에이전트 AI 를 위한 스킬 리트리벌 오거멘테이션 (Skill Retrieval Augmentation)

요약

본 논문은 LLM 기반 에이전트가 복잡한 작업을 수행할 때 외부 스킬에 의존하는 추세에 맞춰, 기존 컨텍스트 윈도우 방식의 한계를 극복하기 위해 '스킬 리트리벌 오거멘테이션(SRA)'이라는 새로운 패러다임을 제안합니다. SRA는 에이전트가 필요할 때 대규모 외부 스킬 코퍼스에서 관련 스킬을 동적으로 검색하고 통합하여 사용하는 방식입니다. 이를 검증하기 위해 26,262개의 스킬로 구성된 대규모 코퍼스와 분해 평가를 위한 새로운 벤치마크인 SRA-Bench를 도입했습니다.

핵심 포인트

• LLM 에이전트가 복잡한 작업을 처리할 때 외부 재사용 가능한 스킬에 대한 의존도가 높아지고 있다.
• 기존의 컨텍스트 내 명시적 스킬 열거 방식은 확장성 문제(컨텍스트 예산 소모, 정확도 저하)를 안고 있다.
• 제안된 SRA는 대규모 외부 스킬 코퍼스에서 필요한 스킬을 동적으로 검색하고 통합하는 새로운 패러다임이다.
• SRA-Bench라는 벤치마크를 통해 리트리벌 기반 오거멘테이션이 에이전트 성능 향상에 효과적임을 입증했다.
• 단순한 검색 외에도, LLM이 실제로 외부 스킬 로드가 필요한지 판단하는 '스킬 통합' 단계의 개선이 필요하다는 근본적인 격차를 발견했다.