AgentX: 산업용 추천 시스템의 에이전트 주도 자기 반복(Self-Iteration)을 향하여

추천 알고리즘의 반복(iteration) 과정은 장인 정신에 의존하며 엔지니어에게 종속된 방식에서 산업화된 연구 루프로 이동하고 있으나, 이러한 전환은 구조적인 실행 병목 현상에 의해 여전히 가로막혀 있습니다. 즉, 아이디어에서 출시(idea-to-launch)에 이르는 주기가 가설 생성, 프로덕션 코드 수정, A/B 실험 실행, 온라인 결과 분석을 수행하는 인간 엔지니어에게 여전히 의존하고 있다는 점입니다. 따라서 혁신은 증거, 컴퓨팅 자원, 축적된 실험 지식과 결합하여 복리로 성장하기보다는 인원수에 따라 선형적으로 확장됩니다. 본 논문에서는 이러한 생산 함수를 근본적으로 재구조화하는, 실제 프로덕션에 배포된 멀티 에이전트 시스템(multi-agent system)인 AgentX를 제시합니다. AgentX는 자기 진화형 개발 엔진(self-evolving development engine)으로서 작동하며, 수동 워크플로우로는 유지할 수 없는 규모와 속도로 추천 실험을 자율적으로 생성, 구현, 평가 및 학습합니다. 이 시스템은 폐쇄 루프(closed loop) 내에서 밀접하게 결합된 네 가지 단계를 조율합니다. Brainstorm Agent는 과거 실험, 시스템 아키텍처, 데이터 분석 및 외부 연구로부터 얻은 증거를 합성하여 순위가 매겨진 실행 가능한 제안을 생성합니다. Developing Agent는 저장소 기반 생성(repository-grounded generation)과 다차원 신뢰성 검증을 통해 각 제안을 프로덕션 준비가 된 코드로 변환합니다. Evaluation Agent는 가드레일(guardrail)에 의해 거부된 A/B 판단을 포함한 안전한 온라인 롤아웃(online rollout)을 수행하며, 성공과 실패 모두를 구조화된 지식 자산으로 변환합니다. 마지막으로 Harness Evolution 레이어(SGPO)는 실행 궤적(execution trajectories)을 의미론적 경사 업데이트(semantic-gradient updates)로 증류하여 에이전트 자체를 지속적으로 정교화하며, 이를 통해 시스템을 단순한 자동화를 넘어 자기 개선(self-improving)이 가능한 상태로 만듭니다.