생성형 UI, 왜 느렸을까?
A2UI(A2UI는 클라이언트가 신뢰하는 컴포넌트 카탈로그를 계약처럼 광고하고, 에이전트가 그 카탈로그로 UI를 기술하는 메시지를 보내면 렌더러가 그리는 방식)를 처음 도입했을 때, 에이전트는 A2UI JSON 전송 메시지를 날것 그대로 생성했어요. 중괄호 하나하나, 중첩 엘리먼트 하나하나를 LLM이 직접 뽑아내는 구조였죠.
문제는 명확했어요. 복잡한 JSON 스키마로 제약된 JSON 트리를 LLM이 생성하는 건 느리고 오류가 잦습니다. 게다가 이 구조는 A2UI를 '텍스트만 뱉는 LLM'에 강하게 묶어버려서, 훨씬 빠른 System One 계열 Decision Model을 끼워 넣기가 어려웠어요.
그래서 이번 릴리스에서는 교체 가능한 추론 포맷(swappable inference format) 을 도입했습니다. 모델이 화면을 그리는 방식 자체를 바꿔서, 지연 시간을 줄이는 레버를 개발자 손에 쥐여준 거예요. 자세한 배경은 근거자료에서 확인할 수 있습니다.
핵심 아이디어는 이렇습니다.
- 모델은 A2UI Express 라는 중간 포맷을 생성한다
- A2UI Agent SDK의 결정적(deterministic) 컴파일러가 이를 표준 JSON 전송 프로토콜로 변환한다
- 특수한 유즈케이스라면 다른 DSL과 그 컴파일러로 교체도 가능하다
즉, '모델이 뱉는 것'과 '클라이언트가 받는 것'을 분리한 거죠. 이게 이번 변화의 본질입니다.

Express vs Decision Model: 언제 뭘 써야 하나
1) Express 포맷, 뭐가 달라졌나
Express는 한 줄에 하나의 statement를 쓰는, 파이썬에 가까운 문법이에요. 각 줄이 컴포넌트를 변수에 할당하고, 그 변수명이 곧 컴포넌트 ID가 됩니다. 인자는 위치 기반(positional)이라 카탈로그 스키마 선언 순서대로 프로퍼티에 매핑되고, _ 로 하나를 건너뛸 수 있어요.
# A2UI 갤러리의 알림 카드 예시 (Express 포맷)
surface("gallery-notification-permission")
$/description="Get alerts for order status changes"
$/icon="check"
$/title="Enable notification"
root=Card(main_column)
main_column=Column([icon, title, description, actions], _, "center")
icon=Icon($/icon)
title=Text($/title)
description=Text($/description, "body")
actions=Row([yes_btn, no_btn], "center")
yes_btn_text=Text("Yes")
yes_btn=Button(yes_btn_text, _, Event("accept", {}))
no_btn_text=Text("No")
no_btn=Button(no_btn_text, _, Event("decline", {}))
$/title 처럼 $ 로 시작하는 건 데이터 모델에 값을 바인딩한다는 뜻이고, Event("accept") 는 서버 액션을 선언하는 문법이에요.
2) SDK에서 포맷 교체는 인자 하나
inference_format 은 제너레이터를 만들 때 인자 하나로 지정합니다. SDK가 해당 포맷의 프롬프트 지시문을 생성하고, 모델 응답을 표준 A2UI 메시지로 컴파일해줘요.
from a2ui.processor import A2uiGenerator, CatalogConfig
from a2ui.inference_formats import ExpressFormatFactory
catalog = CatalogConfig.from_path("catalog.json")
generator = A2uiGenerator(
[catalog],
examples=few_shot_examples, # A2UI JSON으로 한 번만 작성
inference_format_factory=ExpressFormatFactory(), # 여기서 포맷 교체
)
processor = generator.create_processor(renderer_capabilities)
system_prompt = f"{instructions}\n\n{processor.prompt_snippet}"
parts = processor.parse_response(model_reply) # 텍스트 파트 + 검증된 A2UI 메시지
TypeScript에서는 new ExpressFormatFactory() 를 제너레이터의 세 번째 인자로 넘기면 됩니다. Python/TypeScript SDK 모두 Direct JSON은 청크 단위 스트리밍이 되고, Express는 완성된 응답 전체를 컴파일하는 방식이에요.
3) 정형 화면엔 Decision Model (Jev)
설정 페이지, 결제, 확인 화면처럼 형태가 이미 정해진 화면은 모델이 레이아웃을 '디자인'할 필요가 없습니다. 미리 정의한 레이아웃 중에서 '고르기'만 하면 되죠. 이때 등장하는 게 TypeSafe의 Jev 같은 System One 모델이에요.
Jev는 텍스트도 JSON도 생성하지 않습니다. 상태(state)와 타입이 지정된 질문 세트를 던지면, 각 질문에 보정된 확률(calibrated probability) 로 답해요. 질문 유형은 세 가지입니다.
Noul— 명제가 참인가?Choice— 리스트 중 어느 옵션이 맞나?Score— 루브릭 상 얼마인가?
한 요청에 여러 질문을 약 100~300ms 만에 처리합니다. 이건 LLM 추론과는 완전히 다른 종류의 속도예요.
4) 실측 비교: 숫자로 보는 차이
| 항목 | Direct JSON | A2UI Express | Decision Model (Jev) |
|---|---|---|---|
| 지연 개선 | 기준선 | 최대 3배 단축 | 최대 80배 단축 |
| 토큰 사용량 | 기준선 | 최대 3배 절감 | 해당 없음(텍스트 미생성) |
| 표현력 | 완전 | 완전 | 문법이 정의한 레이아웃으로 제한 |
| Thinking 모드 | 필요 | off에서도 성능 유지 | 해당 없음 |
| 적합한 화면 | - | 임의 형태의 화면 | 정형 화면(설정/결제/확인) |
Apparite(jev2ui) 사례에서는 11개 프롬프트 실행 시 컴포넌트 트리가 92~298ms 만에 화면에 나타났고, 각 화면은 0.8~1.7초 에 완성됐어요. 텍스트 라이터는 화면당 101~341 토큰만 생성했습니다. 다만 샘플이 작아서 '첫 관측치' 정도로 봐야 합니다.
5) 매크로로 데이터 바인딩
Python SDK의 매크로를 쓰면, 화면에 이미 시스템이 가진 데이터를 보여줄 때 유용합니다. 모델은 OrderStatus("ord_42") 처럼 ID만 담은 호출을 쓰고, 매크로가 주문을 조회해서 값을 채워요. 화면의 모든 값이 실제 데이터에서 바로 오는 구조죠.

주의사항: 만능은 아니다
Express가 빨라졌다고 해서 모든 상황의 정답은 아닙니다. 실무에서 반드시 짚어야 할 지점들이에요.
1) Controlled generation은 문법의 감옥이다
Decision Model 기반 생성은 문법이 기술한 레이아웃만 만들 수 있습니다. Apparite의 문법은 9개 화면 아키타입과 12개 블록만 커버해요. 형태를 미리 알 수 없는 화면은 Express가 더 나은 선택입니다. 이건 '제약'이 곧 '속도'인 트레이드오프예요.
2) 스트리밍 동작이 포맷마다 다르다
Direct JSON은 청크 단위 스트리밍이 되지만, Express는 완성된 응답을 컴파일합니다. 즉 '타이핑하듯 화면이 그려지는' UX를 기대했다면 체감이 달라질 수 있어요. 대신 전체 완성 속도는 훨씬 빠릅니다.
3) SDK에 Decision Model 포맷은 아직 없다
A2UI Agent SDK에는 Decision Model용 추론 포맷이 아직 포함되어 있지 않습니다. jev2ui 같은 프로젝트가 '이렇게 조립할 수 있다'는 예시를 보여주는 수준이에요. 프로덕션에 넣으려면 자체 파이프라인을 구성해야 합니다.
4) OpenUI Lang과는 아직 호환 안 됨
Express는 OpenUI Lang에서 부분적으로 영감을 받았지만(둘 다 name = Component(...) 형태), 아직 상호 교환 불가 입니다. OpenUI 팀이 공유 문법을 제안한 상태(#3214)니, 표준화가 진행되면 다시 봐야 할 부분이에요.
5) 카탈로그 스키마가 곧 안전장치
프롬프트와 컴파일러가 둘 다 스키마에서 생성되기 때문에, 포맷이 카탈로그에 없는 컴포넌트나 프로퍼티를 기술할 수는 없습니다. 이건 장점이자 제약이에요. 카탈로그 설계가 곧 생성 가능한 UI의 경계가 됩니다.
💡 참고로, 국내 B2B 어드민이나 사내툴처럼 화면 패턴이 반복되는 환경에서는 Decision Model의 '정형 화면' 접근이 특히 잘 맞습니다. 반면 커스텀 대시보드처럼 형태가 매번 달라지는 화면은 Express 쪽이 안전해요.

결론: '화면의 정형성'으로 선택하라
정리하면 이렇습니다.
- 화면 일부라도 미리 정의 가능한가? → 그 비율이 높을수록 Decision Model이 유리
- 완전한 표현력이 필요한가? → Express가 정답
- 둘 다 필요하면? → Express로 시작하고, 반복되는 정형 화면만 Decision Model로 분리
바로 적용하는 방법은 간단합니다.
# Python
pip install a2ui-agent-sdk
# TypeScript
npm install @a2ui/agent
제너레이터 생성 시 ExpressFormatFactory() 를 넘기고, 모델은 thinking off 로 돌리세요. 카탈로그와 렌더러는 그대로 두면 됩니다.
특정 모델에게 '내 컴포넌트만으로 Express를 쓰는 법'을 가르치고 싶다면, Python SDK의 SkillGenerator 로 카탈로그에서 스킬을 뽑아낼 수 있어요.
import json
from a2ui.core import Catalog
from a2ui.inference_formats.express import ExpressFormat
from a2ui.skill import SkillGenerator
catalog = Catalog.from_json(json.load(open("catalog.json")))
skills = SkillGenerator(ExpressFormat([catalog])).generate_skillset()
skills.export_to_directory("skills") # a2ui-core + 카탈로그당 스킬 1개
다음 단계 학습 방향
- A2UI 기본 프로토콜부터 익히기 — 카탈로그/메시지/렌더러 구조를 모르면 Express의 이점이 안 보입니다
- Decision Model 개념 학습 — System One vs System Two, calibrated probability가 왜 중요한지
- 문법 설계 감각 — Controlled generation에서 '무엇을 미리 정의할 것인가'는 결국 도메인 설계 능력입니다
- OpenUI Lang 표준화 동향 추적 — 공유 문법이 정해지면 생태계가 크게 바뀔 수 있어요
함께 보면 좋은 글
- 메타가 AV1 코덱을 RTC에 도입한 이유 5년간의 삽질과 해결책 총정리 — 성능 최적화의 '트레이드오프 설계' 관점에서 읽어볼 만합니다
- CSS로 완벽한 파이차트 만들기 시맨틱과 접근성을 고려한 실전 가이드 — 생성된 UI가 결국 '렌더링'되는 곳은 프론트엔드라는 점에서 연결됩니다