ADEMA: LLMAgents 를 활용한 장기적 지식 합성을 위한 지식 상태 오케스트레이션 아키텍처

장기적 (Long-horizon) LLM 작업은 종종 하나의 정답을 얻지 못하기 때문이라기보다, 라운드마다 지식 상태 (knowledge states) 가 표류하고, 중간 단계의 약속이 암묵적으로 남으며, 중단으로 인해 발전 중인 증거 사슬이 파단되기 때문에 실패합니다. 본 논문은 ADEMA 를 일반적인 다중 에이전트 런타임이 아닌 장기적 지식 합성을 위한 지식 상태 오케스트레이션 아키텍처로 제시합니다. 이 아키텍처는 명시적인 인식 (epistemic) 회계, 이질적인 이중 평가자 거버넌스, 적응형 작업 모드 전환, 평판 기반 자원 할당, 체크포인트 재개 가능 지속성, 섹먼트 단위 기억 압축, 아티팩트 우선 조립, 그리고 안전한 폴백을 포함한 최종 유효성 검증을 결합합니다. 증거는 기존 자료에서 완전히 도출되었으며, 이는 네 가지 시나리오 쇼케이스 패키지, 고정된 60 회 실행 메커니즘 행렬, 타겟팅된 미세 절제 (micro-ablation) 및 아티팩트 사슬 보충 자료, 그리고 코드 중심 평가가 가장 명확한 품질 민감성 메커니즘 블록인 수정된 프로토콜 수준 벤치마크를 포함합니다. 고정된 행렬을 통해 체크포인트/재개를 제거한 실행만이 무효화되었으며, 이는 중단에 민감한 재개 조건에서 발생했습니다. 반면, 이중 평가, 섹먼트 합성 및 동적 거버넌스는 완료를 위한 보편적인 이진 전제조건이라기보다, 궤적 규율 (trajectory discipline), 명시적인 아티팩트 진행, 비용 - 품질 행동을 형성하는 지원 제어 메커니즘으로 해석하는 것이 가장 적절합니다. 따라서 기여는 명시적인 인식 상태 전환, 증거를 지닌 아티팩트 진행, 그리고 회복 가능한 연속성이 주요 설계 약속인 지식 상태 오케스트레이션 아키텍처입니다.