Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
기업용 에이전트 시스템을 위한 통제된 멀티 에이전트 아키텍처인 Queen-Bee를 제안합니다. BeeSpec을 통해 전문화된 Bee 에이전트들이 정책 준수 및 격리된 환경에서 MCP 인터페이스를 안전하게 활용하도록 설계되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기기업용 에이전트 시스템은 대규모 언어 모델 (LLM)을 프라이빗 도구, 내부 지식, 그리고 모델 컨텍스트 프로토콜 (Model Context Protocol, MCP) 인터페이스에 연결해야 할 필요성이 점점 커지고 있습니다. 이러한 환경에서는 단순한 작업 수행 능력만으로는 불충분합니다. 조직은 정책 집행 (policy enforcement), 테넌트 범위의 격리 (tenant-scoped isolation), 그리고 명시적인 운영 경계 내에서 유지되는 실행 능력을 필요로 합니다. 본 논문에서는 Queen-Bee를 제시합니다. 이는 Queen 제어 평면 (control plane)이 역량을 검색하고, 작업 범위의 실행을 계획하며, 구조화된 BeeSpec을 컴파일하면, 전문화된 Bee 에이전트들이 제한된 도구 액세스 하에 이를 실행하는 통제된 멀티 에이전트 아키텍처 (multi-agent architecture)입니다. 우리는 테넌트 범위의 MCP 커넥터, 감사 기반의 실행 시점 거버넌스 (audit-backed execution-time governance), 검색 기반의 약한 인큐베이션 (retrieval-driven weak incubation), 그리고 다중 프로비저닝 백엔드를 갖춘 작동 가능한 프로토타입을 구현했습니다. 우리는 거버넌스 민감 요청, 검색 기반 프로비저닝, 범위 제한 로컬 실행, 화학 워크플로 통합을 아우르는 59개의 기업 스타일 작업에 대해 시스템을 평가했습니다. 검색 기반 Queen-Bee 변형 모델은 0.964의 작업 성공률을 달성하였고, 거버넌스 실패 제로를 기록했으며, 정적 Queen-Bee 베이스라인 및 허용적인 단일 에이전트 베이스라인 모두보다 실질적으로 더 나은 범위 제한 실행 품질을 보여주었습니다. 나아가 우리는 명시적인 승인 게이팅 (approval gating)과 실제 상류 증거 및 스크리닝 아티팩트 (screening artifacts)에 근거한 구체적인 상위 3위 후보 명단을 포함하는 멀티-Bee 화학 워크플로를 보여줍니다. 하이브리드 검색 및 LLM 가이드 프로비저닝과의 추가 비교를 통해, 더 풍부한 프로비저닝 백엔드가 실행 가능하지만, 현재의 작고 고도로 구조화된 역량 레지스트리 (capability registry)에서는 경량화된 구조적 검색기 (structured retriever)보다 성능이 뛰어나지는 않음을 보여줍니다. 본 결과는 프로덕션 배포 연구라기보다는 프로토타입 수준의 시스템 증거를 제공하며, 기업용 에이전트 플랫폼은 역량뿐만 아니라 통제된 프로비저닝, 격리 동작, 범위 제한 실행 품질, 그리고 아티팩트 인지 워크플로 조정 (artifact-aware workflow coordination) 측면에서도 평가되어야 함을 시사합니다.