[주간 리추얼 다이제스트 2 | 재귀적 하네스 자체 개선: AI가 스스로 작업 공간을 정제하다]

두 번째 논문은 흥미로운 개념을 소개합니다. 만약 AI가 자신의 작동 환경(working environment)을 직접 재설계하여 훨씬 더 효율적으로 만들 수 있다면 어떨까요?

1. 편집 가능한 워크플로우 (Editable Workflows)
   이 시스템은 인간이 설정을 하드 코딩(hard-coding)하는 대신, 역할(roles), 지시 사항(instructions), 소통 계약(communication contracts), 그리고 작업 흐름 단계(workflow hops)를 모두 수정 가능한 텍스트로 변환합니다. AI에게 스스로의 '하네스'(작업 공간)를 수정할 수 있는 권한을 부여하는 것입니다.

2. 자기 진화 루프 (The Self-Evolution Loop)
   각 반복 주기마다, 새로 생성된 하네스는 이전 버전과 비교됩니다. 평가자(evaluator)는 선호도 이력(preference history)을 사용하여 AI의 작업 환경을 지속적으로 수정하고 최적화합니다.

3. 더 똑똑하게, 더 저렴하게 (Smarter and Cheaper)
   30개의 합성 머신러닝(ML) 연구 과제를 통해 테스트한 결과, 단 몇 번의 반복만으로도 추론에 드는 노력이 적은 에이전트가 최대 추론 설정(maximum-reasoning settings)을 능가하는 성능을 보였습니다. 더욱 놀라운 점은, 컨텍스트 관리(context management)를 최적화하고 에이전트 간 정보 흐름을 깔끔하게 유지함으로써 추론 비용(inference costs)을 최대 60%까지 절감했다는 것입니다.

4. 두 번째 논문 마무리하며 (Wrapping up the second paper)
   AI가 자신의 구조적 환경을 스스로 개선하도록 함으로써, 우리는 엄청난 효율성 향상을 달성합니다. 이는 에이전트가 컨텍스트를 관리하는 방식이 그 자체의 순수한 추론 능력만큼이나 중요하다는 것을 증명합니다.

@joshsimenhoff @mongdiny7 @Jez_Cryptoz @dunken9718

[mechoorial 님 인용]: [주간 리추얼 다이제스트 1 | CryptanalysisBench: LLM이 암호분석을 할 수 있을까?]
@ritualnet @ritualfnd @ritualnet_korea

안녕하세요! 첫 번째 논문은 AI가 정말로 암호학(cryptography)을 해독할 수 있는지 탐구하며, 단순한 장난감 퍼즐을 넘어 실제 시스템에 대한 진정한 암호분석(cryptanalysis) 능력을 테스트합니다.

1. 실세계 시나리오]