Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 에이전트가 수천 개의 도구 중 필요한 것을 효율적으로 찾을 수 있도록 돕는 SING 프레임워크를 제안합니다. 사용자 의도와 도구 역량을 연결하는 '의도-도구 그래프'를 통해 장기적 작업 수행 시 도구 검색의 정확도와 효율성을 크게 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLM) 에이전트는 컨텍스트, 도구, 그리고 다회차 실행 (multi-turn execution)을 관리하는 에이전트 하네스 (agent harnesses)에 점점 더 의존하고 있으며, 이로 인해 도구는 현실적인 디지털 환경에서 행동하기 위한 핵심 인터페이스가 되었습니다. 하네스에 연결된 도구 생태계가 수백 또는 수천 개의 API, 서비스, 그리고 작업 특화 기술로 확장됨에 따라, 모든 도구 스키마 (tool schema)를 주입하는 방식은 비용이 많이 들 뿐만 아니라 에이전트를 미리 정의된 정적 인벤토리로 제한하는 폐쇄 세계 가정 (closed-world assumption)을 강요하게 됩니다. 검색 증강 도구 선택 (Retrieval-augmented tool selection)은 자연스러운 대안을 제공하지만, 기존의 원샷 검색 (one-shot retrieval) 방식은 고립된 도구 설명과 에이전트의 실제 작업 의도 (task intention)를 정렬하는 데 종종 실패합니다. 특히 필요한 역량이 분해 (decomposition), 관찰 (observations), 그리고 새롭게 유도된 하위 목표 (subgoals)를 통해 나타나는 장기적 작업 (long-horizon tasks)에서 더욱 그러합니다. 우리는 사용자 의도, 도구 역량, 그리고 도구 협업 패턴을 연결하는 의도-도구 그래프 (intention-tool graph)를 구축하고, 진화하는 작업 상태에 따라 도구를 동적으로 검색하는 의도 인식 능동적 도구 발견 프레임워크인 SING를 제안합니다. 7,471개의 도구로 구성된 통합 코퍼스 (unified corpus)를 사용하여, 우리는 세 가지 실제 도구 사용 벤치마크에서 SING를 평가합니다. SING는 베이스라인 대비 Global Recall@5를 최대 59.8% 향상시키고 다운스트림 성공률 (downstream success rate)을 최대 28.9% 개선하는 동시에, 전체 코퍼스에 대한 도구 스키마 노출을 99.8% 줄임으로써, 의도 인식 그래프 구조가 대규모 에이전트 생태계에서 더욱 정확하고 컨텍스트 효율적인 도구 발견을 가능하게 함을 입증했습니다.