초록 (Abstract)

최근 대규모 언어 모델 (LLM) 및 멀티모달 모델 (LMM)의 발전으로 인해, 복잡한 작업을 수행할 수 있는 자율 에이전트 (Autonomous Agents)의 능력이 비약적으로 향상되었습니다. 그러나 단일 에이전트가 모든 작업을 처리하는 방식은 확장성 (Scalability)과 효율성 (Efficiency) 측면에서 한계가 있습니다. 본 논문에서는 분산형 에이전트 네트워크를 통해 복잡한 작업을 효율적으로 분배하고 실행하는 새로운 프레임워크인 SwarmHarness를 제안합니다.

SwarmHarness는 각 에이전트가 자신의 전문 기술 (Skill)을 바탕으로 작업을 수락하거나 거절할 수 있는 분산형 인센티브 정렬 (Decentralized Incentive-Aligned) 메커니즘을 도입합니다. 이 시스템은 에이전트들이 전체 네트워크의 목표에 부합하는 방향으로 행동하도록 유도하며, 개별 에이전트의 이기적인 행동이 전체 시스템의 성능을 저해하지 않도록 설계되었습니다.

우리의 핵심 기여는 다음과 같습니다:

1. 기술 기반 작업 라우팅 (Skill-Based Task Routing): 에이전트의 역량을 정량화하고, 작업의 요구 사항과 에이전트의 기술 프로필을 매칭하는 메커니즘을 제안합니다.
2. 분산형 인센티브 구조 (Decentralized Incentive Structure): 에이전트가 최적의 작업을 선택하도록 유도하는 게임 이론적 (Game-theoretic) 보상 체계를 구축합니다.
3. SwarmHarness 프레임워크: 다양한 에이전트 모델과 환경에서 실험을 통해, 제안된 방식이 기존의 중앙 집중식 (Centralized) 라우팅 방식보다 높은 작업 성공률과 낮은 비용을 달성함을 입증합니다.

실험 결과, SwarmHarness는 에이전트의 수가 증가함에 따라 선형적인 확장성을 보여주었으며, 복잡한 멀티스텝 (Multi-step) 작업 환경에서도 안정적인 성능을 유지함을 확인하였습니다.