Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 에이전트의 긴 작업 궤적으로 인한 컨텍스트 관리 문제를 해결하기 위해 ACE 기술을 제안합니다. ACE는 정보 손실을 방지하는 가역적 설계를 통해 컨텍스트를 원문, 추상화, 폐기 중 최적의 방식으로 적응적으로 조율합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기에이전트 작업의 복잡성이 증가함에 따라 궤적(trajectory)의 길이가 급격히 길어지고 있으며, 이는 고정된 컨텍스트 창(context window)을 가진 대규모 언어 모델 (LLM) 기반 에이전트에게 상당한 도전 과제를 안겨줍니다. 절단(truncation) 및 요약(summarization)과 같은 기존의 컨텍스트 관리 기술은 본질적인 유연성 부족과 비가역성(irreversibility)이라는 문제를 안고 있습니다. 즉, 정보가 한 번 폐기되거나 압축되면, 이후의 의사결정 단계에서 해당 정보가 결정적으로 중요해지더라도 이를 다시 복구할 수 없습니다. 이러한 한계를 해결하기 위해, 우리는 각 의사결정 단계에서 과거 단계의 정보를 에이전트의 컨텍스트로 탄력적으로 조율하는 플러그 앤 플레이(plug-and-play) 모듈인 ACE (Adaptive Context Elasticizer)를 제안합니다. ACE는 각 과거 단계에 대해 원문 메시지(raw messages)와 압축된 추상화(compressed abstractions)를 모두 저장하는 무손실 메시지 유지 계층(lossless message maintenance layer)을 유지하는 한편, 컨텍스트 조율 계층(context orchestration layer)은 현재 작업 상태에 따라 매 의사결정 단계마다 각 단계를 원문(raw), 추상화(abstract), 또는 폐기(drop) 중 하나의 탄력적 유형으로 적응적으로 할당합니다. 이러한 가역적(reversible) 설계는 메인 LLM이 항상 컴팩트하면서도 정보가 풍부한 컨텍스트를 수신할 수 있도록 보장합니다. 우리는 별도의 학습이나 구조적 수정 없이 ReAct, DeepAgent, WebThinker, MiroFlow를 포함한 네 가지의 다양한 에이전트 프레임워크에 ACE를 적용했습니다. 실험 결과, ACE는 절단 및 요약 베이스라인을 지속적으로 능가하며, 네 가지 에이전트 프레임워크 모두에서 일관된 성능 향상을 가져오는 것으로 나타났습니다.