컨텍스트 적응 (Context adaptation)은 모델 가중치를 수정하지 않고, 작업 피드백으로부터 조정 가능한 프롬프트 (tunable prompts)를 반복적으로 수정함으로써 LLM 기반 시스템의 프롬프트 엔지니어링 (prompt engineering)을 자동화합니다. 이 패러다임을 멀티 LLM 에이전트 시스템 (multi-LLM agentic systems)으로 확장하는 것은 매우 중요합니다. 기존 방법들은 부정확한 신용 할당 (credit assignment) 문제와 수렴 보장 (convergence guarantees)의 부재로 어려움을 겪고 있습니다. 본 논문에서는 유향 비순환 그래프 (directed acyclic graphs, DAG)로 모델링된 에이전트 워크플로우를 위한 컨텍스트 적응 프레임워크인 extbf{G}raph-based extbf{T}arget extbf{B}ack- extbf{P}ropagation (GTBP)를 제안합니다. GTBP는 로컬 타겟 출력 (local target outputs)을 워크플로우 그래프를 통해 역방향으로 전파하며, 타겟과 출력 간의 불일치 (target--output discrepancies)를 사용하여 단계별 프롬프트 업데이트 메커니즘을 가이드합니다. 이론적으로, 우리는 GTBP의 단계별 프롬프트 업데이트가 반복에 따라 안정화되며, 충분히 유능한 LLM 옵티마이저 (optimizer)가 전체 목적 함수 (overall objective)를 감소시킬 수 있음을 보여줍니다. 실증적으로, GTBP는 유사한 계산 비용을 유지하면서 세 가지 벤치마크 전반에서 강력한 베이스라인 (baselines)들을 일관되게 능가합니다.