실패한 코딩 AI, 값싸게 되살릴까 강한 모델 부를까…'예산 맞춤' 복구 라우팅 제안

코딩을 수행하는 인공지능(AI) 에이전트가 한 번 실패했을 때, 값싼 모델로 다시 시도하는 편이 나은지 아니면 더 비싸고 강한 모델로 넘기는 편이 나은지를 예산에 맞춰 결정하는 방법이 제안됐다.

치자 허(Qijia He) 등 연구진은 지난 21일 사전공개 논문 저장소 arXiv에 'CodeRescue: 코딩 에이전트를 위한 예산 보정 복구 라우팅'을 공개했다. 코드는 깃허브에 함께 공개됐다.

실패가 곧 정보인 코딩 환경

논문에 따르면 코딩 에이전트는 실행 가능한 환경에서 동작하기 때문에, 시도가 실패하면 단순히 '틀린 답'이 아니라 실행 피드백이라는 활용 가능한 정보가 남는다. 기존의 비용 인식 시스템은 대체로 값싼 모델을 먼저 쓰고 어려운 경우만 강한 모델로 넘기는 '단계적 승급' 방식을 취한다. 그러나 코딩에서는 실행 피드백 덕분에 값싼 모델로 한 번 더 복구를 시도하는 것도 충분히 해볼 만하다는 것이 연구진의 문제의식이다.

재훈련 없이 예산에 맞추는 보정 계층

연구진은 실패 이후의 결정을 여러 행동 사이의 '복구 라우팅' 문제로 정식화하고, 실행 기록으로부터 지도학습 라우터를 훈련시켰다. 여기에 등각 위험 통제(CRC) 계층을 더해, 재훈련 없이 배치 시점의 비용 페널티를 선택하고 기대 비용을 통제할 수 있게 했다.

다섯 개 코딩 벤치마크의 검증 데이터에서 값싼 복구와 승급은 서로 보완적인 성공 패턴을 보였다. 보정된 방식은 고정된 행동이나 프롬프트 기반 라우터, 이분법적 단계 승급보다 나은 성능을 보였으며, 주요 실험 설정에서는 한 지점이 항상 승급하는 방식보다 높은 해결률을 내면서도 평균 복구 비용은 그 35% 수준에 그쳤다.

참고 자료
· CodeRescue: Budget-Calibrated Recovery Routing for Coding Agents — Qijia He 외, arXiv (2026.07.21)