FederatedSkill: 에이전트 기술 진화를 위한 연합 학습 (Federated Learning)

현대의 LLM 에이전트들은 복잡한 작업을 처리하기 위해 기술 라이브러리 (skill libraries)에 점점 더 의존하고 있으며, 이에 따라 기술 진화 (skill evolution)는 자기 개선 (self-improvement)의 주요 동력이 되고 있습니다. 그러나 고립된 단일 사용자 작업 스트림은 포괄적인 기술을 구축하는 데 필요한 다양성이 부족합니다. 사용자 간 협업을 통해 이러한 데이터 병목 현상을 극복할 수 있지만, 현재의 궤적 공유 (trajectory-sharing) 방식은 사용자 프라이버시를 침해하며, 클라이언트의 이질성 (client heterogeneity)을 수용하지 못하는 획일적인 글로벌 라이브러리를 강요합니다. 우리는 협업적 에이전트 진화를 위한 프라이버시 보존 프레임워크인 FederatedSkill을 소개합니다. FederatedSkill은 가공되지 않은 궤적 공유를 넘어, 로컬 라이브러리에 대한 구조화된 패치인 시맨틱 기술 차이 (semantic skill diffs)를 통신의 기본 단위로 활용합니다. 서버 측에서는 진화 에이전트 (evolution agent)가 이러한 패치들을 집계하여 클라이언트별 역량 경계 (capability boundaries)를 동적으로 모델링하며, 이를 통해 차선책인 글로벌 평균이 아닌 엄격하게 개인화된 기술 진화를 촉진합니다. 20개의 서로 다른 에이전트 작업군을 통해 평가한 결과, FederatedSkill은 자기 진화 (self-evolving) 베이스라인 대비 상당한 이득을 보여주었으며, 성공률을 최대 44.4% 향상시키고 계산 비용을 37.5% 절감했습니다.