Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
다양한 LLM 에이전트들이 생성한 결과물(궤적)을 공유하고 재사용할 수 있는 MATM 프레임워크를 제안합니다. 에이전트 간의 지식 공유를 통해 새로운 에이전트가 기존의 해결책을 반복 학습하지 않고도 작업 성능을 높일 수 있습니다.
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 바로가기다양한 작업에 걸쳐 다양한 능력을 갖춘 LLM 에이전트들의 분산된 배포는 이질적인 에이전트 집단 간의 지식 공유를 위한 인프라를 필요로 합니다. 검색 엔진이 인간의 문제 해결을 지원하기 위해 인간이 생성한 결과물(artifacts)을 인덱싱하는 것과 마찬가지로, 검색 시스템(retrieval systems)은 에이전트 집단 전체에서 재사용할 수 있도록 에이전트가 생성한 결과물을 정리할 수 있습니다. 우리는 개별 에이전트에게 인간이 작성한 결과물의 가치를 입증한 검색 증강 생성 (RAG, Retrieval-Augmented Generation)을 에이전트 집단을 지원하는 에이전트 생성 결과물의 검색으로 확장합니다. 특히, 에이전트 궤적 (agent trajectories)은 재사용 가능한 절차적 지식 (procedural knowledge)을 인코딩하지만, 이러한 결과물들은 일반적으로 단 한 번의 사용 후 폐기되거나 생성한 에이전트만이 보유하게 되어, 새로 생성된 에이전트들이 기존의 해결책을 반복해서 다시 발견해야 하는 상황을 초래합니다. 우리는 에이전트가 생성한 궤적을 집단 수준에서 저장하고 검색하기 위한 프레임워크인 다중 에이전트 거래적 기억 (MATM, Multi-Agent Transactive Memory)을 제안합니다. 이 프레임워크에서 생성 에이전트 (producer agents)는 공유 저장소에 궤적을 기여하고, 소비 에이전트 (consumer agents)는 이를 검색하여 작업 수행 능력을 향상시킵니다. 우리는 궤적이 길고 특히 풍부한 절차적 구조를 인코딩하는 상호작용 환경 (ALFWorld 및 WebArena)에 집중합니다. 우리의 실험은 MATM으로부터 궤적을 검색하는 것이 조정 (coordination)이나 공동 학습 (joint training) 없이도 다운스트림 작업 성능을 향상시키고 상호작용 단계를 줄인다는 것을 보여줍니다. 이러한 결과는 MATM을 개방형 에이전트 생태계에서 집단 수준의 경험 공유를 위한 설계 패턴으로 자리매김하게 합니다.