LLM 에이전트를 위한 가설 기반 기술 최적화 (Hypothesis-Driven Skill Optimization)

외부 기술(External skills)은 모델 가중치를 변경하지 않고도 행동 중심의 LLM 에이전트를 개선할 수 있지만, 희소하거나 노이즈가 있는 궤적(trajectories)으로부터 기술을 증류(distill)할 경우 지속적인 기술 업데이트는 위험할 수 있습니다. 타당한 성찰(reflection)이라 할지라도 유용한 절차, 가짜 지름길(spurious shortcut), 또는 대상 실행기(executor)가 안정적으로 따를 수 없는 규칙을 인코딩할 수 있기 때문입니다. 우리는 기술 큐레이터(skill curator)와 에이전트 실행기(agent executor)가 모두 동결된 추론 엔드포인트(inference endpoints)인 학습이 필요 없는(train-free) 프레임워크인 가설 기반 기술 최적화 (Hypothesis-Driven Skill Optimization, HDSO)를 제안합니다. 큐레이터는 실행기 추적(executor traces)을 관찰하고, 명시적인 검증 계획을 포함한 검증 가능한 가설을 제안하며, 해당 가설을 후보 기술 패키지로 인스턴스화합니다. 이후 대조/처치(control/treatment) 실행 쌍을 통해 패키지를 검증하고, 행동 차이를 검토하며, 지원되는 후보만을 승인된 저장소(approved repository)로 통합합니다. 실행기는 점진적 공개(progressive disclosure)를 통해 승인된 기술을 소비하며, 기술이 선택되지 않을 때는 실행기 전용 경로(executor-only path)를 유지합니다. ALFWorld 환경에서 HDSO는 Qwen3-8B의 경우 실행기 전용 베이스라인 대비 평균 성공률(Avg. SR)을 +6.9포인트, Qwen3.6-27B의 경우 +4.0포인트를 향상시켰습니다. 기술 발견 및 검증 과정에서 20%의 무작위 성공/실패 피드백 반전(flipped feedback)이 발생하는 상황에서도 HDSO는 Qwen3-8B에 대해 +7.1포인트의 이득을 유지합니다. 전이(Transfer) 및 이종 쌍(heterogeneous-pair) 진단 결과, 검증된 저장소는 이를 생성한 실행 과정을 넘어 유용하게 사용될 수 있음을 보여주었으나, 교차 모델 큐레이션(cross-model curation)은 큐레이터의 진단, 실행기의 능력, 그리고 검증 증거가 일치할 때만 성공합니다. HDSO는 제약 없는 메모리 축적 절차 대신, 동결된 행동 에이전트를 위한 감사 가능한(auditable) 기술 수명 주기를 제공합니다.