Web3에서는 같은 사건이라도 공식 발표·온체인 데이터·시장 가격·소셜 반응에서 서로 다른 정보가 나옴. 검색 하나만 잘한다고 전체 상황을 보기 어려운 이유임.

DAPPOS 공식 문서에는 MAF의 고급 기능 중 하나로 Multi-Agent Search가 명시돼 있습니다. 서로 다른 전문 영역의 에이전트가 자료를 찾고 판단한 뒤 결과를 연결할 수 있는 구조임.

예를 들어 신규 프로토콜을 조사한다면 한쪽에서는 공식 문서를 보고, 다른 쪽에서는 온체인 데이터를 확인하고, 또 다른 작업에서는 시장 반응을 살펴보는 식으로 나눌 수 있음.

중요한 건 검색 결과를 많이 쌓는 게 아니라 서로 다른 관점의 조사를 하나의 판단으로 모으는 것임.

AI 모델이 아무리 강해도 자신의 학습 데이터 안에 없는 실시간 가격·온체인 데이터·계산 결과까지 머릿속에서 정확히 만들어낼 수는 없음.

DAPPOS MAF는 약 300~400개의 전문 에이전트와 200개 이상의 통합 도구를 조정하고, 공식 문서에서는 tool-augmented generation을 지원한다고 설명합니다.

즉 AI가 답을 추측하는 대신 필요한 경우 외부 도구를 사용해 데이터를 가져오거나 계산하고, 그 결과를 다시 추론에 활용하는 방식임.

Web3 AI에서 중요한 건 모델 하나의 지식량보다 어떤 데이터와 도구를 언제 호출할 수 있는가라는 점이 다섯 번째 기술 포인트임.

Web3 프로젝트의 마케팅 콘텐츠를 만들려면 문장만 예쁘게 쓰는 것보다 프로젝트 구조·최근 이슈·사용자 관심사까지 이해해야 할 때가 많음.

DAPPOS Quick Start에는 프로젝트 팀과 KOL의 마케팅 콘텐츠 제작을 위한 Marketing Tag가 별도 옵션으로 제공됩니다.

DAPPOS의 Intelligence Layer 자체가 리서치·시장 인사이트 등을 처리하는 전문 에이전트와 도구를 조정하는 구조이기 때문에, Marketing Tag는 단순 카피 생성보다는 마케팅 목적에 맞게 전체 AI 처리 방향을 지정하는 입력 신호로 볼 수 있음.

예를 들어 같은 프로젝트 자료라도:

기술 분석
초보자 설명
캠페인 콘텐츠

에서는 필요한 결과가 달라짐.

AI Agent가 발전하면 자연스럽게 “사람이 개입하지 않아도 알아서 끝까지 해주는 것”을 떠올리게 됨.

그런데 Web3에서는 분석 결과 하나가 실제 자산 이동이나 온체인 실행으로 이어질 수 있음. 이런 상황에서 처음부터 끝까지 AI에게 무조건 맡기는 것만이 좋은 설계라고 보기는 어려움.

DAPPOS의 MAF는 그래서 AI Interrupt와 Human-in-the-Loop 구조를 포함합니다. 내부 Controller가 작업을 진행하면서 필요한 지점에서는 AI 흐름을 멈추거나 사용자 확인을 받을 수 있도록 설계돼 있습니다. 공식 기술 자료는 이를 자율적인 AI 판단에 자유를 주면서도 오류를 줄이는 safety rail로 설명합니다.

즉 목표는

완전 자동화

하나가 아니라

자동화할 곳은 자동화하고, 중요한 순간에는 사람이 다시 개입할 수 있게 만드는 것

AI Agent가 실제 업무와 자산을 다룰수록 이런 경계 설계가 더 중요해질 수 있음

AI가 이미 작업을 끝낸 다음 사람이 결과만 확인하는 것과, 작업 도중 필요한 순간에 사람이 개입하는 것은 완전히 다름.

DAPPOS의 MAF 기반 상태 구조에는 Agent 간 메시지나 계획뿐 아니라 UI Interrupt, Error, Conditional Flag 같은 변수도 포함​됩니다.

즉 사용자 개입이 예상 밖의 예외 상황으로만 취급되는 게 아니라, 처음부터 작업 흐름 안에서 다룰 수 있는 상태 중 하나로 설계된 것임.

예를 들어 AI가 어떤 단계에서 사용자 승인이 필요하다고 판단하면,

작업 상태 저장
→ UI Interrupt
→ 사용자 확인
→ 이후 작업 재개

같은 흐름을 만들 수 있음.

Human-in-the-Loop를 AI 바깥에 붙인 확인창이 아니라 Agent workflow의 일부로 보는 것이 기술적으로 중요한 포인트임.

AI 검색에서 흔한 문제는 자료가 부족한데도 일단 그럴듯한 답을 만들어내는 것임.

DAPPOS의 Search Subgraph에는 검색 결과를 합친 뒤 relevance를 필터링하고, 다시 Enhanced Review Loop를 거치는 과정이 있습니다.

공식 백서에서는 enhanced_search_review_node가 source diversity나 accuracy score 같은 confidence criteria가 충족됐는지 검사하고, 충분하지 않으면 검색 과정을 다시 반복하는 구조를 설명합니다.

즉

검색 완료
≠
조사 완료

임.

검색
→ 결과 병합
→ 필터링
→ Confidence 검사
→ 부족하면 다시 검색 이 되는 것.

AI가 스스로 “자료를 찾았다”와 “이제 답해도 충분하다”를 구분하도록 만드는 일종의 Quality Gate임.

검색 결과가 20개라고 해서 항상 근거가 충분한 것은 아님.

20개가 모두 하나의 주장만 반복한다면 실제 정보 다양성은 낮을 수 있음.

DAPPOS 공식 기술 설명에서는 Search Subgraph의 Enhanced Review가 판단할 수 있는 confidence criteria의 예로 source diversity와 accuracy score를 제시합니다.

즉 단순히

자료 20개 확보 → 완료

가 아니라,

“서로 다른 관점이나 출처가 충분히 확보됐는가”

까지 검사 대상으로 둘 수 있는 구조임.

Web3처럼 루머 하나가 여러 계정과 사이트를 통해 빠르게 복제되는 환경에서는 특히 의미가 있음.

AI 검색 기술이 결국 검색량 경쟁에서 조사를 끝내도 되는 조건을 정의하는 문제로 이어지는 이유임.

AI가 “이 전략이 좋아 보입니다”라고 분석하는 것과 실제 자산을 움직이는 것은 다른 문제임.

그래서 DAPPOS의 DeFi Subgraph는 시장 데이터를 가져오고 strategy_generator가 계획을 만든 뒤 strategy_validator를 거치도록 구성돼 있습니다.

공식 백서는 이 Validator가 위험을 평가하고, 결과를 시뮬레이션하며, 필요한 경우 사용자 선택까지 반영한다고 설명합니다.

흐름은 대략

Market Data
↓
Strategy Generation
↓
Risk Check
↓
Simulation
↓
Validation

임.

즉 Intelligence Layer에서 좋은 아이디어를 만드는 것과 실행 가능한 계획으로 승인하는 것을 분리함.

Web3 AI에서 “생각을 잘하는 Agent”와 “실제로 실행해도 되는 판단” 사이에 하나의 검증 계층이 필요한 이유임

사용자가 항상 완벽한 프롬프트를 입력할 수는 없음.

예를 들어

“내 상황에 맞게 포트폴리오 구성해줘”

라고 했는데 기간이나 위험 선호도처럼 중요한 정보가 빠져 있을 수도 있음.

DAPPOS 공식 백서에서는 사용자의 질문이나 제공된 정보가 정확한 분석을 하기 부족할 경우 AI가 실행을 일시정지하고 targeted question을 통해 추가 정보를 요청하는 구조를 설명합니다.

이게 꽤 중요한 차이임.

정보 부족
→ AI가 임의로 가정
→ 결과 생성

이 아니라,

정보 부족
→ Interrupt
→ 필요한 항목 질문
→ 답변 수신
→ 작업 계속

이라는 방식임.

Low-Prompt AI라고 해서 무조건 사용자의 입력을 짧게 받아 추측하는 것이 아니라, 꼭 필요한 정보만 다시 물어볼 수 있어야 함.

AI가 10초 정도 생각하는 작업이라면 기다려도 큰 문제가 없음.

그런데 여러 Agent가 검색하고 분석하고 검증하는 장기 작업이 몇 분 이상 이어지면 사용자는 지금 AI가 정상적으로 일하고 있는지 알기 어려움.

DAPPOS의 MAF는 이를 위해 long-running task 동안 메시지를 streaming해 진행 상황을 실시간으로 사용자에게 전달하는 구조를 포함합니다.

Streaming은 단순히 로딩 화면을 예쁘게 만드는 기능만은 아님.

사용자가 작업 흐름을 보고 있다가 필요하면 개입할 수 있다는 점에서 Interrupt 구조와 함께 Human-in-the-Loop를 가능하게 하는 인터페이스가 됨.

자동화가 길고 복잡해질수록

“끝나면 알려줘”

만큼이나

“지금 어디까지 진행됐는지 보여줘”

가 중요해지는 이유임.

이번 기술을 한 흐름으로 연결하면 이렇게 볼 수 있음.

사용자 요청
↓
AI 작업 진행
↓
Search Confidence Check
↓
정보 부족 시 Clarification Interrupt
↓
Strategy 생성
↓
Risk Validation + Simulation
↓
필요 시 UI Approval
↓
Validated Plan
↓
Execution Layer

장시간 작업에서는 중간 진행 상황도 Streaming으로 전달됨. DAPPOS는 이런 구조를 composable autonomy와 safety rails를 결합하는 방식으로 설명하며, 최신 공식 문서에서도 HCI Interrupt, streaming progress, safety rail을 MAF의 human-in-the-loop 요소로 제시합니다.

결국 강한 AI Agent는 무조건 사람 없이 끝까지 움직이는 시스템일 필요는 없음.

확실할 때는 스스로 진행하고,
불확실하면 더 검증하고,
정보가 부족하면 질문하고,
중요한 행동 앞에서는 사람에게 결정권을 돌려주는 것.

DAPPOS가 AI Interrupt를 두는 기술적 이유를 가장 쉽게 설명하면 이 구조임.