langchain-openai==1.8.2, 비동기 클라이언트 공유 문제 수정
LangChain은 2026년 11월 18일 langchain-openai==1.8.2를 출시했다. 이번 버전은 비동기 클라이언트 수정과 모델 프로필, 게이트웨이 헤더 업데이트를 결합한다. 비동기 클라이언트는 다른 작업이 계속되는 동안 네트워크 요청을 전송한다. 가장 중요한 변경 사항은 숨겨진 종속성을 다룬다. 서로 다른 모델 객체가 이미 종료된 이벤트 루프에 속한 연결을 공유할 수 있었던 문제다.
이번 릴리스는 langchain-openai==1.8.1의 후속 버전이며, LangChain의 OpenAI 통합에 GPT-6.2 Astra와 Sol 지원을 추가한다. 또한 LangSmith 게이트웨이 헤더가 송신 요청에 도달하는 방식을 변경한다. 이는 애플리케이션 동작과 배포 검토에 영향을 줄 수 있는 통합 변경 사항이다.
핵심 긴장은 리소스 재사용과 예측 가능한 소유권 사이에 있다. OpenAI의 Python 클라이언트를 직접 사용하는 것과 비교하면, 프레임워크는 애플리케이션 코드와 네트워크 연결 사이에 한 계층을 더한다. 이번 패치는 그 계층이 중요한 이유를 보여 준다. 새 모델 객체를 생성한다고 해서 반드시 새 비동기 연결 소유자가 생성되는 것은 아니었다.
langchain-openai==1.8.2의 변경 사항
이번 릴리스는 OpenAI 통합 패키지 내에서 연결 소유권, 모델 메타데이터 및 게이트웨이 요청 처리를 변경한다. 이러한 변경은 애플리케이션의 서로 다른 부분에 영향을 미치므로 각각 별도로 살펴볼 필요가 있다. 이를 단일 모델 지원 발표로 취급하면 운영상 수정 사항이 가려질 수 있다.
공식 패키지 릴리스 노트는 버전 1.8.1 이후 세 가지 변경 사항을 제시한다. 비동기 클라이언트 수정은 풀 리퀘스트 #41944와 연결돼 있다. GPT-6.2 Astra 및 Sol 지원은 #41922에, 게이트웨이 헤더 처리는 #41901에 나타난다.
패키지 정체성은 중요하다. 이는 LangChain 애플리케이션을 OpenAI 인터페이스와 연결하는 Python 통합 패키지인 langchain-openai의 릴리스다. 이 버전은 OpenAI 모델 릴리스를 식별하지 않는다. 또한 모든 LangChain 제공자 패키지의 버전 번호로 간주해서도 안 된다.
업그레이드를 검토하는 개발자에게 이 변경 사항들은 서로 다른 질문을 제기한다. 애플리케이션은 별도의 비동기 런타임에서 별도의 모델을 생성하는가? 모델 기능을 선택하기 위해 프레임워크 메타데이터에 의존하는가? LangSmith 게이트웨이 구성 안에서 모델을 생성하는가?
첫 번째 질문에 예라고 답한 팀은 안정성 수정을 검토할 직접적인 이유가 있다. 두 번째 질문에 예라고 답한 팀은 모델 구성을 검토해야 한다. 게이트웨이 사용자는 실제로 전송되는 헤더를 어떤 구성이 제어하는지라는 다른 문제에 직면한다.
이러한 구분은 작은 패키지 업데이트가 버전 번호가 시사하는 것보다 더 많은 주의를 기울일 만한 이유도 설명한다. 애플리케이션 동작은 프롬프트 아래 계층의 세부 사항에 따라 달라진다. 연결 소유권과 구성 우선순위는 요청이 의도한 서비스에 실제로 도달하는지에 영향을 미칠 수 있다.
다만 릴리스 노트는 비동기 실패를 경험한 배포 환경의 수를 보여 주지 않는다. 독립적인 채택 수치나 프로덕션 사고율도 제공하지 않는다. 독자는 문서화된 실패 메커니즘과 그 확산 정도에 대한 증거를 구분해야 한다.
같은 신중함은 시점에도 적용된다. 11월 18일은 GitHub에 기록된 릴리스 날짜다. 모든 애플리케이션이 패키지를 받은 시점이나 각 조직이 배포한 시점을 확정하지는 않는다. 설치 정책과 종속성 통제가 이를 별도로 결정한다.
따라서 langchain-openai==1.8.2에 대한 가장 명확한 뉴스 판단은 구체적이다. LangChain은 통합 범위를 넓히면서 암묵적 공유 동작을 변경했다. 운영상 중요성은 애플리케이션이 모델을 생성하고 비동기 실행을 관리하며 요청을 라우팅하는 방식에 달려 있다.
비동기 클라이언트 공유가 런타임 경계를 넘었다
서로 다른 모델 객체에는 자신이 사용하는 연결의 예측 가능한 소유권이 필요하다. 병합된 수정에 따르면, 새 모델을 생성하면 다른 모델의 비동기 HTTP 클라이언트를 재사용할 수 있었다. HTTP는 애플리케이션과 서비스 간 통신을 전달하는 요청 프로토콜이다. 재사용된 클라이언트는 종료된 이벤트 루프와 연결된 연결을 유지할 수 있었다.
이벤트 루프는 비동기 작업을 예약하는 런타임 메커니즘이다. 이전 루프에 연결된 연결은 해당 루프가 종료된 뒤 사용할 수 없게 될 수 있다. 따라서 나중에 생성된 모델은 새로 구성된 것처럼 보이더라도 이미 수명이 끝난 리소스를 물려받을 수 있었다.
비동기 클라이언트 수정은 별도 루프에서 동작하는 별도의 ChatOpenAI 모델과 관련된 실패를 설명한다. 예로는 비동기 실행을 시작하는 테스트와 반복적인 asyncio.run() 호출이 있다. 보고된 오류는 RuntimeError: Event loop is closed다.
이 패치는 공유 SSL 구성을 유지하면서 각 모델에 고유한 기본 비동기 클라이언트를 제공한다. SSL 구성은 HTTPS 인증서 검증을 제어한다. 동기 클라이언트 캐싱은 변경되지 않는다. 중요한 점은 같은 모델 인스턴스를 여러 이벤트 루프에서 재사용하는 것이 지원된다는 뜻은 아니라는 것이다.
가상의 평가 실행기를 생각해 보자. 이 실행기는 모델을 생성하고 요청을 전송한 뒤 비동기 실행을 마친다. 이후 새 루프에서 또 다른 평가를 시작한다. 프로그래머는 새로 생성한 모델이 이전 실행에서 유지된 리소스를 피할 것이라고 합리적으로 기대할 수 있다.
숨겨진 클라이언트 공유는 이런 기대를 깨뜨린다. 관련 경계는 더 이상 애플리케이션의 모델 변수에 드러나지 않는다. 프로그래머가 별도 객체를 생성했더라도 이후 요청 중에 실패가 발생할 수 있다.
이 때문에 이 수정은 통합 패키지에 속한다. 애플리케이션 개발자는 자신이 만든 객체의 수명을 제어할 수 있지만, 그러한 객체 아래에서 암묵적으로 발생하는 공유를 안정적으로 관리할 수는 없다. 프레임워크는 기본값을 리소스의 실제 수명과 일관되게 만들어야 한다.
이 변경은 재사용의 의미도 좁힌다. 구성 객체를 공유하는 것과 살아 있는 연결을 공유하는 것은 다르다. 전자는 연결이 어떻게 설정돼야 하는지를 설명하고, 후자는 런타임 종속성을 가진 활성 리소스를 유지한다.
이 구분은 이 글의 핵심 메커니즘을 제공한다. 패치는 유지관리자가 안전하다고 보는 수준의 공유는 보존하면서 비동기 실행에 연결된 리소스는 분리한다. 이는 캐싱을 전반적으로 거부하는 것이 아니라, 목표가 분명한 소유권 수정이다.
유사한 오류를 조사하는 팀도 모든 종료된 루프 오류가 같은 원인을 가진다고 가정해서는 안 된다. 문서화된 수정은 별도 모델이 숨겨진 기본 클라이언트를 공유하는 문제를 다룬다. 애플리케이션 코드는 이와 별개로 다른 수명 문제를 일으킬 수 있다.
실질적인 부담은 여러 비동기 실행 컨텍스트를 생성하는 테스트, 스크립트 또는 워커를 운영하는 팀에 있다. 이들의 업그레이드 검토는 영향을 받는 생성 패턴을 재현해야 한다. 지속적으로 실행되는 서버에서 요청이 성공했다고 해서 그 자체로 여기서 설명한 경계를 검증한 것은 아니다.
모델 지원은 구성 추가이지 벤치마크 증거가 아니다
GPT-6.2 Astra와 Sol 지원은 통합 동작을 확립하는 것이지, 모델 간 품질 비교를 확립하는 것은 아니다. 연결된 변경은 기능과 지원 설정을 설명하는 모델 프로필을 갱신한다. 이는 유용한 애플리케이션 메타데이터이지만, 특정 워크로드에서 어떤 모델이 더 좋은 성능을 내는지와는 다른 질문에 답한다.
모델 프로필 업데이트는 gpt-6.2-astra와 gpt-6.2-sol을 명시한다. 설명에 따르면 프로필은 models.dev의 컨텍스트 제한, 기능 및 추론 노력 수준을 반영한다. 추론 노력은 모델의 구성된 추론 수준을 제어하는 요청 설정이다.
풀 리퀘스트는 이 프로필이 none을 제외하고 low부터 max까지 지원한다고 설명한다. 또한 모델 식별자는 이미 업스트림 SDK의 타입에 존재한다고 말한다. SDK는 서비스와 통신하는 데 사용하는 소프트웨어 라이브러리다.
이 범위는 제목을 해석하는 데 중요하다. LangChain은 명명된 모델에 대한 통합의 이해를 업데이트하고 있다. 패키지 릴리스는 이들의 일반적 이용 가능성, 계정별 접근 권한, 응답 품질 또는 대안 대비 성능을 독립적으로 확립하지 않는다.
프레임워크는 모델 식별자를 인식할 수 있지만, 개별 배포 환경에는 여전히 해당 모델에 대한 접근 권한이 없을 수 있다. 마찬가지로 정확한 기능 메타데이터가 애플리케이션의 프롬프트, 도구 또는 기대 출력이 의도대로 작동함을 보장하지는 않는다. 이는 여전히 배포 환경별 질문이다.
가령 모델 프로필에서 설정을 선택하는 가상 비서의 경우, 메타데이터는 어떤 요청도 프로세스를 떠나기 전에 애플리케이션의 결정에 영향을 줄 수 있다. 이 단계에서 잘못된 가정은 부적절한 구성을 낳을 수 있다. 업데이트된 프로필은 이 호환성 계층을 해결하는 데 도움을 준다.
그러나 프로필은 여전히 설명이지 평가 결과가 아니다. 비서가 조직의 지침을 정확히 따르는지 보여 주지 않는다. 문서 검색 품질, 도구 선택, 사실 일관성 또는 인간 검토자의 승인도 측정하지 않는다.
이 구분은 LangChain OpenAI 업데이트에 관한 논의를 이끌어야 한다. 개발자는 명시적 모델 인식을 환영할 수 있지만, 측정 가능한 제품 개선을 주장해서는 안 된다. 제품 팀은 패키지 지원을 사용자 결과와 연결하기 전에 자체 작업에서 나온 증거가 필요하다.
보존할 가치가 있는 종속성 세부 사항도 있다. 풀 리퀘스트는 개발용 잠금 파일이 OpenAI 3.54.0으로 이동하는 반면 최소 버전은 openai>=2.45.0으로 유지된다고 말한다. 잠금 파일은 특정 환경에서 선택된 종속성 버전을 기록한다.
이 구분은 지나치게 넓은 마이그레이션 주장을 막는다. 개발 환경에서 선택된 새 버전이 지원되는 모든 설치 환경이 해당 메이저 버전으로 이동해야 한다는 뜻은 아니다. 팀은 잠금 파일 업데이트만으로 요구 사항을 추론하기보다 해결된 종속성을 검사해야 한다.
따라서 구매자에게 관련된 질문은 구체적이다. 어떤 통합 구성이 바뀌었으며, 이를 뒷받침하는 애플리케이션 증거는 무엇인가? 패키지의 모델 목록은 유용한 호환성 정보다. 하지만 그것이 작업 평가를 대신해서는 안 되며, 그와 함께 검토돼야 한다.
게이트웨이 헤더가 어떤 구성이 우선하는지 정한다
게이트웨이 변경은 구성 우선순위를 송신 요청 동작의 일부로 만든다. 게이트웨이는 애플리케이션 요청을 전달하기 전에 받는 중개 계층이다. 헤더는 프롬프트 본문과 별개인 요청 메타데이터로, 인증 또는 라우팅 정보를 전달할 수 있다.
게이트웨이 헤더 변경은 생성 시점의 langsmith_gateway 헤더가 OpenAI 요청에 함께 전달된다고 설명한다. 이 헤더는 모델 및 요청 헤더보다 우선한다. 또한 변경 사항은 게이트웨이 컨텍스트 안에서 openai_proxy를 무시한다.
풀 리퀘스트에 따르면 게이트웨이 헤더는 비공개로 유지되며, 모델 구성을 이전 가능한 표현으로 변환하는 모델 직렬화에서 제외된다. 또한 langchain-core>=1.8.2가 필요하다. 이 세부 사항들은 요청 처리뿐 아니라 종속성 조정 측면에서도 이번 업데이트를 중요하게 만든다.
우선순위 규칙은 익숙한 구성 문제를 다룬다. 애플리케이션은 공유 인프라, 모델 생성 및 개별 호출에서 설정을 축적할 수 있다. 이러한 설정이 겹칠 때 개발자에게는 어떤 값이 실제로 네트워크에 도달하는지에 대한 명확한 답이 필요하다.
중앙에서 구성된 게이트웨이 아래에서 모델 객체를 생성하는 조직을 생각해 보자. 이후 애플리케이션 코드는 특정 요청에 헤더를 추가한다. 두 계층이 동일한 헤더를 설정하면, 로컬 코드가 게이트웨이 구성을 재정의할 수 있는지가 결과를 좌우한다.
이 변경 사항에서 설명된 동작에 따르면 게이트웨이 값이 우선한다. 따라서 생성 컨텍스트가 중요한 의미를 갖는다. 호출 시 제공된 인수만 검토하면 요청의 실제 구성 중 일부가 누락된다.
이는 운영상 관찰일 뿐, 보안 사고의 증거는 아니다. 풀 리퀘스트는 공격자가 이전 동작을 악용했다는 사실을 입증하지 않는다. 또한 모델 직렬화에서 헤더를 제외한다고 해서 가능한 모든 로깅 또는 모니터링 경로가 해당 값을 보호한다는 뜻도 아니다.
이런 한계는 개인정보 관련 주장이 지나치게 빠르게 확대될 수 있기 때문에 중요하다. 모델 직렬화는 구성의 특정 표현 방식 하나일 뿐이다. 애플리케이션 로그, 사용자 정의 콜백, 네트워크 검사, 외부 서비스에는 각기 다른 처리 규칙이 적용된다.
프록시 동작도 마찬가지로 신중하게 해석해야 한다. 프록시는 네트워크 트래픽이 통과할 수 있는 또 다른 중개 계층이다. 게이트웨이 컨텍스트에서 openai_proxy를 무시하면 해당 설정이 라우팅에 관여하는 방식이 바뀌는 것이지, 가능한 모든 네트워크 구성을 설명하는 것은 아니다.
플랫폼 팀에 주는 시사점은 요청의 실제 경로를 검토하라는 것이다. 의도한 게이트웨이, 송신 헤더, 의존성 버전은 동일한 운영 관점에서 함께 다뤄야 한다. 이를 서로 무관한 설정으로 취급하면 구성 충돌을 진단하기가 더 어려워진다.
이 지점에서 조율의 필요성도 드러난다. 애플리케이션 소유자는 모델 동작에 집중할 수 있는 반면, 플랫폼 소유자는 게이트웨이를 관리한다. 이제 클라이언트 생성 시 포함되는 구성은 이후 요청 인수만으로 간단히 대체할 수 없기 때문에, 이번 릴리스는 두 영역의 관심사를 연결한다.
유용한 배포 검토에서는 이러한 책임 소재를 명확히 해야 한다. 누가 모델을 생성하고, 누가 게이트웨이 설정을 제공하며, 누가 송신 요청을 검증하는가? 이러한 책임은 문서화된 우선순위가 조직이 의도한 동작과 일치하는지를 결정한다.
프레임워크의 편의성에도 책임 결정은 필요하다
의미 있는 비교 기준은 애플리케이션이 통합 계층에 얼마나 많은 동작을 위임하는가이다. LangChain은 공급자 통신을 추상화한다. OpenAI의 공식 Python 라이브러리도 자체 클라이언트와 구성 책임을 갖춘 또 다른 경로를 제공한다. 어느 쪽도 리소스 수명 관리의 필요성을 없애지는 않는다.
OpenAI Python library는 서비스의 프로그래밍 인터페이스인 OpenAI API에 접근하기 위한 동기 및 비동기 클라이언트를 문서화한다. 예제에서는 클라이언트를 직접 사용하는 방식을 보여 준다. 이는 공급자 통신과 프레임워크 동작을 구분하는 데 유용한 기준점이 된다.
직접 클라이언트를 사용하는 방식은 요청을 전송하는 객체와 애플리케이션 코드 간의 관계를 더 직접적으로 만든다. 프레임워크 방식은 규약과 공통 인터페이스를 추가한다. 중요한 절충점은 어느 프로젝트가 보편적으로 우위에 있는지가 아니라, 구성과 수명 결정이 어느 계층에 위치하는가이다.
예를 들어 LangChain을 사용하는 팀은 프레임워크 수준의 모델 프로필과 공통 호출 패턴에 의존할 수 있다. 프레임워크를 제거하려면 그러한 의존성을 재검토해야 한다. 연결 공유 버그만으로 그러한 재작성 작업이 전체 애플리케이션을 개선할 것이라고 단정할 수는 없다.
반대로 직접 클라이언트를 사용하는 애플리케이션도 올바른 비동기 리소스 관리가 필요하다. 래퍼를 제거한다고 해서 이벤트 루프의 수명이 중요하지 않게 되는 것은 아니다. 책임을 어느 계층이 맡는지와 개발자가 실패를 조사하는 위치가 달라질 뿐이다.
따라서 이번 릴리스가 주는 교훈은 프레임워크 대 SDK 논쟁보다 더 제한적이다. 추상화는 유용한 경계를 보존해야 한다. 별도로 생성된 객체가 리소스를 공유한다면, 개발자는 그 동작이 기반 런타임의 제약과 일치하기를 기대해야 한다.
유지관리자들은 절충점도 인정한다. 이제 별도 모델은 열린 비동기 연결을 공유하지 않는다. 요청마다 새 모델을 생성하는 애플리케이션은 더 많은 연결을 열 수 있다. 운영상 결과는 애플리케이션의 생성 패턴과 워크로드에 따라 달라진다.
이러한 제약은 보편적인 성능 주장을 막는다. 이번 변경은 모든 배포를 더 빠르게 만들지 않으면서도 문서화된 소유권 문제를 바로잡을 수 있다. 또한 모델 생성, 요청 지연 시간, 응답 품질을 서로 대체 가능한 성능 지표로 취급해서도 안 된다.
적절한 런타임 내에서 모델을 재사용하는 장기 실행 서비스는 새 실행 컨텍스트를 반복 생성하는 스크립트와 다르다. 둘 다 동일한 패키지를 사용할 수 있다. 하지만 패키지 동작의 서로 다른 부분을 사용하므로 업그레이드 근거도 달라야 한다.
기술적 결정을 관리하는 팀에게 검색 가능한 지식 기반은 의존성 변경을 애플리케이션 아키텍처와 연결하는 데 도움이 될 수 있다. 유용한 기록에는 영향을 받은 생성 패턴과 관찰된 결과가 포함된다. 릴리스 제목만 복사하면 그 변경이 로컬 환경에서 중요했던 이유가 빠진다.
여기서 검토한 증거에도 한계가 있다. 릴리스 노트와 병합된 코드는 유지관리자의 변경 사항과 명시된 의도를 뒷받침한다. 하지만 모든 환경에 걸친 독립적인 프로덕션 검증이나 폭넓은 고객 반응을 제공하지는 않는다.
이 패치를 둘러싼 시장 경쟁 구도를 만들어 낼 필요는 없다. 그 중요성은 별도 모델, 런타임 소유권, 기능 메타데이터, 게이트웨이 구성이라는 구체적 경계에서 나온다. 이는 업계 리더십에 관한 근거 없는 주장 없이도 충분히 중요한 엔지니어링 사안이다.
패치의 효과를 보여 줄 세 가지 신호
다음 증거는 재현, 구성 점검, 애플리케이션 평가에서 나와야 한다. 향후 몇 달 동안 이러한 신호는 패키지의 기능 목록을 반복하는 것보다 더 많은 정보를 제공할 것이다. 각각은 릴리스의 실질적 가치 중 다른 부분을 검증한다.
첫 번째 신호는 문서화된 별도 모델·별도 루프 실패가 영향을 받은 환경에서 사라지는지 여부다. 유용한 보고서는 애플리케이션 패턴, 의존성 버전, 업그레이드 전 관찰된 오류를 식별해야 한다. 이후 동등한 조건에서의 결과를 보여 주어야 한다.
일관되게 성공하는 재현 결과는 목표로 한 안정성 수정에 대한 신뢰를 강화할 것이다. 실패가 계속된다면 숨겨진 공유, 재사용된 모델 인스턴스 또는 다른 리소스가 관련됐는지 확인해야 한다. 패치가 동일 인스턴스의 루프 간 재사용은 지원하지 않는다고 명시했기 때문에 이 구분은 중요하다.
이 신호에는 애플리케이션의 일반적인 실행 패턴도 포함되어야 한다. 최소 재현은 메커니즘을 분리하는 데 도움이 되고, 대표적인 워크로드는 그 메커니즘이 운영 문제를 설명하는지 보여 준다. 어느 쪽도 업그레이드가 “작동한다”는 일반적 주장으로 대체되어서는 안 된다.
두 번째 신호는 게이트웨이 사용자가 문서화된 헤더와 라우팅 동작을 관찰하는지 여부다. 관련 증거는 클라이언트를 떠나는 요청에 관한 것이다. 호출 전에 출력된 구성은 겹치는 값 중 어느 것이 최종적으로 우선하는지를 반드시 보여 주지는 않는다.
확인은 생성 시점의 게이트웨이 설정이 계속 권위를 가진다는 근거를 강화할 것이다. 예상치 못한 재정의나 라우팅 차이는 해당 배포의 통합에 대한 신뢰를 약화할 것이다. 조사 시에는 필요한 핵심 의존성이 해당 환경에 실제로 반영됐는지도 확인해야 한다.
이 검토는 비공개 데이터에 관해서도 구체적으로 유지되어야 한다. 모델 직렬화에서 제외되는 것은 검증 가능한 속성이다. 모든 진단 채널에서 비밀 정보가 계속 나타나지 않는다는 더 넓은 주장을 하려면 해당 채널의 별도 증거가 필요하다.
세 번째 신호는 Astra 및 Sol 프로필을 사용하는 애플리케이션이 의도한 설정을 수용하고 작업 요구 사항을 충족하는지 여부다. 호환성 검사는 요청이 지원되는 구성을 사용하는지 확인해야 한다. 이후 애플리케이션 평가는 그 결과 동작이 제품의 실제 요구를 충족하는지 살펴봐야 한다.
이는 관련되어 있지만 별개의 관찰이다. 올바르게 구성된 요청이라도 부적합한 답변을 생성할 수 있다. 고립된 예제에서 유용한 답변이 나왔다고 해서 애플리케이션의 예상 워크로드 전반에서 신뢰할 수 있는 동작이 입증되는 것은 아니다.
이 세 가지 신호를 함께 보면 LangChain OpenAI 업데이트에 대한 근거 있는 평가가 가능하다. 단일 주장으로 뭉뚱그리지 않고 소유권 수정, 게이트웨이 규칙, 모델 프로필 추가를 검증한다. 또한 서로 다른 애플리케이션이 서로 다른 배포 결정을 내릴 여지도 남긴다.
langchain-openai==1.8.2를 고려하는 팀이라면, 애플리케이션이 실제로 사용하는 동작부터 시작해야 한다. 모델 생성이 비동기 런타임 경계를 넘는지, 게이트웨이 구성이 송신 요청을 제어하는지, 모델 프로필이 요청 설정을 결정하는지 파악하라. 그런 다음 릴리스를 이러한 구체적 의존성과 비교하라. 유지관리자가 문서화한 수정과 여러분의 환경에서 재현된 결과를 구분해 유지하라. 모델 품질 평가는 패키지 메타데이터가 아니라 대표적인 작업에 연결하라. 어떤 의존성 버전이 해결되었는지, 어떤 구성이 클라이언트에 도달했는지, 어떤 관찰된 동작이 바뀌었는지 기록하라. 그 결과를 바탕으로 업그레이드가 현재 문제를 해결하는지 또는 계획된 통합을 지원하는지 결정하라. 이 증거에 따라 배포를 결정하고, 다음 관련 호환성 또는 회귀 보고서가 나타나면 다시 검토하라.



