오픈AI가 목표가 달성될 때까지 '코덱스(Codex)'가 스스로 코딩 작업을 이어가는 기능을 추가했다. 이른바 ‘랄프 루프(Ralph loop)’로 불리는 방식으로, 사람이 중간에 지속적으로 지시하지 않아도 AI가 며칠에 걸쳐 작업을 이어갈 수 있다.
오픈AI는 1일(현지시간) 개발자용 코딩 도구 코덱스 CLI에 장기 목표를 자율적으로 수행하는 ‘목표(/goal)’ 기능을 공개했다. 최신 버전 코덱스 0.128.0에 포함된 이 기능은 목표가 달성될 때까지 AI가 스스로 작업을 이어간다.
즉 개발자가 단순히 목표만 설정하면, 코덱스가 이를 달성하기 위해 계획 수립부터 코드 작성, 테스트, 디버깅까지 전 과정을 반복 수행하는 구조로 설계됐다.
예를 들어 “특정 기능을 구현하고 테스트까지 완료하라”는 목표를 설정하면, 코덱스는 이를 달성하기 위한 단계별 계획을 세우고 코드를 작성한 뒤, 오류를 수정하고 검증까지 수행한다. 목표가 완료되거나, 중단되거나, 예산 등의 제약에 도달하기 전까지 작업을 지속하는 것이 특징이다.
CLI 내부에는 ‘/goal <objective>’ 형태의 기본 명령어를 비롯해 ‘/goal pause’, ‘/goal resume’, ‘/goal clear’ 등 목표 관리 기능이 포함돼 있으며, 상태도 ‘진행 중(pursuing)’ ‘일시 중지(paused)’ ‘달성(achieved)’ ‘미달성(unmet)’ ‘예산 제한(budget-limited)’ 등으로 구분된다.
이는 기존의 ‘/plan’, ‘/resume’ 등 단발성 작업 중심 명령어와 달리, 목표 중심의 장기 작업 흐름을 지원한다는 점에서 차별화된다.
다만 이 기능은 현재 공식 문서나 CLI 도움말에서 충분히 강조되지 않아 접근성이 떨어진다는 지적도 나온다. 실제로 일부 사용자들은 이 기능의 존재 여부를 확인하기 어려워 유사 명령어를 사용하는 등 비효율적인 활용 사례가 발생하고 있는 것으로 알려졌다.
전문가들은 이 기능이 AI 에이전트의 자율성을 한 단계 끌어올린 사례로 평가한다. 기존에는 사용자가 지속적으로 프롬프트를 입력하며 작업을 이어가야 했다면, 이제는 명확한 목표와 성공 기준만 정의하면 AI가 이를 끝까지 수행하는 구조가 가능해졌기 때문이다.
특히 테스트, 배포, 성능 지표 등 명확한 성공 조건을 함께 설정할 경우, 코덱스는 해당 기준을 충족할 때까지 반복적으로 작업을 개선하는 방식으로 동작한다. 이는 단순 코드 생성 도구를 넘어, 실제 개발 업무를 수행하는 자율형 개발 에이전트로의 진화를 의미한다.
You can now keep codex going for days.
With GPT-5.5 it will build an entire OS kernel for you if you ask, or find critical bugs in a codebase, or optimize your database schemas, or… the options are endless.
https://t.co/5shgRzQpRt
— Tibo (@thsottiaux)
April 30, 2026
지난해 말부터 개발자 사이에서는 '랄프 위검(Ralph Wiggum)'이 화제였다. 이는 원하는 결과를 얻을 때까지 AI가 실패를 반복하는 것을 말한다. 골 기능을 개발한 펠리페 쿠리 오픈AI 엔지니어도 "랄프 루프에 대한 우리만의 해석"이라고 밝혔다.
오픈클로의 개발자인 피터 스타인버거는 이에 극찬을 보냈다. 그는 2일 X를 통해 "코덱스에 새로 추가된 /goal 기능 진짜 끝내준다"라는 글을 올렸다. 그의 작업은 각각 11시간31분, 22시간28분 동안 지속됐다.
그러나 랄프 루프 등장 당시에도 지적됐듯, AI가 목표 달성을 위해 무한 루프에 빠지거나 사소한 오류를 해결하지 못해 수천번의 API 호출을 반복할 경우, 단일 작업에 큰 비용이 발생할 수 있다.
이에 대해 쿠리 엔지니어는 "MS의 파이라이트(Pyright)와 파이랜스(Pylance)를 개발한 전설적인 엔지니어 에릭 트라우트와 이를 개발했으며, 현재 오픈AI 내부 엔지니어들이 직접 구현하고 실무에 적용하며 효과를 보고 있다"라고 밝혔다.
티보 소티오 오픈AI 코덱스 리더도 "GPT-5.5의 능력이 뒷받침되며, OS 커널 빌드나 데이터베이스 최적화 같은 고난도 작업이 가능해졌다"라고 강조했다. 이는 모델의 추론 정확도가 높아짐에 따라 과거의 단순 무한 루프와 달리, 실질적인 결과물에 도달하는 유효 턴의 비중이 비약적으로 상승했음을 의미한다.
박찬 기자 cpark@aitimes.com
댓글
0