코딩 에이전트를 위한 적응형 스킬 세분성: 런타임 라우팅 및 매크로-마이크로 복구

재사용 가능한 스킬은 대규모 언어 모델(LLM) 에이전트가 작업별 절차, 도구 활용 가능성(tool affordances), 실행 지침을 모듈식 단위로 패키징할 수 있게 합니다. 기존 연구들은 주로 에이전트가 실행 전에 스킬을 검색(retrieve), 조합(compose), 또는 합성하는 방식에 초점을 맞추어 왔습니다. 그러나 코딩 에이전트의 경우, 실행 자체가 추가적인 런타임 제어 문제를 야기합니다. 즉, 동일한 작업을 원시 도구 호출(primitive tool calls), 매크로 스킬(macro skills), 또는 매크로로 시작하여 마이크로 수준 복구로 되돌아오는 하이브리드 실행 방식으로 해결할 수 있습니다. 본 논문에서는 스킬 세분성(skill granularity)을 작업 구조, 실행 상태, 그리고 매크로 스킬 실패에 따라 조건화되는 액션 추상화 정책으로 간주하는 프레임워크인 적응형 스킬 세분성(Adaptive Skill Granularity)을 소개합니다. 이 시스템은 특징 기반의 세분성 제어기(feature-based granularity controller)와 유한 상태 복구 실행기(finite-state recovery executor)를 결합합니다. 우리는 검증기 정의 성공, 총 비용, 매크로 채택률, 실패 복구율, 경로 일치도, 전환 정확성과 같은 프로세스 지표를 사용하는 결정론적 코딩 에이전트 프로토콜을 사용하여 이 프레임워크를 평가했습니다. 그 결과, 고정된 매크로 실행은 적용 가능한 경우 효율적이지만 불일치 상황에서는 취약한 반면, 런타임 라우팅과 명시적인 매크로-마이크로 복구는 견고성을 향상시키고 고정 세분성 실행으로는 해결할 수 없는 제어된 매크로 실패를 복구하는 것을 보여주었습니다. 우리의 발견은 코딩 에이전트를 위한 스킬 라이브러리가 단순히 검색 가능한 자원으로 취급될 것이 아니라, 통제 가능하고(controllable), 검증 가능하며(verifiable), 복구 가능한(recoverable) 실행 추상화로 간주되어야 함을 시사합니다.