예측하고 학습하기: 선제적 에이전트(Proactive Agents)의 유휴 시간 연산 활용

AI 에이전트(AI agents)가 추론 및 도구 사용(tool use)에서 놀라운 능력을 보여주고 있지만, 이들은 근본적으로 반응적(reactive)인 상태로 남아 있습니다. 즉, 명시적인 사용자 프롬프트(user prompts)가 있은 후에만 응답을 계산합니다. 이러한 패러다임은 중요한 기회를 간과하고 있습니다. 상호작용 사이의 유휴 시간(idle time)이 대부분 낭비되어, 에이전트가 미래의 사용자 요구 사항을 준비할 수 없게 만들기 때문입니다. 이 간극을 메우기 위해, 우리는 유휴 시간 연산(idle-time compute)을 활용하여 향후 발생할 가능성이 높은 사용자 요구를 예측하고 충족하는 선제적 에이전트 아키텍처(proactive agent architecture)인 ProAct를 소개합니다. ProAct는 지속적 메모리(persistent memory)와 함께 진화하는 대화 이력(dialogue history)을 분석함으로써, 다가올 요구를 예측하고 반복적으로 정보를 습득하여, 사용자가 질의를 시작하기 전에 에이전트가 지식 격차(knowledge gaps)를 해소하고 증거를 준비할 수 있도록 합니다. 선제적 능력(proactive capabilities)을 엄격하게 평가하기 위해, 우리는 또한 예측 가능한 요구 체인(need chains)과 다양한 사용자 인지 프로필(user cognitive profiles)을 특징으로 하는 40개 도메인, 200개 시나리오로 구성된 종합 벤치마크인 ProActEval을 도입합니다. 실증적 결과는 반응적 베이스라인(reactive baselines) 대비 상당한 이점을 보여줍니다. ProActEval에서 ProAct는 필요한 턴(turns) 수를 14.8% 줄여 작업 완료를 가속화하고, 사용자 노력(user effort)을 11.7% 감소시키며, 환각률(hallucination rates)을 28.1% 낮춥니다. 또한, MemBench 평가를 통해 ProAct가 최첨단(state-of-the-art) 성찰 정확도(reflective accuracy)를 달성함을 확인하였으며, 이는 ProAct의 지속적이고 견고한 성능을 강조합니다.