에이전트를 위한 자체 진화 온톨로지에 관한 획기적인 논문
요약
본 논문은 에이전트가 데이터의 온톨로지 레이어를 질의할 수 있게 함으로써 성능 향상을 입증합니다. EvoOntology는 전용 에이전트를 통해 온톨로지를 구축하고, 이를 런타임에 질문하여 데이터 에이전트의 정확도를 크게 높입니다. 이 방식은 기존의 수동적인 의미론적 레이어보다 확장성이 뛰어납니다.
핵심 포인트
- 온톨로지 질의가 데이터 에이전트 성능을 향상시킴.
- EvoOntology는 온톨로지를 구축하고 런타임에 제공함.
- GPT-5.5를 사용하여 DDR-Bench에서 높은 점수 상승을 보임.
- 도구 레이어 수정이 진화적 이득의 상당 부분을 차지함.
에이전트에게 온톨로지 레이어를 구현하는 것은 실패할 수 없는 방법입니다.
이 논문이 정확히 그 이유를 보여줍니다.
데이터 에이전트가 작업하는 데이터의 온톨로지를 질의할 수 있을 때, GPT-5.5가 DDR-Bench에서 26.7점 향상되는 것을 보여줍니다.
이것은 왜 유용할까요?
데이터 에이전트는 일반적으로 일반적인 도구를 통해 테이블, 파일 및 데이터베이스를 보고, 컬럼 이름과 파일 경로를 한 번에 하나씩 읽습니다.
대안은 프롬프트에 붙여넣는 수동으로 작성된 의미론적 레이어인데, 이는 많은 소스에 확장되지 않습니다.
EvoOntology는 전용 에이전트를 사용하여 온톨로지를 구축하고, 스키마, 콘텐츠 및 도구 레이어를 가진 MCP 서버로 제공합니다.
데이터 에이전트는 이를 런타임에 질의합니다.
그런 다음 온톨로지는 작은 유형화된 단계로 편집되며, 각 편집은 동일한 백본(backbone)에서의 쌍을 이루는 평가를 통해 도움이 되는 경우에만 유지됩니다.
DDR-Bench의 여섯 가지 백본 전반에 걸쳐 정확도는 평균 17.8점 상승하며, Qwen3.5-Flash의 4.8점에서 GPT-5.5의 26.7점까지 올라갑니다. BIRD에서는 실행 정확도가 7.4점 상승합니다. 도구 레이어에 대한 수정이 진화로 인한 이득의 57%를 차지합니다.
논문과 대화하기: https://t.co/O4YzsViGD5
AI 자동 생성 콘텐츠
본 콘텐츠는 X 토픽: MCP의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기