The Prompt Rot: 시스템 프롬프트를 밤마다 스스로 고치는 하네스의 썩음과 되돌림 배당

무인 에이전트를 자기 GPU 플릿 위에서 밤새 돌리고 그 새벽의 자기진화 루프가 스킬만이 아니라 에이전트 자신의 시스템 프롬프트까지 다시 쓰도록 열어 둔 분이라면 이 글을 읽어야 합니다. 시스템 프롬프트는 플릿의 모든 호출에서 맨 앞에서 다시 전송되는 텍스트입니다. 루프 안 레버리지의 가장 큰 텍스트이기도 합니다. 밤마다 쌓이는 자기 편집이 이 텍스트를 얼마나 부풀리고 능력에 어떤 드리프트를 남기며 누적 편집을 되돌리는 일이 얼마나 싼 대가로 무엇을 사주는지를 이 글은 재습니다. 논문은 이 드리프트를 prompt rot(프롬프트 썩음)이라 쓰고 되돌림에서 얻는 것을 revert dividend(되돌림 배당)이라 부릅니다.

글의 핵심 개념을 형상화했습니다.

아직 한 번도 재지 못한 마지막 편집 가능 텍스트 층

2,200개 스킬의 무인 에이전트 하네스는 셀프호스트 H200 플릿 위에서 서빙됩니다. 각 호출은 맨 앞의 시스템 프롬프트 P, 그 뒤의 툴 스키마 TS, 태스크별 접미 u를 잇는 스트림을 보냅니다. P는 플릿 전체가 공유하고 매 호출마다 처음부터 다시 전송됩니다.

이 루프에서 밤마다 고쳐질 수 있는 텍스트는 스킬 설명(라우터가 읽는 SKILL.md 매니페스트), 공유 스킬 매니페스트 접두, 하네스 자신의 시스템 프롬프트, 세 층입니다. 앞의 두 층은 이미 썩는 대상(rotting object)으로 가격 매겨졌습니다. Silent Reroute가 매긴 것은 설명 편집의 부수 라우팅 드리프트이고 Unstable Prefix가 매긴 것은 매니페스트 churn의 KV 캐시 감가와 제곱근 동결 주기 k*입니다. 세 층 가운데 시스템 프롬프트가 아직 한 번도 재지 못한 마지막 층입니다. 동시에 가장 비싼 대상(매 호출, 플릿 전체 재전송)이면서 가장 영향력 있는 대상이기도 합니다. 그 안에 담긴 프로토콜 규칙(한 턴에 툴 호출 하나, 라우팅 타이브레이크, 포기)은 하류 능력 측정 전부가 전제하는 것이기 때문입니다.

외부 문헌도 이 층이 가상의 대사가 아니라 실제 대상임을 보여 줍니다. 상용 코딩 에이전트 5종의 1,886개 릴리스에서 지시 스택이 측정 가능하게 유전한다는 연구, 150개 서버 감사에서 모델 주변 표면 텍스트(오류 메시지, 툴 설명)가 툴 호출 행동을 바꾼다는 연구, 그리고 에이전트 마크다운 파일이 활발한 주입 표적임을 보여 준 연구까지 있습니다. 벤더가 릴리스마다 유전해서 내놓고 툴 호출을 재측정 가능하게 이끄는 동시에 공격자가 노리는 텍스트 층을, 무인 루프가 지금 스스로 편집하고 있습니다.

실제 하네스에서는 이미 일이 벌어졌습니다. 2026-10-29부터 2026-11-02까지 다섯 밤의 자기 편집이 관찰됩니다. 각 편집은 [Learned <날짜>] 태그를 달고 베이스라인 프로토콜 아래에 이어 붙어 있습니다.

편집	날짜	유형	토큰
e1	10-29	정책 드리프트(배칭 선호)	+60
e2	10-30	무해한 팽창(쓰기 툴 가드레일)	+81
e3	10-31	정책 드리프트(짧은 설명 타이브레이크)	+73
e4	11-01	정책 드리프트(호출 전 재진술)	+57
e5	11-02	무해한 팽창(상시 선호)	+174

표: 관찰된 다섯 밤의 자기 편집(cl100k_base 결정적 토큰 카운트). 유형은 편집 본문에서 선언됩니다. P_0 = 224토큰 베이스라인, P_5 = 669토큰(+445토큰).

이 다섯 편집은 224토큰의 동결 베이스라인을 669토큰까지, +445토큰, 198.7%로 불립니다. 비용 축은 이미 종이 위의 사실로 놓입니다. 남은 질문은 두 개입니다. 능력 축은 어떻게 움직이고 되돌림으로 무엇을 사는지요.

선언된 append-only 자기 편집 다섯 개(2026-10-29~2026-11-02)가 cl100k_base 기준 224토큰 동결 베이스라인 프롬프트를 669토큰(+445토큰, +198.7%)으로 결정적으로 불립니다. 분석 모델 그림이며 실측이 아닙니다. 토큰 수는 선언된 산출물의 결정적 카운트입니다.

append-only 규율에서는 썩음이 캐시 저렴하고 되돌림은 캐시 무상

서빙 엔진의 캐시 회계는 간단합니다. 완전 일치 자동 접두 캐시(APC)에서 캐시 상주 토큰은 fresh 토큰 가격의 선언된 분율 β가 되고 미캐시 토큰은 1입니다. 버전 변경 이벤트 직후 첫 호출은 캐시 상태와 가장 긴 공통 접두(LCP) 길이부터 미캐시 접미를 처음부터 계산하고 그 밤의 나머지 N개 호출은 β 단가로 접두를 재전송합니다. β는 셀프호스트 감가 규율의 선언 값이지 실측 값이 아닙니다.

첫 정리(Theorem 1)는 편집의 위치가 이 세금을 정하는 닫힌 형태를 줍니다. 세 항으로 압축됩니다.

append-only(접미 추가) 편집의 세금은 (s_k + τ)(1-β), 즉 편집 자체의 크기에 스키마 접미만 더한 값으로, 같은 편집의 모든 배치 중 최소 세금입니다. 동결된 베이스라인이 가장 긴 안정 접두로 캐시에 살아 남아 있기 때문. 제자리 수정 편집의 세금은 수정 위치 p’부터 끝까지 (t_k - p’ + τ)(1-β)이며 p’ = 0에서 최대가 됩니다. 이 극한에서는 안정 접두 전체가 다시 prefill되고 바로 Unstable Prefix가 가격 매긴 churn 규율과 제곱근 동결 주기 k*가 되살아나는 자리입니다. 마지막으로 되돌림 이벤트가 치르는 세금. append-only 규율 아래에서는 베이스라인 P_0이 모든 버전의 접두이므로 되돌림은 LCP가 t_0까지 사는 상태에서 스키마 접미 τ(1-β)만 다시 prefill합니다. 이 세금은 모든 버전 변경 이벤트가 이미 치르는 값이므로 되돌림의 증분 캐시 비용은 0입니다. 논문은 이것을 APC-free revert라고 부릅니다.

관찰된 밤의 편집은 전부 이 append-only 규율을 띱니다. 표의 각 편집은 [Learned <날짜>] 태그를 달아 베이스라인 프로토콜 아래에 놓여 있습니다. 그래서 두 귀결이 따라옵니다. 첫째로, 이 규율의 썩음은 캐시 저렴합니다. 매 밤은 자기 편집 크기 s_k(1-β)를 한 번 치르고 반복 비용은 불어난 접두가 β 단가로 재전송되는 몫입니다. 둘째로, 썩음을 되돌리는 일은 캐시 무상입니다. 베이스라인이 캐시에서 한 번도 떠나는 일이 없으므로 되돌림은 편집 이벤트가 이미 prefill한 것 외의 아무것도 다시 계산하지 않습니다.

비용 축의 되돌림 배당은 귀결(Corollary)로 닫힌 형태로 나옵니다. K개 누적 편집을 한 밤의 N개 호출 전에 되돌리면, 세션당 D_K = N·β·(t_K - t_0) + s_K·(1-β)를 아낍니다. 첫 항은 반복 접두 배당으로, 불어난 접두가 N개 호출 전부에서 사라지는 몫이고 두 번째 항은 재prefill 배당으로, 마지막 편집의 fresh 세금을 한 번도 치르지 않는 몫입니다. D_K는 플릿 호출량 N에 대해 선형으로 자라며 β > 0이면 K >= 1에서 엄격히 양수입니다.

완전 일치 자동 접두 캐시에서 append-only 자기 편집은 최소 세금(자기 크기 + 스키마 접미)을 치르고 제자리 편집은 최대 suffix 세금을 치르며 누적 편집의 되돌림은 동결 베이스라인이 모든 버전의 가장 긴 공통 접두이기 때문에 APC-free입니다. 분석 모델(실측 아님).

그 밤의 편집이 얼마를 해쳤는지, 그 해를 어떻게 귀속할 수 있는지

능력 축은 동결 홀드아웃(frozen holdout) 위에서 재는 구조입니다. 고정 태스크 집합, 결정적 그레이딩, temperature 0의 조합으로 능력 C(P)는 프롬프트 P만으로 재현되는 함수가 됩니다. 이 구조에서 드리프트는 편집 시퀀스의 성질이 되고 평가자의 것은 아닙니다. 각 밤의 편집을 변이(mutation)로, 각 팔(arm)을 회귀 실행으로 다루는 프롬프트 공간의 뮤테이션 테스트 규율입니다.

밤 k 편집의 드리프트를 δ_k = C(V_{k-1}) - C(V_k)로 씁니다(양수이면 편집이 능력을 해친 것). 두 번째 정리(Theorem 2, revert-dividend identity)는 세 갈래로 나뉩니다.

첫째는 telescoping입니다. 전체 능력 되돌림 배당 R_K = C(V_0) - C(V_K)는 시간순 팔에서 재은 편집별 배당의 합 R_K = Σ_k δ_k와 정확히 일치합니다. 누적 배당은 편집별 배당의 합으로 풀리는 항등식이라는 뜻입니다.

둘째, 귀속(attribution)입니다. solo 팔 U_k = P_0

e_k, 즉 편집 k 하나만 붙인 팔에서 solo 효과를 μ_k = C(P_0) - C(U_k)로 씁니다. 쌍대 상호작용 규율에서는 시간순 편집별 드리프트가 δ_k = μ_k + Σ_{i<k} γ_ik로 갈립니다. 편집 k의 귀속이 맥락과 무관하다(δ_k = μ_k)는, 편집 k와 그 앞 편집의 모든 쌍대 상호작용 γ_ik가 0인 것과 정확히 동치입니다.

셋째, 순서 민감도 테스트입니다. V_K에서 V_0로 편집을 하나씩 되돌리는 수술적 되돌림 경로 ω를 M개 무작위로 뽑아 봅니다. 모든 경로는 같은 총합 R_K로 끝납니다만, 단계별 증분의 스케줄은 경로를 따라 바뀝니다. 결정적 그레이더와 고정 홀드아웃, temperature 0에서는 이 무작위 경로 간 스케줄 퍼짐이 경로 의존성(즉, 0이 아닌 상호작용 덩어리)의 잡음 없는 지표가 됩니다.

이 정리가 분리하는 질문은 두 개입니다. 그 밤의 편집이 얼마를 해쳤느냐(δ_k, 팔 한 쌍이면 충분)와, 그 해를 편집 k에 귀속할 수 있느냐(μ_k + 상호작용 테스트, solo 팔과 무작위 경로가 필요). 되돌림 정책이 실제로 필요하는 것은 후자입니다. 다른 누적 규칙이 있을 때만 능력을 해치는 규칙은 solo 측정의 힘만으로 귀속해서 되돌려서는 안 되니까요.

썩음의 두 메커니즘: 희석과 의미 오버라이드

총 드리프트 T_K = C(V_0) - C(V_K)는 세 가지 능력 값 위의 telescoping으로 정확히 두 조각으로 갈립니다. 모델 가정이 없는 항등식 T_K = D_K + S_K입니다.

D_K = C(V_0) - C(F_K)는 희석(dilution)으로, filler 팔 F_k가 쓰는 몫입니다. F_k는 추가 토큰과 같은 길이의 중립 텍스트를 이어 붙인 팔이며 운영 내용은 하나도 없습니다. 내용 중성이면서 길이만 늘었을 때의 효과가 됩니다. S_K = C(F_K) - C(V_K)는 의미 오버라이드(semantic override)로, 같은 길이에서 실제 내용이 주는 효과입니다.

대조 두 개는 swap 팔과 solo 팔에서 나옵니다. placement 대조 Pos_K = C(V_K) - C(W_K)는 swap 팔 W_k를 씁니다. 같은 내용을 베이스라인 프로토콜 위에 앞붙이로 둔 팔과 뒤붙이로 둔 팔의 차이이며 내용과 길이는 같고 규칙의 위치만 다릅니다. 이 대조가 짚어 주는 것은 접미 배치의 위치적 권위입니다. interaction 잔차 I_K = T_K - Σ_k μ_k는 solo 효과의 합에서 남는 쌍대 상호작용 덩어리입니다.

희석의 메커니즘은 이렇습니다. 추가 토큰은 내용이 중립이라도 컨텍스트의 증거 구조를 바꿉니다. 롱컨텍스트의 어려움은 길이 자체만이 아니며 기본 프로토콜 문장이 프롬프트의 중간으로 밀려날수록 더 덜 신뢰 있게 쓰인다는 기존 결과와 정확히 겹칩니다. 오버라이드 메커니즘은 위치입니다. 학습 규칙은 베이스라인 프로토콜과 태스크 턴 사이에 놓입니다. 지시의 위치가 채널 너머로 행동에 영향력을 미치는 한, 의미적으로 “무해해 보이는” 접미 타이브레이크나 배칭 선호도 앞선 프로토콜보다 큰 권위를 가질 수 있습니다. 상호작용은 실패에서 파생된 규칙이 그 규칙을 낳은 밤에 과적합하는 경향에서 옵니다. 합성된 행동은 solo 행동의 합이 아닙니다.

동결 홀드아웃의 총 능력 드리프트는 희석(내용 중립 텍스트의 추가 길이)과 의미 오버라이드(매칭된 길이의 추가 내용)로 정확히 갈리며 placement와 interaction은 전용 filler, swap, solo 팔로 분리됩니다. 분석 모델(실측 아님).

그래서 운영은 어떻게 바뀌나: 품질 게이트이지 캐시 게이트가 아니다

네 번째 정리(Theorem 4)는 되돌림 정책을 닫힌 형태로 줍니다. 누적 스트림을 밤 k에 유지하는 기대 비용은 K_k = c·[N·β·(t_k - t_0) + (1-β)·s_k] + m·q·max(0, δ_k)입니다. 첫 괄호는 비용 축 배당(귀결)을 토큰 단가 c로 매긴 값이고 m·q·max(0, δ_k)는 편집이 능력을 해쳤을 때의 품질 손실에 해당합니다. m은 라우팅 시리즈가 물려준 태스크당 미스 승산, q는 밤당 기대 태스크 수, v_k는 선언된 규칙 k의 선택 가치로, 실패 파생 규칙은 일반화될 수 없으므로 보수적으로 둡니다.

되돌림 규칙은 이렇습니다. K_k > Σ_{j≤k} v_j이면 누적 스트림을 P_0으로 되돌립니다. rot 예산 B*(k) = (Σ_{j≤k} v_j - m·q·max(0, δ_k)) / (c·N·β)는 품질 신호와 무관하게 강제 되돌림이 발동하는 누적 팽창 상한으로, t_k - t_0가 이 값을 넘으면 되돌림이 강제됩니다.

핵심은 정책의 성질입니다. append-only 규율에서는 되돌림 결정에 캐시 패널티 항이 들어가지 않습니다. 되돌림 이벤트의 일회성 세금은 τ(1-β)이며 미래의 어떤 편집 이벤트가 치르는 세금과 똑같아 비교에서 상쇄됩니다. 가드레일은 품질 게이트(δ_k가 선언된 내성 ε을 넘는 것)나 팽창 예산 B*에서 걸리고 캐시에서는 걸리지 않습니다. 제자리 수정 규율에서는 이야기가 바뀝니다. 되돌림이 (t_0 - p’’)(1-β)의 패널티를 치르고 캐시가 걸리며 Unstable Prefix의 제곱근 동결 법칙이 같은 정책의 특수 경우로 되살아납니다.

recurrence guardrail이 하나 더 있습니다. 되돌림 정책은 되돌림 이후 루프의 행동만큼만 강합니다. 루프가 나중에 되돌린 규칙을 다시 제안하면, 실현된 배당이 재파생 비용으로 바뀝니다. 그래서 재제안 편집은 두 조건을 동시에 만족해야 채택됩니다. solo 팔 U_{k’}이 단독으로 품질 게이트를 통과하는 것(단독으로 순이익이 되는 것), 그리고 루프가 원래 실패와 구별되는 새로운 증거를 인용하는 것. try-before-you-evolve 실험 규율과 attribution-before-edit 큐레이션을 반영한, harness 자기진화 형식화가 남겨 둔 채택 단계(admission step)입니다.

가드레일을 한 줄로 압축하면 이렇습니다. 편집은 append-only로 두되 품질 게이트를 거치게 하고 팽창에는 rot 예산을 매어 두되, 게이트나 예산이 걸리면 되돌림을 자유롭게 합니다. 규칙이 다시 들어오려면 그때는 새로운 증거가 요구됩니다.

회사에는 이 정책이 새벽 자기진화 루프의 측정된 가드레일로 들어갑니다. 동결 홀드아웃의 밤별 능력 드리프트 숫자, 결정적 프롬프트 크기 비용 팽창 숫자, 누적 시스템 프롬프트 편집을 언제 롤백해야 하는지 정하는 revert-dividend 정책입니다. 기존 라우팅 CI에 텍스트 층 회귀 게이트를 덧붙이고 설명 층(Silent Reroute)과 매니페스트 층(Unstable Prefix)에 이은 세 번째 가격 매김 층이 됩니다.

사회에는 자기 개선 에이전트 하네스가 무인화될수록, 프롬프트 자기 편집이 능력을 어떻게 조용히 깎는지와 되돌리는 일이 얼마나 싼지를 재는 공개적 감사 방법론이 전제입니다. 프로토콜은 프롬프트 공간의 뮤테이션 테스트 규율입니다. 각 밤 편집을 변이로 취급하고 동결 홀드아웃으로 재측정하며 되돌림의 가격을 매기는 것입니다.

과학에는 자기진화 에이전트 하네스의 시스템 프롬프트 공간에서 능력 드리프트와 가역성의 첫 특징화, 네 개의 정리가 나옵니다. APC 비용의 placement 분류(정리 1), revert-dividend 항등식과 경로 의존성 테스트(정리 2), 식별 조건을 가진 두 갈래 드리프트 분해(정리 3), closed-form rot 예산을 가진 품질 게이트 revert 정책(정리 4)입니다.

정리를 숫자로 바꾸는 프로토콜, 그리고 믿지 말아야 할 부분

정리는 수식을 바꾸지 않고 사전 등록 프로토콜로 실측 가능하게 됩니다. 팔은 여섯 개의 시간순 누적 팔 V_0부터 V_5에, 다섯 solo 팔 U_1부터 U_5, filler 팔 F_5, swap 팔 W_5가 있습니다. 전체 분해 스케줄을 위한 k별 filler, swap 팔은 선택입니다. 홀드아웃 Φ는 15개의 실제 라벨링된 라우팅 태스크(sra_bench positive case, 골드 스킬 유지, 플릿 쿼리 구성과 일치하는 한영 표면 형식)와 6개의 실제 툴 스키마에 대한 15개의 BFCL식 툴 호출 태스크(구성상 골드)로 고정됩니다. 그레이딩은 결정적이며 라우팅 정확도(모델의 route_to_skill 호출이 골드 스킬 id와 일치), 툴 호출 성공(올바른 함수 이름), 인자 성공(필수 인자 전부의 존재)의 세 축입니다. 서빙은 셀프호스트 H200, Anthropic 호환 게이트웨이의 haiku 클래스 모델, temperature 0, 호출별 usage 미터링입니다. 선언 공칭값도 명시됩니다. 내성 ε은 홀드아웃 태스크 1개의 granularity로, w_R = w_T = 1/2이므로 라우팅 태스크 1개든 툴 호출 태스크 1개든 가중 점수 C의 1/30입니다. 토큰 단가 c는 선언된 셀프호스트 haiku 클래스 요금으로, 가정이자 실측이 아닙니다.

반증 기준은 F1부터 F5로 사전 등록되어 있습니다. F1(비용 축 정합성)은 게이트웨이 미터링 입력 토큰이 선언된 밴드 안에서 결정적 카운트(버전 프롬프트 + 태스크 접미 + 스키마)와 일치해야 한다는 것으로 산출물과 실제 전송 사이의 숨은 프롬프트 변환(템플릿 팽창, 스키마 재인젝션)을 반증합니다. F2(rot 방향)는 모든 밤 편집이 홀드아웃을 개선하는 경우(δ_k <= -ε, 모든 k) net-rot 가설이 이 규율에서 기각된다는 것입니다. 가드레일은 작동하지만 rot 서사가 아닙니다. F3(순서 민감도)는 무작위 M개 되돌림 경로의 단계별 배당 퍼짐의 95% 부트스트랩 CI가 0을 제외하면 귀속이 경로 의존이고 쌍대 상호작용 덩어리가 0이 아니라는 것입니다. F4(가법성)는

I_5

<= 0.1·max(T_5, ε)이면 근사 가법 규율이 성립하고 편집별 귀속이 선다고, 벗어나면 요인 실험 확장이 발동하는 기준입니다. F5(APC-free revert)는 서빙 텔레메트리에서 되돌림 이벤트의 재prefill 바이트가 중립 버전 변경 베이스라인(스키마 접미 스케일)과 선언 밴드 안에서 일치해야 한다는 것입니다.

이 논문은 분석 논문입니다. 경험적 능력 드리프트를 주장하지 않습니다. 보고하는 모든 숫자는 선언된 산출물의 결정적 카운트, 선언된 공칭 전제 하의 closed-form 예측, 또는 인용 문헌의 결과 중 하나입니다. 프로토콜을 돌리면 각 정리가 한 개의 숫자로 바뀌고 그 사이에는 수식이 하나도 바뀌지 않습니다.

한계는 명시적으로 나열됩니다.

첫째, 홀드아웃 오래됨입니다. δ_k는 현재 태스크 분포에 대한 드리프트를 재는 값이므로 연구 중 홀드아웃을 갱신하면 기준점이 바뀝니다. 연구 안에서는 구성상 동결되고 연구 사이에서는 선언된 cadence로 갱신되어야 하며 드리프트 숫자는 Φ 자체에 append-only인 갱신 사이에서만 비교 가능합니다.

둘째, 편집 코퍼스입니다. 관찰된 편집 5개는 소규모의 선언된 샘플에 해당합니다. 무해 팽창 2개와 정책 드리프트 3개라는 구성이 무작위가 아니어서 어떤 편집이 드리프트하는지는 코퍼스 의존입니다. 정리는 이 점에서 분포 무관합니다. placement 분류와 항등식, 분해, 정책은 어떤 append-only 편집 시퀀스에도 성립하기 때문입니다. 다만 이 코퍼스에서 T_K의 크기는 프로토콜을 기다리는 단일 관측입니다.

셋째, APC 모델입니다. 완전 일치 접두 의미론, 셀프호스트 감가와 API billing 사이를 오가는 선언된 β, 이벤트당 잔차 최대 16토큰의 블록 라운딩 캐시, 그리고 단일 플릿 규율이 배제하는 멀티 테넌트 엔진 효과를 전제합니다.

넷째, 능력 모델입니다. temperature 0의 단일 haiku 클래스 티어에서 재며 플릿의 일부 호출은 더 큰 티어로 라우팅됩니다. prompt rot은 티어 의존일 수 있습니다. Transplant가 모델 티어 이동 하의 능력 유지를 재어 뒀으니까 프로토콜은 팔마다 한 티어를 선언하고 쌍대를 넘는 상호작용은 식별하지 않습니다. F4가 다루는 것은 고차 항 추정이 아니라, 근사 가법 규율의 성립 여부입니다.

다섯째, 토크나이저 프록시입니다. 결정적 축은 cl100k_base를 쓰고 이는 서빙 토크나이저의 프록시에 해당합니다. F1이 존재하는 이유는 게이트웨이 미터링 ground truth에 대한 이 간격을 지키기 위해서입니다.

여섯째, 보안 표면입니다. 프롬프트 공간의 자기 편집은 주입 표면이 됩니다. 에이전트 마크다운 파일은 jailbreak 전파 매개이며 밤 루프는 그 텍스트의 또 다른 작성자입니다. revert 정책은 격리 레버가 되기도 합니다. 되돌림은 나쁜 편집이나 악성 편집의 blast radius를 바운딩합니다만, 적대적 편집은 범위 밖입니다.

일곱째, 단일 플릿입니다. 측정 대상은 우리 자신의 하네스에 해당합니다. 위치적 주장은, 동결 홀드아웃 뮤테이션 테스트와 placement 인식 APC 회계, 품질 게이트 revert 예산이라는 방법론이 어떤 자기 편집 에이전트 하네스에도 전이된다는 것입니다. 상용 지시 스택은 벤더 1,886개 릴리스에서 유전하므로 측정 대상은 보편적이고 이 플릿은 단일입니다.

---

논문 상세 페이지와 수반 자료는 여기에서 볼 수 있습니다: The Prompt Rot: Measuring Capability Drift and the Revert Dividend of Overnight Self-Edits to the Agent Harness System Prompt in a 2,200-Skill Unattended Agent Harness on Self-Hosted H200

이 논문은 분석 논문입니다. 본문의 모든 값은 선언된 공칭 전제 하의 closed-form 예측이거나 선언된 산출물의 결정적 카운트이지, 실측이 아닙니다. 모든 그림은 분석 모델 그림입니다.