GEPA는 LLM 기반 리플렉션과 파레토 효율적 진화 탐색을 결합하여 시스템의 모든 텍스트 매개변수를 최적화하는 프레임워크입니다. 이 도구는 프롬프트, 코드, 에이전트 아키텍처 등 광범위한 설정을 포괄적으로 개선할 수 있도록 설계되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 GitHub Trending Jupyter Notebook (weekly)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기GEPA는 텍스트 매개변수를 가진 모든 시스템을 모든 평가 지표에 대해 최적화하기 위한 프레임워크입니다. 실행 추적(execution traces)을 단일 스칼라 보상으로 축소하는 RL이나 기울기 기반 방법(gradient-based methods)과 달리, GEPA는 LLM을 사용하여 전체 실행 추적—오류 메시지, 프로파일링 데이터, 추론 로그—을 읽어 후보가 왜 실패했는지 진단하고 목표 지향적인 수정 사항을 제안합니다. 반복적인 반성(reflection), 변이(mutation), 그리고 파레토 인식 선택(Pareto-aware selection) 과정을 통해 GEPA는 최소한의 평가만으로 높은 성능의 변형체들을 진화시킵니다.
측정할 수 있다면, 최적화할 수 있습니다: 프롬프트, 코드, 에이전트 아키텍처, 스케줄링 정책, 벡터 그래픽 등 무엇이든 가능합니다.
| 90배 저렴 | 오픈 소스 모델 + GEPA가 Databricks에서 Claude Opus 4.1을 능가했습니다. |
| ... |
*"DSPy와 (특히) GEPA는 현재 AI 컨텍스트 엔지니어링 분야에서 심각하게 과소평가되고 있습니다." — Tobi Lutke, Shopify CEO
pip install gepa
main 브랜치에서 최신 버전을 설치하려면:
pip install git+https://github.com/gepa-ai/gepa.git
핵심 패키지 및 종속성 없는 gepa[dspy] 추가 기능은 Python 3.15를 지원합니다. PyPI에서 설치하기 전에 이 지원을 포함하는 릴리스가 필요합니다. 선택적 통합(Optional integrations)은 자체적인 종속성 요구 사항을 가집니다. 호출 가능한 모델 및 평가기는 이러한 추가 기능을 필요로 하지 않습니다. gepa[full]과 gepa[confidence]를 사용하려면, 해당 종속성이 Python 3.15를 지원할 때까지 Python 3.10–3.14를 사용하십시오.
몇 줄의 코드로 AIME 벤치마크의 수학 문제에 대한 시스템 프롬프트를 최적화합니다(전체 튜토리얼):
import gepa
trainset, valset, _ = gepa.examples.aime.init_dataset()
...
결과: GPT-4.1 Mini는 AIME 2025에서 46.6% → 56.6%로 향상되었습니다 (+10 퍼센트 포인트).
GEPA를 프롬프트 최적화에 사용하는 가장 강력한 방법은 DSPy 내에서이며, 여기서 dspy.GEPA로 사용할 수 있습니다. 실행 가능한 노트북을 보려면 dspy.GEPA 튜토리얼을 참조하십시오.
import dspy
optimizer = dspy.GEPA(
...
optimize_anything API는 단순히 프롬프트뿐만 아니라 모든 텍스트 아티팩트—코드, 에이전트 아키텍처, 구성(configurations), SVG 등—를 최적화합니다. 사용자가 평가자(evaluator)를 제공하면 시스템이 검색을 처리합니다.
import gepa.optimize_anything as oa
from gepa.optimize_anything import optimize_anything, GEPAConfig, EngineConfig
...
GEPA는 또한 에이전트 스킬(Agent Skill) 형태로 제공되어 코딩 에이전트가 여러분을 위해 optimize_anything을 구동할 수 있게 합니다. 이 저장소의 클론본에서 Claude Code와 .claude/skills/를 읽는 다른 에이전트들(Cursor, VS Code/Copilot, Codex, Gemini CLI)은 .claude/skills/gepa-optimize-anything/에서 이를 자동 발견합니다. 다른 프로젝트에서 사용하려면 이 저장소의 마켓플레이스에서 플러그인을 설치하십시오:
/plugin marketplace add gepa-ai/gepa
/plugin install gepa-optimize-anything@gepa
자세한 내용은 에이전트 스킬 가이드를 참조하십시오.
기존 최적화 도구들은 후보가 실패했다는 사실은 알지만, 왜 실패했는지는 모릅니다. GEPA는 다른 접근 방식을 취합니다:
GEPA는 또한 시스템 인식 병합(system-aware merge)을 지원합니다. 이는 서로 다른 작업에서 탁월한 두 개의 파레토 최적 후보(Pareto-optimal candidates)의 강점을 결합하는 것입니다. 핵심 개념은 실행 가능한 부가 정보(Actionable Side Information, ASI)입니다. 이는 평가자로부터 반환되는 진단 피드백으로, 텍스트 최적화에서의 기울기(gradient)와 유사한 역할을 합니다.
자세한 내용은 paper 및 documentation를 참조하십시오.
GEPA는 [GEPAAdapter] 인터페이스(src/gepa/core/adapter.py)를 통해 사용자의 시스템과 연결됩니다. evaluate와 make_reflective_dataset을 구현하기만 하면, GEPA가 나머지를 처리합니다.
내장 어댑터:
| 어댑터 | 설명 |
|---|---|
| DefaultAdapter | 단일 턴 LLM 작업을 위한 시스템 프롬프트 최적화 |
| ... | |
| 자체 어댑터를 구축하는 방법은 어댑터 가이드를 참고하고, DSPy의 어댑터를 참조하십시오. |
GEPA는 여러 주요 프레임워크에 통합되었습니다:
dspy.GEPA. 튜토리얼.mlflow.genai.optimize_prompts.adk optimize 기능으로, Google Cloud의 Gemini Enterprise Agent Platform Quality Flywheel에도 탑재되었습니다. ADK 문서 · 커뮤니티 튜토리얼.GEPA는 최적화 과정에서 추론을 미리 계산하여 미래 작업 인스턴스를 위한 계획을 생성하는 것으로 생각할 수 있습니다. 여기에는 GEPA가 발견한 상세 프롬프트의 예시들이 나와 있습니다:
<table border="1"> <tr> <td colspan="2" align="center">예시 GEPA 프롬프트</td> </tr> <tr> <td align="center">HotpotQA (다단계 질의응답(multi-hop QA)) 프롬프트</td> <td align="center">AIME 프롬프트</td> </tr> <tr> <td width="52%" valign="top"> <img src="https://raw.githubusercontent.com/gepa-ai/gepa/refs/heads/main/assets/gepa_prompt_hotpotqa.png" alt="HotpotQA 프롬프트" width="1400"> <!-- <td> --> <details> <summary><mark>전체 HotpotQA 프롬프트 보기 클릭</mark></summary> <mark>[HotpotQA 프롬프트 시작]</mark>사용자에게 두 개의 입력 필드: question과 summary_1이 제공됩니다.
당신의 임무는 다단계 검색 시스템의 **두 번째 단계(second hop)**에 최적화된 새로운 검색어(query)를 생성하는 것입니다. 원래 사용자 질문은 일반적으로 복잡하며 답변을 위해 여러 문서에서 정보를 필요로 합니다. 첫 번째 단계 검색어는 초기 문서 세트를 검색하는 데 사용되는 원래 질문입니다. 당신의 목표는 원래 질문 전체에 답하는 데 필요한 추가 관련 문서를 검색하는 두 번째 단계 검색어를 생성하는 것입니다.
상세 작업 지침 및 힌트:
입력 이해:
question: 사용자가 제기한 원래의 다단계 질문입니다.summary_1: 첫 번째 단계에서 검색된 문서의 정보를 간결하게 요약한 것입니다. 이 정보는 질문에 부분적으로 답변합니다.목적 및 맥락:
query는 question을 완전히 답변하는 데 필요한 누락된 정보를 찾는 것을 목표로 합니다.예시 및 피드백을 통한 주요 관찰 사항:
summary_1에 언급되었지만 원래 질문에서 명시적으로 요청되지 않은, 연결되거나 더 상위 수준의 개념을 포함하는 경우가 많습니다.query는 이러한 누락되었지만 논리적으로 연결된 문서들을 명시적으로 목표로 삼도록 공식화되어야 합니다.summary_1에서 이미 알려진 사실을 반복하는 것은 피해야 합니다.summary_1이 작은 민간 교구(civil parish)의 인구를 설명하지만 질문은 더 넓은 지역의 총인구를 원한다면, query는 그 더 넓은 지역을 목표로 삼아야 합니다 (예: "2011년 마데이라 군도 인구").summary_1이 노래에 대해 다루고 질문이 그 노래가 속한 앨범을 원하지만 1차 검색 결과에서 노래 수준의 문서를 얻었다면, 쿼리는 앨범 자체에 대한 문서를 검색하도록 해야 합니다.쿼리 구축 방법:
summary_1에 언급되었지만 1차 검색 결과 문서와 관련이 있으면서도 다른 개체나 주제를 식별합니다.실용적인 전략:
summary_1을 주의 깊게 읽어 1차 검색 단계에서 다루지 않은 더 큰 컨텍스트나 다른 개체에 대한 언급이 있는지 확인합니다.