LLM 에이전트가 그래픽 코드를 짜고 결과를 보며 고치는 연구가 빠르게 늘자, 연구진이 이 분야 논문을 AI 에이전트로 모아 분류한 서베이를

요약

연구진이 LLM 에이전트가 그래픽 코드를 작성하고 피드백을 통해 개선하는 최신 논문들을 서베이했습니다. 이 시스템들은 행동 계획, 환경 실행, 그리고 중간 결과의 관찰 정보를 활용하여 반복적으로 작업을 수행합니다. 분석 결과, 대부분 기성 모델을 사용하며 하네스 설계가 다양하다는 점과 향후 과제를 제시했습니다.

핵심 포인트

• 시스템은 입력/출력, 기반 모델, 하네스(계획/검증), 그래픽 도구의 4축으로 분류됨.
• 관찰 정보는 주로 다중 시점 렌더링 등 시각적 피드백을 활용하는 경향이 높음.
• 대부분의 시스템은 별도의 추가 학습 없이 기성 모델을 사용하며 하네스 설계가 다양함.
• 향후 과제로는 여러 에이전트/도구 조율, 장기 계획 및 신뢰할 수 있는 평가가 중요함.