내부에서 말한 축은 사람이 해석 가능한 feature axis다. 예를 들어 STT_NULL 경계에서는 아래 축을 본다.

예시:

"안녕"
target_scope = conversation
intent_clarity = high
replyability = high
over_inference_risk = low
=> DEF

"하이 에이아이 사이일"
target_scope = none or weak product anchor
intent_clarity = low
replyability = low
over_inference_risk = high
=> STT_NULL

"하이나무 침실"
target_scope = device
intent_clarity = medium
recoverability = medium
over_inference_risk = medium
=> ODL recovery candidate, context에 따라 follow-up 또는 실행 후보

3.3.4 축 조정은 어디에서 일어나는가

실제 구현에서는 한 곳에서만 경계를 조정하지 않는다.

그래서 성능이 흔들릴 때는 “프롬프트가 틀렸다”로 바로 결론내리면 안 된다. 먼저 어떤 boundary layer에서 밀렸는지 봐야 한다.

3.3.5 축 조정 절차

현재 A2A에서 사용한 실무 절차는 아래와 같다.

1. Full-run 결과에서 expected -> predicted 전이를 뽑는다.
2. 상위 오분류 전이를 family boundary 단위로 묶는다.
3. 각 묶음에서 정답지 오류와 라우터 오류를 분리한다.
4. 라우터 오류는 cue 추가보다 먼저 family 정의와 semantic axis를 점검한다.
5. 실제 수정은 가능하면 한 boundary만 좁게 건드린다.
6. focused test로 boundary 회귀를 막는다.
7. full-run으로 전체 전이표가 좋아졌는지 확인한다.

이 절차를 표로 쓰면 아래다.

3.3.6 룰베이스와 축 조정의 차이

둘은 겉보기에는 비슷해 보일 수 있다. 차이는 아래다.

따라서 cue를 추가하더라도 설명이 아래 수준이어야 안전하다.

나쁜 설명:
  "row 290 안녕을 맞히기 위해 안녕을 DEF로 추가"

좋은 설명:
  "첫 턴 사회적 인사/호출/반응은 별도 target 없이도 즉답 가능한 speech act이므로
   conversation replyability axis를 high로 둔다."

3.3.7 한 문장

Semantic decision-boundary calibration은 LLM router의 label을 맞히기 위한 프롬프트 튜닝이 아니라,
발화의 speech act, target scope, slot completeness, device capability, dialogue state를 함께 보고
route family 사이의 의미 경계를 안전하게 이동시키는 작업이다.

4. STT_NULL, clarification, uncertainty 자료

STT_NULL은 단순히 “인식 실패”가 아니다. A2A에서는 아래 세 가지를 분리해야 한다.

1. 의미가 붕괴되어 첫 응답 방향이 없다.
2. 약한 scope는 남아 있지만 실행/답변은 위험하다.
3. slot 또는 context가 부족해 좁은 질문으로 복구할 수 있다.

관련 자료:

발표에서는 아래 문장을 쓸 수 있다.

STT_NULL은 낮은 confidence label이 아니라,
첫 응답 가능성, 복구 가능성, 과추론 위험을 함께 보는 abstention boundary다.

5. Planner second pass와 LLM-as-Judge 자료

우리 second_pass_family_judge, replyability_judge, object_typer는 main planner와 별도의 verifier/judge layer로 볼 수 있다.

우리 구조를 기술하면 아래와 같다.

main planner = generator / supervisor
second pass judge = verifier for ambiguous boundaries
replyability judge = direct reply feasibility checker
object typer = target grounding checker

6. Task decomposition과 DeviceAgent 실행계 자료

Planner가 만든 plan은 실제 실행 가능한 workflow로 내려가야 한다. 이 부분은 planning/robotics 문헌과 연결된다.

우리 TaskManager 연결은 아래처럼 설명할 수 있다.

Planner는 의미와 순서를 만든다.
TaskManager는 실행 lifecycle, queue, callback, reason, replan boundary를 관리한다.

7. 우리 문서/구현과 논문 프레임 매핑

8. 발표/논문에 바로 쓸 표현

8.1 영어 표현

Semantic decision-boundary calibration
Capability-grounded LLM planning
Context-aware intent routing
Clarification-oriented dialogue repair
Open-intent and OOD-aware abstention
Registry-constrained agent selection
Affordance-grounded task planning
Dialogue-state-conditioned routing
Verifier-based second-pass routing refinement
Natural language to executable device workflow

8.2 한국어 표현

의미 축 기반 판단 경계 보정
기기 capability에 grounded된 LLM planner
대화 상태 기반 intent routing
모호성 복구를 위한 되묻기/clarification
지원범위 밖 발화와 STT 붕괴 발화의 abstention 경계
registry로 제한된 agent/skill 선택
자연어 발화를 실행 가능한 device workflow로 변환

9. 읽는 순서

처음 보는 사람에게는 아래 순서를 추천한다.

1. SayCan: capability/affordance grounding 감 잡기
2. LLM-Planner: 자연어 -> grounded plan 구조 보기
3. ProgPrompt: action catalog로 planner를 제약하는 방식 보기
4. Intent + Slot Filling Survey: family/slot/multi-turn NLU 기본 잡기
5. CLAM: ambiguity와 clarification 이해
6. Adjustable Decision Boundary: 축 조정을 외부 용어로 이해
7. OOD Detection in NLP: STT_NULL/UNS 안전 경계 잡기
8. ReAct: reasoning과 action 연결
9. HTN Planning Survey: 복합 task 분해
10. Behavior Trees: 실행 중 상태/실패/재시도 처리

10. 현재 A2A 작업에 대한 결론

우리의 Planner와 축 조정 작업은 아래 연구 흐름의 조합으로 설명할 수 있다.

1. Task-Oriented Dialogue: intent, slot, dialogue state
2. Grounded LLM Planning: capability, affordance, situated action catalog
3. Ambiguity Handling: clarification, replyability, abstention
4. Open Intent/OOD: unsupported, STT_NULL, out-of-scope boundary
5. Decision Boundary Calibration: DEF/STT_NULL, ODL/SCH, DQR/FRG 축 조정
6. Verifier/Judge Layer: second pass, replyability judge, object typer
7. Task Execution Planning: HTN, behavior tree, event-driven TaskManager

따라서 축 조정은 단순 prompt tweaking으로 설명하지 말고 아래처럼 설명하는 편이 낫다.

Semantic decision-boundary calibration over context-aware route families.

즉, 현재 발화와 과거 대화, 기기 상태, capability registry, workflow state를 함께 보고 route family 사이의 의미 경계를 보정하는 작업이다.