Adaptive Task Graphs
요약
본 기술 기사는 대규모 언어 모델(LLMs)을 활용한 에이전트 팀 조정의 비효율성 문제를 해결하기 위한 새로운 프레임워크인 LATTE를 소개합니다. 기존 접근법들이 고정된 구조화 방식이나 비구조화된 방식을 취하며 발생하는 한계를 극복하고자, LATTE는 분산 시스템에서 영감을 받아 공유되고 진화하는 '조정 그래프(Coordination Graph)'를 구축하고 유지합니다. 이 그래프는 작업 의존성, 에이전트 할당 및 진행 상태를 인코딩하여, 에이전트들이 부분 관측 가능성과 통신 제약 하에서도 작업을 동적으로 조정하고 새로운 작업을 발견할 수 있게 합니다.
핵심 포인트
- LLM 팀 조정의 기존 방식(고정 파이프라인 vs. 비구조화)은 각각 구조적 경직성 또는 비효율성을 가집니다.
- LATTE는 분산 시스템 원리를 차용하여 에이전트 팀을 조정하는 새로운 프레임워크입니다.
- 핵심 메커니즘은 공유되고 진화하는 '조정 그래프'를 구축하고 유지하는 것입니다. 이 그래프가 작업 의존성과 상태 정보를 담고 있습니다.
- LATTE는 부분 관측 가능성 및 통신 제약 하에서도 에이전트들이 작업을 동적으로 할당하고 조정할 수 있게 합니다.
- 실험 결과, LATTE는 기존의 표준 설계(MetaGPT 등)와 비교하여 토큰 사용량, 시간, 충돌 등의 비효율성을 줄이는 것으로 나타났습니다.
대규모 언어 모델 (LLMs) 은 팀 형태로 점점 더 많이 배포되고 있으나, 기존의 조정 접근법은 종종 두 극에 위치합니다. 구조화된 방법은 사전에 할당된 고정된 역할, 파이프라인, 또는 작업 분해에 의존합니다. 반면, 완전한 비구조화된 팀은 적응력과 탐색을 가능하게 하지만 오류 전파, 에이전트 간 충돌, 그리고 낭비되는 자원 (시간, 토큰 또는 파일 조작으로 측정) 등의 비효율성을 겪습니다. 우리는 분산 시스템에서 영감을 받아 LLM 팀을 조정하는 프레임워크인 Language Agent Teams for Task Evolution (LATTE) 을 소개합니다. LATTE 에서 에이전트들은 부분 관측 가능성과 통신 제약 하에 작동해야 합니다. LATTE 에서 에이전트 팀은 공유되고 진화하는 조정 그래프를 구축하고 유지하며, 이는 서브 작업의 의존성, 개별 에이전트 할당 및 서브 작업 진행 상태를 인코딩합니다. 이 프로토콜은 일관성을 유지하면서 에이전트들이 작업을 동적으로 할당하고 조정을 적응시키며 새로운 작업을 발견할 수 있게 합니다. 여러 협업 과제와 다양한 기본 모델을 통해 LATTE 가 토큰 사용량, 벽시계 시간, 통신 및 조정 실패 (예: 파일 충돌과 중복 출력) 를 줄이는 방법을 보여주며, MetaGPT, 분산 팀, 위상 하위 Leader-Worker 계층 및 정적 분해와 같은 표준 설계의 정확성을 일치하거나 초과함을 증명합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기