SPASM: 멀티턴 대화 생성을 위한 안정적인 페르소나 기반 에이전트 시뮬레이션

LLM 간의 긴 대화 시뮬레이션에서 발생하는 페르소나 일관성 결여와 상대방의 말투를 무의식적으로 따라 하는 에코잉(Echoing) 문제를 해결하는 프롬프트 기반 프레임워크를 제안합니다. 별도의 모델 학습 없이도 대화 기록을 에이전트 관점으로 재투영하는 기법만으로 장기 대화의 안정성을 획기적으로 높여 고품질 합성 데이터 생성을 가능하게 합니다.

기존의 LLM 대화 시뮬레이션은 전체 대화 기록을 단순히 텍스트 버퍼로 이어 붙여 모델에게 입력한다. 이 방식은 Transformer 아키텍처가 이전 토큰들의 관계를 계산할 때, '누가 한 말인지'에 대한 상대적 역할 정보를 모호하게 만든다. 특히 모델이 '사용자' 역할을 수행해야 할 때, 대화 기록에 포함된 '어시스턴트'의 말투나 논리를 자신의 것으로 착각하여 흡수하는 현상이 발생한다.

SPASM은 이를 해결하기 위해 대화 기록을 '관점 중립적(Perspective-agnostic)'으로 관리한다. 실제 모델에게 입력을 넣기 직전에만 모든 대화 기록을 '나(SELF)'와 '상대방(PARTNER)'이라는 상대적 레이블로 치환하는 Egocentric Context Projection(ECP) 과정을 거친다. 이는 임베딩 공간에서 자신의 페르소나 벡터가 상대방의 벡터 방향으로 쏠리는 현상을 물리적으로 차단하는 효과를 낸다.

결과적으로 모델은 대화가 길어져도 자신이 '도움을 요청하는 고객'인지 '답변을 주는 상담원'인지 명확히 인지하게 된다. 이는 모델의 가중치를 수정하지 않고도 입력 컨텍스트의 구조화만으로 고차원적인 역할 수행 능력을 복구할 수 있음을 의미한다.

SPASM 프레임워크는 페르소나 스키마 샘플링, 페르소나 검증(Validator), 자연어 페르소나 제작(Crafter), 클라이언트-응답자 대화 시뮬레이션, 종료 감지(Termination Detector)의 5단계로 구성된다. 페르소나 검증 단계에서는 '18세 학생이 퇴직 연금을 상담하는 경우'와 같은 논리적 모순을 LLM이 사전에 필터링하여 데이터의 품질을 보장한다.

핵심 기법인 Egocentric Context Projection(ECP)은 수식적으로 다음과 같이 동작한다. 전체 대화 기록 H_t가 (발화자 s_k, 내용 c_k)의 쌍으로 주어질 때, 투영 연산자 Ψ_i는 절대적 발화자 ID를 상대적 기술어(SELF, PARTNER)로 매핑한다. [발화자 ID s_k → 상대적 역할 ϕ_i(s_k) → 변환된 레이블] 순으로 연산이 수행되어, 각 에이전트는 항상 자신이 'SELF'로 표시된 일관된 관점의 컨텍스트를 입력받는다.

대화 종료는 Termination Detector가 최근 m개의 대화 턴을 분석하여 결정한다. [최근 대화 텍스트 → 종료 규칙 대조 → 이진 판정] 과정을 통해 감사의 표현이나 작별 인사 등 종료 신호가 감지되면 시뮬레이션을 중단하여 불필요하게 길어지는 대화를 방지한다.

실험 결과, ECP를 적용한 모델은 단순 연결(CONCAT) 방식 대비 페르소나 이탈(Drift)이 모든 지표에서 유의미하게 낮았다. 특히 감정(Emotion) 관련 이탈 지표에서 GPT-4o-mini 기준 Cohen's d = -0.75의 큰 개선 효과를 보였다. 이는 장기 대화에서도 모델이 초기 설정된 감정 상태를 더 잘 유지함을 의미한다.

에코잉(Echoing) 분석에서는 CONCAT 방식이 모델 조합에 따라 최대 82%의 높은 에코잉 발생률을 보인 반면, ECP 방식은 인간 평가 결과 모든 조합에서 0%의 발생률을 기록하며 해당 결함 모드를 완전히 제거했다. 임베딩 분석을 통한 Silhouette score 측정 결과, 동일 백본 모델끼리 대화할 때 페르소나별 클러스터가 더 명확하게 형성되는 경향을 확인했다.

SPASM은 대화 기록을 정적인 텍스트 버퍼가 아닌 동적인 관점 투영 대상으로 취급한다. 이는 LLM이 사전 학습 과정에서 'User:'와 'Assistant:'라는 고정된 역할 레이블에 강하게 정렬(Alignment)되어 있다는 점을 역이용한 것이다. 대화 기록 내의 상대방 발화를 'User'로, 자신의 발화를 'Assistant'로 실시간 재라벨링함으로써 모델의 내재된 추론 경로를 최적화한다.

또한 본 연구는 페르소나 일관성을 측정하기 위해 'Persona Probe' 기법을 제안한다. 대화 중간에 모델의 페르소나를 묻는 질문(Qd)을 던지고, 그 답변의 임베딩 벡터와 대화 시작 전의 기준 벡터(A0) 사이의 코사인 거리를 계산하여 이탈 정도를 정량화한다. [질문 Qd 입력 → 답변 At 생성 → 임베딩 E(At) 추출 → 1 - cos(E(A0), E(At)) 계산] 과정을 통해 시간에 따른 페르소나 붕괴 과정을 추적할 수 있다.

본 연구는 주로 영어 기반의 지시 학습된(Instruction-tuned) 모델들을 대상으로 실험되었으며, 더 작은 규모의 모델이나 다른 언어 모델에서의 일반화 성능은 추가 검증이 필요하다. 또한 현재는 1:1 대화 상황에 최적화되어 있어 다자간 대화나 역할이 동적으로 변하는 복잡한 시나리오에는 한계가 있을 수 있다.