SkillRAE: 검색 증강 실행을 위한 에이전트 스킬 기반 컨텍스트 컴파일

요약

SkillRAE은 대규모 언어 모델(LLM) 기반 에이전트의 검색 증강 실행(RAE)을 개선하기 위해 제안된 2단계 접근 방식입니다. 이 방법은 스킬 라이브러리에서 선택된 여러 스킬과 지식 조각들을 단순히 모으는 것을 넘어, 이를 압축적이고 근거가 명확하며 즉시 사용 가능한 형태로 '컨텍스트 컴파일'하는 데 중점을 둡니다. SkillRAE는 오프라인 단계에서 다단계 스킬 그래프를 구축하고, 온라인 검색 및 구조 복구 인지 압축 컴파일을 통해 최종적으로 작업에 최적화된 고품질 컨텍스트를 생성하여 기존 RAE 방법론 대비 성능 향상을 입증했습니다.

핵심 포인트

• SkillRAE은 LLM 에이전트의 재사용 가능한 스킬 라이브러리 활용 능력을 강화하는 2단계 RAE 프레임워크입니다.
• 기존 연구가 스킬 검색과 실행 최적화에 집중했다면, SkillRAE은 선택된 증거를 '압축적이고 근거가 명확한' 작업별 컨텍스트로 컴파일하는 과정에 초점을 맞춥니다.
• 오프라인 단계에서는 다단계 스킬 그래프(multi-level skill graph)를 구축하여 스킬 간의 복잡한 관계를 포착합니다.
• 온라인 검색 단계에서 '구조 복구 인지 압축 컴파일(rescue-aware compact compilation)'을 적용하여 핵심 증거를 효과적으로 추출하고 컨텍스트를 최적화합니다.
• 실험 결과, SkillRAE는 SkillsBench와 같은 벤치마크에서 기존 SOTA 방법 대비 상당한 성능 향상을 보여주었습니다.