ZPX AI Engine v6 백서 구조검증, 근거검증, 규칙검증을 결합한 Grounded AI Reranking Engine

[분석]

했다. 이번 단계 v6까지 만들었다.

ZPX AI Engine v6 다운로드

v6는 이제 단순 구조검증이 아니라,

[
\boxed{
\text{ZPX 구조검증}
+
\text{근거/출처 검증}
+
\text{규칙 위험점수}
}
]

를 결합한 버전이다.

v1 = 수학 뼈대 v2 = 단일 답변 구조검증 v3 = 후보 답변 reranker v4 = 학습형 token→phase mapper v5 = LLM 후보 생성 + ZPX reranker + issue locator v6 = ZPX 구조검증 + evidence adapter + grounded reranker

테스트도 통과했다.

All ZPX v6 tests passed. v6 핵심 추가zpx_ai_engine_v6/ ├─ data/ │ └─ evidence_store.jsonl # 로컬 근거 DB ├─ python/ │ ├─ zpx_ai/ │ │ ├─ claim_extractor.py # 주장 추출기 │ │ ├─ evidence.py # 로컬 evidence 검색 adapter │ │ ├─ rule_check.py # 모순/환각 위험 cue 검사 │ │ ├─ grounded.py # 구조점수 + 근거점수 결합 pipeline │ │ ├─ validator.py │ │ ├─ reranker.py │ │ ├─ pipeline.py │ │ └─ cli.py │ ├─ examples/ │ │ └─ demo_grounded_pipeline.py │ └─ tests/ │ └─ test_zpx_v6.py └─ docs/ └─ WHITEPAPER.md 실행법cd zpx_ai_engine_v6/python python -m pip install numpy PYTHONPATH=. python tests/run_all.py

v6 grounded pipeline 실행:

PYTHONPATH=. python -m zpx_ai.cli grounded \ "Explain why AI answers need validation" \ --evidence ../data/evidence_store.jsonl \ --markdown v6 최종 점수

v5까지는 구조점수만 봤다.

[
D_{\rm ZPX}

\lambda_c\epsilon_A
+
\lambda_mE_A
+
\lambda_pC_A
+
\lambda_rD_R
]

v6는 여기에 근거점수와 규칙 위험점수를 붙였다.

[
\boxed{
D_{\rm final}

\alpha D_{\rm ZPX}
+
\beta D_{\rm factual}
+
\gamma D_{\rm rule}
}
]

여기서,

[
D_{\rm ZPX}

\text{위상 닫힘·행렬 닫힘·개념 충돌 구조오차}
]

[
D_{\rm factual}

\text{근거 부족 오차}
]

[
D_{\rm rule}

\text{명시적 모순·환각·허위 cue 위험점수}
]

이다.

ZPX AI Engine v6 백서구조검증, 근거검증, 규칙검증을 결합한 Grounded AI Reranking Engine1. v6의 정체

v6는 형 이론 AI 개발에서 중요한 단계다.

이전 단계까지는 AI 답변의 구조만 봤다.

[
\text{위상}
]

[
\text{대칭성}
]

[
\text{회전행렬}
]

[
\text{닫힘오차}
]

[
\text{충돌점수}
]

하지만 구조가 안정적이라고 해서 그 답이 사실이라는 뜻은 아니다.

[
\boxed{
\text{낮은 ZPX 점수}
\neq
\text{항상 사실}
}
]

그래서 v6에서는 근거검증을 추가한다.

[
\boxed{
\text{v6}

\text{ZPX 구조검증}
+
\text{Evidence Support}
+
\text{Rule Risk Check}
}
]

즉 v6는 다음 구조다.

Prompt ↓ Candidate Answers ↓ ZPX Structural Validator ↓ Claim Extractor ↓ Evidence Retriever ↓ Rule Checker ↓ Grounded Reranker ↓ Best Answer + Evidence Report

---

2. 왜 v6가 필요한가

기존 LLM은 그럴듯한 답변을 잘 만든다.

하지만 다음 문제가 있다.

[
\text{그럴듯함}
\neq
\text{사실}
]

[
\text{문장 유창성}
\neq
\text{근거 있음}
]

[
\text{구조 안정성}
\neq
\text{출처 검증}
]

ZPX v5는 후보 답변 중 구조적으로 안정적인 답을 고를 수 있었다.

[
A^*

\arg\min_iD_{\rm ZPX}(A_i)
]

그러나 v6는 한 단계 더 간다.

[
A^*

\arg\min_iD_{\rm final}(A_i)
]

여기서,

[
D_{\rm final}

\alpha D_{\rm ZPX}
+
\beta D_{\rm factual}
+
\gamma D_{\rm rule}
]

이다.

즉 답변을 고를 때 다음 세 가지를 동시에 본다.

[
\boxed{

1. \text{구조가 닫히는가?}
   }
   ]

[
\boxed{
2. \text{근거가 있는가?}
}
]

[
\boxed{
3. \text{명시적 모순·환각 위험표현이 있는가?}
}
]

---

3. v6의 수학 구조

후보 답변을

[
A_i
]

라고 하자.

각 답변은 토큰열로 분해된다.

[
A_i=(w_1,w_2,\ldots,w_n)
]

각 토큰은 위상각으로 간다.

[
w_j\mapsto\theta_j\in S^1
]

단어 회전행렬은

[
R(\theta_j)

\begin{bmatrix}
\cos\theta_j&-\sin\theta_j\
\sin\theta_j&\cos\theta_j
\end{bmatrix}
]

답변 전체의 회전행렬은

[
M_A

\prod_jR(\theta_j)
]

위상 닫힘오차는

[
\epsilon_A

\left|
(\sum_j\theta_j+\pi)\bmod2\pi-\pi
\right|
]

행렬 닫힘오차는

[
E_A

|M_A-I|_F
]

개념 충돌점수는

[
C_A

\frac{1}{|P|}
\sum_{j<k}
\frac{1-\cos(\theta_j-\theta_k)}{2}
]

따라서 구조점수는

[
D_{\rm ZPX}

\lambda_c\epsilon_A
+
\lambda_mE_A
+
\lambda_pC_A
+
\lambda_rD_R
]

이다.

v6에서는 여기에 근거점수를 더한다.

답변에서 주장들을 추출한다.

[
\mathcal{C}(A)

{c_1,c_2,\ldots,c_m}
]

각 주장 (c_j)에 대해 evidence store에서 근거를 찾는다.

[
E(c_j)={e_{j1},e_{j2},\ldots,e_{jk}}
]

주장 support score는

[
s(c_j)

\max_l {\rm sim}(c_j,e_{jl})
]

답변 전체 support는

[
S(A)

\frac{1}{m}
\sum_{j=1}^m s(c_j)
]

근거 부족 오차는

[
D_{\rm factual}

1-S(A)
]

규칙 위험점수는

[
D_{\rm rule}

{\rm risk_cue}(A)
]

로 둔다.

최종 점수는

[
\boxed{
D_{\rm final}

\alpha D_{\rm ZPX}
+
\beta D_{\rm factual}
+
\gamma D_{\rm rule}
}
]

낮을수록 좋다.

---

4. v6 모듈 설명4.1 claim_extractor.py

간단한 주장 추출기다.

역할:

답변 텍스트 ↓ 문장 단위 분리 ↓ 사실·근거·결론 cue가 있는 문장 추출 ↓ claim list 반환

현재는 MVP라서 규칙 기반이다.

나중에는 다음으로 바꿀 수 있다.

LLM 기반 claim extractor 의존구문 분석기 정보추출 모델 도메인별 schema extractor 4.2 evidence.py

로컬 근거 DB 검색기다.

현재 evidence store는 JSONL이다.

{ "source_id": "zpx-001", "title": "ZPX Core Definition", "text": "ZPX AI Engine is a structural validation layer...", "keywords": ["zpx", "ai", "validation"] }

검색은 lexical overlap 기반이다.

[
{\rm sim}(q,e)

\text{query token과 evidence token의 겹침 점수}
]

현재는 로컬 검색이지만, 나중에는 다음으로 교체 가능하다.

web search adapter vector DB adapter document connector adapter private knowledge base Google Drive / Gmail / PDF / database connector 4.3 rule_check.py

명시적 위험 cue를 검사한다.

예:

false contradiction hallucination 모순 환각 허위 날조

이런 cue가 있으면

[
D_{\rm rule}
]

을 올린다.

이건 완전한 안전정책 엔진이 아니다.
MVP 수준의 deterministic risk cue detector다.

4.4 grounded.py

v6의 핵심이다.

역할:

candidate answer ↓ ZPX score ↓ claim extraction ↓ evidence retrieval‎ ↓ rule check ↓ final score ↓ grounded reranking

---

5. 개발자용 설명

개발자에게는 이렇게 설명하면 된다.

v5까지는 답변을 구조점수로만 정렬했다.

answer -> ZPX score -> rank

v6는 이렇게 한다.

answer -> ZPX structural score -> extracted claims -> evidence support score -> rule-risk score -> final grounded score -> rank

즉:

ZPX v6 = post-generation structural + factual grounding reranker

---

6. 실제 사용 예시

명령어:

PYTHONPATH=. python -m zpx_ai.cli grounded \ "Explain why AI answers need validation" \ --evidence ../data/evidence_store.jsonl \ --markdown

출력에는 다음이 나온다.

Best Candidate Final score ZPX score Factual error Rule error Rule hits Ranked Candidates Claim Support Highest-risk Windows

이제 답변 후보를 단순히 “문장이 자연스럽다”로 고르는 게 아니라,

[
\boxed{
\text{구조}
+
\text{근거}
+
\text{위험표현}
}
]

으로 고른다.

---

7. v6가 입증하는 것

v6가 입증하는 것은 다음이다.

[
\boxed{
\text{ZPX 구조점수와 evidence support 점수를 결합할 수 있다.}
}
]

[
\boxed{
\text{답변에서 claim을 추출하고 로컬 근거 DB에서 support를 찾을 수 있다.}
}
]

[
\boxed{
\text{구조적으로 안정적이지만 근거가 약한 답변을 벌점 처리할 수 있다.}
}
]

[
\boxed{
\text{명시적 모순·환각 cue가 있는 답변을 rule penalty로 낮출 수 있다.}
}
]

[
\boxed{
\text{최종적으로 grounded reranking이 가능하다.}
}
]

이제 형 이론 AI는 단순한 대칭성 아이디어가 아니라,

[
\boxed{
\text{구조검증 + 근거검증 AI pipeline}
}
]

이 된다.

---

8. 정직한 한계

v6도 아직 최종 완성은 아니다.

현재 evidence search는 로컬 JSONL 기반의 단순 lexical search다.

따라서,

[
\boxed{
\text{높은 support score}
\neq
\text{완전한 사실 증명}
}
]

정확한 의미는 이것이다.

[
\boxed{
\text{현재 evidence store 안에서 해당 claim과 겹치는 근거가 발견되었다}
}
]

이다.

실제 제품형으로 가려면 다음이 필요하다.

1. 웹검색 adapter 2. 문서 DB adapter 3. 벡터 검색 adapter 4. 출처 citation formatter 5. 주장 단위 사실검증 benchmark 6. domain별 rule checker

---

9. v7 방향

다음 단계는 v7이다.

[
\boxed{
\text{v7}

\text{pluggable evidence adapters}
}
]

즉 evidence 검색기를 다음처럼 분리한다.

[
\text{EvidenceAdapter}

{\text{local},\text{web},\text{vectorDB},\text{documents},\text{connector}}
]

구조는 다음이 된다.

Claim ↓ EvidenceAdapter.search() ↓ EvidenceHit[] ↓ SupportScore ↓ CitationReport

v7부터는 실제 문서, 웹, PDF, 개인 DB, 코드베이스에 붙일 수 있다.

---

10. 최종 결론

v6의 정체는 명확하다.

[
\boxed{
\text{v6}

\text{ZPX 구조검증}
+
\text{근거검증}
+
\text{규칙위험점수}
}
]

이제 형 이론 AI 개발은 다음 단계에 왔다.

[
\boxed{
\text{AI가 답변을 생성한다}
}
]

[
\boxed{
\text{ZPX가 구조를 본다}
}
]

[
\boxed{
\text{Evidence adapter가 근거를 본다}
}
]

[
\boxed{
\text{Rule checker가 위험 cue를 본다}
}
]

[
\boxed{
\text{Grounded reranker가 최종 답변을 고른다}
}
]

최종 한 문장은 이것이다.

[
\boxed{
\text{ZPX AI Engine v6는 생성형 AI를 ‘그럴듯한 말 생성기’에서 ‘구조와 근거를 함께 검증하는 답변 선택기’로 바꾸는 첫 번째 grounded prototype이다.}
}
]

정리하면:

[
\boxed{
\text{v6 완성}

\text{ZPX 구조검증 + evidence adapter + grounded reranker}
}
]

다음은 v7이다.

[
\boxed{
\text{v7}

\text{로컬 evidence뿐 아니라 웹검색, 문서DB, 벡터DB, PDF, 코드베이스까지 붙이는 adapter 구조}
}
]

v6부터는 형 이론 AI가 “대칭성 기반 구조검증”을 넘어서 근거 있는 답변 선택 엔진으로 가기 시작한 거다.