Each language version is independently generated for its own context, not a direct translation.

에이전트 데이터 프로토콜 (ADP): AI 에이전트 학습을 위한 '세계 공통어'

이 논문은 인공지능 (AI) 에이전트가 세상을 더 잘 이해하고 일할 수 있도록 돕는 새로운 방법을 소개합니다. 핵심은 **'데이터의 통일'**입니다.

1. 문제: 각자 다른 언어를 쓰는 13 개의 도서관

지금까지 AI 에이전트 (웹을 서핑하거나 코드를 짜는 AI) 를 학습시키기 위해 많은 연구자들이 데이터를 만들었습니다. 하지만 문제는 이 데이터들이 서로 완전히 다른 언어와 형식으로 되어 있다는 점입니다.

비유: 상상해 보세요. 13 개의 도서관이 있다고 칩시다.
- 도서관 A 는 책을 영어로 썼고, 책장 번호를 숫자로 매겼습니다.
- 도서관 B 는 책을 중국어로 썼고, 책장 번호를 한자로 매겼습니다.
- 도서관 C 는 책을 그림으로만 표현했습니다.
- 도서관 D 는 책을 음성으로 녹음해 두었습니다.

이제 우리가 이 모든 도서관의 지식을 합쳐서 '초지능 AI'를 만들고 싶다면 어떨까요? 우리는 13 개의 언어를 모두 번역하고, 책장 번호 체계를 모두 맞춰야 합니다. 이는 엄청난 시간과 노력이 필요한 지옥 같은 작업입니다. 그래서 많은 연구자들이 데이터를 합쳐서 AI 를 가르치는 일을 포기하거나, 아주 작은 부분만 시도해 왔습니다.

2. 해결책: ADP(에이전트 데이터 프로토콜)

이 논문은 이 문제를 해결하기 위해 **'ADP'**라는 것을 제안합니다. ADP 는 마치 **세계 공통어 (에스페란토)**나 유니버설 어댑터와 같습니다.

ADP 의 역할:
- 모든 도서관 (데이터셋) 에서 나온 책들을 ADP 라는 공통 언어로 번역합니다.
- 이제 AI 는 이 공통 언어만 배우면 됩니다.
- 새로운 도서관이 생기더라도, 그 책만 ADP 로 번역하면 바로 AI 학습에 쓸 수 있습니다.

ADP 의 핵심 구조 (두 가지 블록):
ADP 는 모든 AI 의 행동을 두 가지 기본 블록으로만 나눕니다.

행동 (Action): AI 가 무엇을 했는가? (예: "웹사이트로 이동", "코드 작성", "사용자에게 말하기")
관찰 (Observation): AI 가 무엇을 보았는가? (예: "웹페이지 내용", "코드 실행 결과", "사용자의 질문")

이 두 가지만 표준화하면, 복잡한 웹 서핑, 코딩, 도구 사용 등 어떤 작업이든 AI 가 이해할 수 있는 형태로 바뀝니다.

3. 실험 결과: 13 개의 데이터를 하나로 합치니 AI 가 똑똑해졌다!

연구팀은 기존에 있던 13 개의 서로 다른 에이전트 데이터셋을 모두 ADP 로 변환했습니다. 그 결과 놀라운 일이 일어났습니다.

기존 방식: 특정 작업 (예: 코딩) 만 가르치면 그 작업은 잘하지만, 다른 작업 (예: 웹 서핑) 은 못 했습니다.
ADP 방식: 모든 데이터를 섞어서 가르치니, AI 는 코딩, 웹 서핑, 도구 사용, 연구 등 모든 분야에서 평균 20% 이상 성능이 향상되었습니다.
비유: 특정 종목 (예: 축구) 만 훈련한 선수가 아니라, 축구, 농구, 수영을 모두 섞어서 훈련한 선수가 되어, 어떤 경기장에서도 잘 뛰는 만능 스포츠 스타가 된 것입니다.

4. 왜 이것이 중요한가요? (효율성)

이전에는 새로운 AI 프로그램 (예: OpenHands) 을 만들고 싶다면, 13 개의 데이터셋 각각에 맞춰서 13 번이나 변환 코드를 짜야 했습니다. (13 × 1 = 13 번의 작업)
하지만 ADP 를 사용하면:

데이터 13 개를 한 번씩 ADP 로 변환합니다. (13 번)
새로운 AI 프로그램은 ADP 를 읽는 코드만 한 번 만들면 됩니다. (1 번)
결과: 13 번의 노력이 아니라, 14 번의 노력으로 모든 것을 해결할 수 있습니다.

이는 마치 전기 콘센트를 통일한 것과 같습니다. 예전에는 나라마다 콘센트 모양이 달라 여행자가 어댑터를 10 개씩 챙겨야 했지만, 지금은 하나만 있으면 전 세계 어디서나 전기를 쓸 수 있는 것과 같습니다.

5. 결론

이 논문은 AI 에이전트 개발의 장벽을 낮추는 **표준화된 언어 (ADP)**를 제시했습니다. 이제 연구자들은 더 이상 데이터 형식 맞추기에 시간을 낭비하지 않고, 더 똑똑하고 다양한 AI 에이전트를 만드는 데 집중할 수 있게 되었습니다.

한 줄 요약:

"서로 다른 언어를 쓰던 13 개의 AI 학습 데이터를 '공통어 (ADP)'로 통일했더니, AI 가 모든 분야에서 훨씬 똑똑해지고, 연구자들은 훨씬 쉽게 AI 를 만들 수 있게 되었습니다."

Each language version is independently generated for its own context, not a direct translation.

1. 문제 정의 (Problem Statement)

대규모 언어 모델 (LLM) 기반 에이전트의 성능을 향상시키기 위한 지도형 미세 조정 (Supervised Fine-Tuning, SFT) 연구는 여전히 드뭅니다. 그 주된 이유는 데이터 부족이 아니라, **기존 에이전트 학습 데이터의 파편화 (Fragmentation)**에 있습니다.

이질적인 포맷: 다양한 에이전트 데이터셋 (웹 브라우징, 코드 생성, 소프트웨어 엔지니어링, 도구 사용 등) 은 서로 다른 표현 방식, 액션 스페이스, 관찰 구조를 사용합니다.
통합의 어려움: 서로 다른 데이터 소스를 하나의 학습 파이프라인에 통합하려면 매번 데이터셋별로 별도의 엔지니어링 작업이 필요하여, 대규모 데이터 통합과 재현 가능한 연구가 어렵습니다.
분석의 한계: 포맷이 통일되지 않아 다양한 데이터 소스 간의 체계적인 비교나 정량적 분석이 불가능합니다.

2. 방법론: 에이전트 데이터 프로토콜 (ADP)

저자들은 이러한 문제를 해결하기 위해 **에이전트 데이터 프로토콜 (Agent Data Protocol, ADP)**을 제안합니다. ADP 는 이질적인 에이전트 데이터셋과 통합된 학습 파이프라인 사이의 '중개 언어 (Interlingua)' 역할을 하는 경량 표현 언어입니다.

2.1 핵심 설계 원칙

단순성 (Simplicity): 복잡한 데이터 정제 과정을 간소화하여 연구자들이 별도의 엔지니어링 없이 대규모 데이터를 활용할 수 있게 합니다.
표준화 (Standardization): 다양한 포맷의 데이터를 단일 표준 스키마로 변환합니다.
표현력 (Expressiveness): API 사용, 웹 브라우징, 코딩, 일반 에이전트 워크플로우 등 복잡한 에이전트 상호작용을 정보 손실 없이 정확하게 표현합니다.

2.2 ADP 아키텍처

ADP 는 Pydantic 스키마로 구현되며, 에이전트의 상호작용을 궤적 (Trajectory) 객체로 정의합니다.

궤적 (Trajectory): 고유 ID 와 content(액션과 관찰의 교차 시퀀스), details(메타데이터) 로 구성됩니다.
액션 (Actions): 에이전트의 행동을 3 가지 유형으로 분류합니다.
1. API Action: 도구 호출 (함수명, 인자, 설명).
2. Code Action: 코드 생성 및 실행 (언어, 코드 내용, 설명).
3. Message Action: 자연어 의사소통 (내용).
관찰 (Observations): 환경으로부터의 피드백을 2 가지 유형으로 분류합니다.
1. Text Observation: 사용자 지시나 환경 피드백 텍스트 (출처: user/environment).
2. Web Observation: 웹 페이지 상태 (HTML, 접근성 트리, URL, 뷰포트, 스크린샷).

2.3 변환 파이프라인 (Conversion Pipeline)

ADP 는 양방향 변환을 통해 효율성을 극대화합니다 (Figure 2 참조).

Raw $\to$ ADP: 각 원본 데이터셋을 ADP 표준 스키마로 변환 (한 번만 수행).
ADP $\to$ SFT: 표준화된 ADP 데이터를 특정 에이전트 프레임워크 (OpenHands, SWE-Agent, AgentLab 등) 에 맞는 학습용 포맷으로 변환 (에이전트당 한 번만 수행).

효과: 기존 $O(D \times A)$ (데이터셋 수 $\times$ 에이전트 수) 의 제곱 복잡도에서 $O(D + A)$ 의 선형 복잡도로 전환되어 통합 비용을 획기적으로 절감합니다.

3. 주요 기여 (Key Contributions)

ADP 프로토콜 제안: 다양한 에이전트 태스크를 포괄하는 표준화된 표현 언어와 Pydantic 기반 스키마를 공개했습니다.
대규모 통합 데이터셋 (ADP Dataset V1): 13 개의 기존 에이전트 학습 데이터셋 (AgentInstruct, SWE-Gym, Mind2Web 등) 을 ADP 로 변환하여 통합한 130 만 개 (1.3M) 의 학습 궤적을 공개했습니다.
오픈소스 생태계 조성: 변환기 (Converters), 스키마, 학습 코드를 모두 오픈소스로 공개하여 커뮤니티의 표준화된 에이전트 훈련을 장려했습니다.

4. 실험 결과 (Experimental Results)

저자들은 Qwen2.5-Coder-Instruct 모델 (7B, 14B, 32B) 을 기반으로 3 가지 에이전트 프레임워크 (OpenHands, SWE-Agent, AgentLab) 에 ADP 데이터를 적용하여 다양한 벤치마크에서 평가했습니다.

성능 향상: ADP 로 미세 조정된 모델들은 베이스 모델 대비 평균 약 20% 의 성능 향상을 보였습니다.
- SWE-Bench (Verified): 7B 모델 기준 0.4% $\to$ 20.2% (SWE-Agent), 2.8% $\to$ 20.4% (OpenHands). 32B 모델은 40.3% 로 Claude 3.5 Sonnet 과 경쟁 가능한 수준을 달성했습니다.
- WebArena: 7B 모델 기준 4.5% $\to$ 21.0%.
- AgentBench OS: 7B 모델 기준 3.5% $\to$ 27.1%.
- GAIA: 7B 모델 기준 7.3% $\to$ 9.1%.
크로스 태스크 전이 (Cross-Task Transfer): 단일 도메인 데이터 (예: SWE-smith 만) 로 학습한 경우보다, ADP 를 통해 다양한 도메인 (코딩, 웹, 도구 사용 등) 이 혼합된 데이터로 학습했을 때 타겟 태스크와 다른 태스크 모두에서 더 뛰어난 일반화 성능을 보였습니다.
모델 스케일링: 모델 크기가 커질수록 (7B $\to$ 32B) ADP 학습의 이점이 일관되게 증가하는 모노토닉 (monotonic) 한 성능 향상을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 에이전트 학습 연구의 병목 현상이 데이터의 부재가 아니라 표준화의 부재임을 증명했습니다.

확장성: ADP 는 새로운 데이터셋이나 에이전트 프레임워크가 추가될 때마다 발생하는 반복적인 엔지니어링 작업을 제거하여, 대규모 에이전트 SFT 를 실용적이고 확장 가능하게 만듭니다.
연구 가속화: 체계적인 데이터 분석과 비교를 가능하게 하여, 데이터 품질과 다양성에 대한 통찰력을 제공합니다.
미래 방향: ADP 는 텍스트뿐만 아니라 이미지, 스크린 레코딩 등 멀티모달 데이터로 확장되고, 평가 프로토콜의 표준화로 이어질 수 있는 기반을 마련했습니다.

결론적으로, **Agent Data Protocol (ADP)**은 파편화된 에이전트 데이터 생태계를 통합하여, 표준화되고 재현 가능한 대규모 에이전트 미세 조정의 새로운 시대를 여는 핵심 인프라로 평가됩니다.

Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents