에이전트적 진화 (Agentic Evolution) 활용하기

에이전트적 진화 (Agentic evolution)는 후보를 반복적으로 생성하고, 이를 평가하며, 피드백을 사용하여 향후 탐색을 안내함으로써 프로그램, 워크플로 및 과학적 솔루션을 개선하는 강력한 패러다임으로 부상했습니다. 그러나 기존 방법들은 일반적으로 모듈화되어 있지만 경직된 고정된 수동 설계 절차(fixed hand-designed procedures)로 구현되거나, 피드백을 유연하게 통합하지만 장기적 진화 (long-horizon evolution) 과정에서 경로를 이탈할 수 있는 범용 에이전트 (general-purpose agents)로 구현됩니다. 두 형태 모두 후보, 피드백, 추적 (traces), 실패 사례를 포함하여 시간이 지남에 따라 풍부한 증거를 축적하지만, 이러한 증거를 정리하고 향후 진화를 주도하는 메커니즘을 수정하기 위한 안정적인 인터페이스가 부족합니다. 우리는 에이전트적 진화를 상호작용형 환경 (interactive environment)으로 공식화하여 이 한계를 해결하며, 여기서 축적된 진화 컨텍스트 (evolution context)는 프로세스 수준의 상태 (process-level state) 역할을 합니다. 우리는 AEvo를 소개하는데, 이는 메타 에이전트 (meta-agent)가 이 상태를 관찰하고 다음 후보를 직접 제안하는 것이 아니라, 향후 진화를 제어하는 절차나 에이전트 컨텍스트를 편집함으로써 동작하는 제어된 메타 편집 (meta-editing) 프레임워크입니다. 이 통합된 인터페이스를 통해 AEvo는 절차 기반 및 에이전트 기반 진화를 모두 조종할 수 있으며, 축적된 증거를 장기 탐색 (long-horizon search)을 위해 실행 가능하게 만듭니다. 에이전트 및 추론 벤치마크에 대한 실증적 평가 결과, AEvo는 5개의 진화 베이스라인 (evolution baselines)보다 우수한 성능을 보였으며, 가장 강력한 베이스라인 대비 26%의 상대적 향상을 달성했습니다. 세 가지 개방형 최적화 (open-ended optimization) 작업 전반에서 AEvo는 4개의 진화 베이스라인을 추가로 능가하며 동일한 반복 예산 (iteration budget) 하에서 최첨단 (state-of-the-art) 성능을 달성했습니다.