MUSE-Autoskill: 기술 생성, 메모리, 관리 및 평가를 통한 자기 진화형 에이전트

대규모 언어 모델 (LLM) 에이전트는 복잡한 작업을 해결하기 위해 재사용 가능한 기술 (skills)에 의존합니다. 그러나 기존의 기술 생성 방식은 기술을 고립되고 정적인 산물로 취급하여, 재사용성, 신뢰성 및 장기적인 개선을 제한합니다. 우리는 통합된 라이프사이클 (생성, 메모리, 관리, 평가 및 개선) 하에서 에이전트가 기술을 생성, 재사용 및 정제함으로써 작업 해결 능력을 지속적으로 향상시킬 수 있도록 하는 기술 중심 에이전트 프레임워크인 MUSE-Autoskill 에이전트 (Memory-Utilizing Skill Evolution)를 제안합니다. 우리의 프레임워크는 에이전트가 필요에 따라 기술을 생성하고, 여러 작업에 걸쳐 이를 저장 및 재사용하며, 효율적으로 조직 및 선택하고, 유닛 테스트 (unit tests)와 런타임 피드백 (runtime feedback)을 통해 지속적인 개선을 위한 평가를 수행할 수 있도록 합니다. 나아가 우리는 각 기술에 대한 경험을 작업 전반에 걸쳐 축적하는 기술 수준의 메모리 (skill-level memory)를 도입하여, 시간이 지남에 따라 더욱 효과적인 재사용과 적응을 가능하게 합니다. SkillsBench에서의 실험은 라이프사이클이 관리되는 기술이 작업 성공률, 효율성, 재사용성 및 에이전트 간 전이 (cross-agent transfer)를 향상시킬 수 있다는 초기 증거를 제공하며, 기술을 수명이 길고, 경험을 인지하며, 테스트 가능한 자산으로 취급하는 것의 중요성을 강조합니다.