고독한 독백에서 아고라로: 최적화 모델링을 위한 분산적 토론과 메모리 증강 LLM 에이전트

최적화 모델링은 물류, 제조, 에너지 및 공공 서비스 등 현실 세계의 의사결정의 기초를 이룹니다. 그러나 현재的大型언어모델 (LLM) 은 자연어 요구사항으로부터 이러한 문제를 신뢰성 있게 해결하는 데 여전히 어려움을 겪고 있습니다. 본 논문에서는 최적화 모델링을 위한 모듈형 에이전트 프레임워크인 extit{Agora-Opt} 를 제안합니다. 이 프레임워크는 분산적 토론 (decentralized debate) 과 읽기/쓰기 메모리 뱅크를 결합합니다. Agora-Opt 는 여러 에이전트 팀이 종단 간 솔루션을 독립적으로 생성하고, 결과 기반의 토론 프로토콜을 통해 이를 조정할 수 있게 합니다. 또한 메모리는 솔버가 검증한 아티팩트와 과거 의견 불일치 해결 사례를 저장하여 시간이 지남에 따라 훈련 없이도 개선을 지원합니다. 이 설계는 백본과 방법론 모두에서 유연성을 가지며, 베이스 모델의 종속성을 줄이고 다양한 LLM 계열로 이전이 가능하며, 기존 파이프라인에 최소한의 결합으로 적용할 수 있습니다. 공개 벤치마크 전반에 걸쳐 Agora-Opt 는 비교된 모든 방법 중 가장 강력한 전체 성능을 달성하며, 강력한 제로샷 (zero-shot) LLM, 훈련 중심 접근법 및 이전 에이전트 베이스라인을 능가합니다. 추가 분석은 백본 선택과 구성 요소 변형 모두에서 견고한 향상을 보여주며, 초기 후보 솔루션이 모두 결함이 있어도 에이전트가 상호작용을 통해 후보 솔루션을 정제하고 올바른 형식을 회복할 수 있음을 입증합니다. 이러한 결과는 신뢰성 있는 최적화 모델링이 협력적 교차 검증과 재사용 가능한 경험의 결합에서 혜택을 받음을 시사하며, Agora-Opt 를 신뢰할 수 있는 최적화 모델링 지원의 실용적이고 확장 가능한 기반으로 위치시킵니다. 우리의 코드와 데이터는 https://github.com/CHIANGEL/Agora-Opt 에서 이용 가능합니다.