요약

기존의 과학 워크플로우 시스템은 실행(scheduling, resource management)을 자동화하지만, 연구 질문을 실제 워크플로우 사양으로 변환하는 '의미론적 번역' 단계는 여전히 수동 작업이었습니다. 본 논문은 이 격차를 해소하기 위해 에이전트 기반 아키텍처를 제안합니다. 이 시스템은 LLM이 자연어 연구 질문을 구조화된 의도(Intent)로 해석하고, 검증된 생성기가 재현 가능한 워크플로우 DAG를 만들며, 도메인 전문가가 'Skills'라는 지식 레이어를 제공하여 정확성을 극대화합니다. 실험 결과, Skills 도입

핵심 포인트

• 제안된 에이전트 아키텍처는 연구 질문을 구조적 의도로 해석하는 의미론적 계층(semantic layer)을 추가하여 과학 워크플로우 자동화를 완성했습니다.
• 도메인 지식을 담은 'Skills'를 활용했을 때, 초기 Intent 정확도가 44%에서 83%로 크게 향상되었습니다.
• 워크플로우 생성 과정에서 Skills 기반의 지연(deferred) 처리를 적용하여 데이터 전송량을 92%까지 줄였습니다.
• Kubernetes 환경에서 End-to-End 파이프라인을 구동했을 때, LLM 오버헤드가 15초 미만이며 쿼리당 비용은 $0.001 이하로 매우 효율적임을 입증했습니다.