GEPA-Curator: 자체 개선 에이전트를 위한 큐레이션된 학습

요약

본 기사는 LLM 에이전트의 성능 향상을 위해 GEPA-Curator라는 프레임워크를 제안합니다. 이 시스템은 기존 최적화 방식의 한계를 극복하기 위해 학습에 사용될 경험을 선별(큐레이션)하는 것이 핵심입니다. Task curation과 성공적인 과거 궤적 검색 기능을 통해 에이전트가 신뢰도 높은 데이터를 바탕으로 스스로 개선되도록 합니다.

핵심 포인트

• 기존 Prompt Optimizer는 실패 원인 분석에 한계가 있어 경험 선별이 필수적임.
• GEPA-Curator는 Task curation과 Prior success retrieval 기능을 제공함.
• 노이즈를 필터링하고 성공적인 과거 궤적을 컨텍스트로 활용하여 성능을 높임.
• Gemini 3.1 Pro와 Claude Opus 5를 사용하여 기존 대비 높은 개선율을 입증함.