대규모 언어 모델(LLM)을 자율 에이전트로 사용할 때 발생하는 문제점을 해결하기 위해, 인지, 기억, 제어를 분리하는 구조적 인지 루프(SCL) 아키텍처를 제안한다. SCL은 LLM이 인지를 담당하고, 외부 메모리에 기억을 저장하며, 목표 지향 루프 내에서 가벼운 컨트롤러가 실행을 안내한다. 여행 계획, 조건부 이메일 작성, 제약 조건 기반 이미지 생성의 세 가지 과제에서 ReAct 및 LangChain 에이전트와 같은 프롬프트 기반 기준선과 비교하여 SCL의 성능을 평가한다. SCL은 평균 86.3%의 작업 성공률을 달성했으며, 기준선은 70.5%에서 76.8% 사이의 성능을 보였다. SCL은 또한 더 높은 목표 충실도, 더 적은 중복 호출, 지원되지 않는 주장 감소를 보였다.
