LLM (Large Language Model) 기반 멀티 에이전트 시스템 (MAS, Multi-Agent Systems)은 복잡하고 장기적인 과업 (Long-horizon tasks)을 위한 효과적인 패러다임으로 부상했습니다. 그러나 실제 환경의 과업에서 MAS는 실행 중에 다양한 실패를 보이는 경우가 많으며, 이러한 실패는 설계 단계에서 제거하기 어렵습니다. 이는 시스템이 자체적인 실행 경험을 바탕으로 개선되는 경험 기반 MAS 진화 (Experience-driven MAS evolution)의 필요성을 불러일으킵니다. 하지만 MAS의 경험은 여러 에이전트의 실행 체인 (Execution chains)과 통신 메시지 (Communication messages)가 뒤섞여 길고 복잡하기 때문에, 무엇을 개선해야 할지 식별하기 어려워 이러한 진화는 매우 도전적인 과제입니다. 이 문제를 해결하기 위해, 우리는 협력적 자기 진화 (Collaborative self-evolution)에 기반한 경험 기반 MAS 진화 프레임워크인 Meta-Team을 제안합니다. Meta-Team은 각 에이전트의 실행 컨텍스트 (Execution context)를 보존하고 과업 후 통신 (Post-task communication)을 조정하여, 에이전트들이 진화를 위한 분산된 증거 (Distributed evidence)를 교환할 수 있도록 합니다. 이러한 설계를 바탕으로 Meta-Team은 멀티 스케일 자기 진화 (Multi-scale self-evolution)를 수행하며, 실행 경험을 에이전트 행동, 에이전트 간 조정 (Inter-agent coordination), 그리고 팀 수준의 조직 (Team-level organization)에 대한 재사용 가능한 개선 사항으로 변환합니다. 6개의 장기 에이전트 벤치마크 (Long-horizon agent benchmarks) 전반에 걸쳐 Meta-Team은 단일 에이전트 시스템, 수작업으로 제작된 MAS, 그리고 기존의 MAS 진화 방법론보다 일관되게 뛰어난 성능을 보여주었습니다. 추가 분석을 통해 Meta-Team이 더욱 신뢰할 수 있고 확장 가능한 MAS 자기 진화를 가능하게 함을 입증했습니다.