MCP-Cosmos: 복잡한 작업 실행을 위한 World Model 증강 에이전트 (MCP Environments)

Model Context Protocol (MCP)은 대규모 언어 모델(LLMs)과 외부 도구 간의 인터페이스를 통합했지만, 에이전트가 작동하는 환경을 개념화하는 방식에는 근본적인 격차가 남아 있습니다. 현재 패러다임은 양분되어 있습니다: 작업 수준 계획은 종종 실행 시간 역학을 무시하며, 반응적 실행은 장기 예측력이 부족합니다. 본 논문에서는 생성형 World Model (WM)을 MCP 생태계에 주입하여 예측적 작업 자동화를 가능하게 하는 프레임워크인 MCP-Cosmos를 제시합니다. MCP, World Model, 에이전트라는 세 가지 이질적인 기술을 통합함으로써, 우리는 'Bring Your Own World Model' (BYOWM) 전략이 에이전트가 실행 전에 잠재 공간에서 상태 전이를 시뮬레이션하고 계획을 개선할 수 있도록 함을 입증합니다. 본 연구는 2개의 계획 모델과 3개의 대표적인 world model을 사용하여 20개 이상의 MCP-Bench 태스크에 대해 ReAct와 SPIRAL이라는 두 가지 전략으로 실험을 수행했습니다. 그 결과, 에이전트의 환경 상호작용 KPI(핵심 성과 지표)인 도구 성공률 및 도구 매개변수 정확도에서 개선을 관찰했습니다. 또한 이 프레임워크는 기준선 대비 world model의 효과에 대한 새로운 통찰력을 생성하기 위해 실행 품질(Execution Quality)과 같은 새로운 메트릭을 제공합니다.