ROMA: Recursive Open Meta-Agent Framework for Long-Horizon Multi-Agent Systems
본 논문은 장기적 다중 에이전트 시스템의 한계를 극복하기 위해 재귀적 작업 분해와 구조화된 집계, 그리고 4 가지 모듈 역할과 GEPA+ 프롬프트 최적화를 통해 해석 가능성과 모델 무관성을 보장하는 ROMA 프레임워크를 제안하고, 이를 통해 다양한 벤치마크에서 최상위 성능을 입증합니다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
🚀 왜 ROMA 가 필요한가요? (기존 AI 의 문제점)
기존의 AI 는 혼자서 모든 일을 하려고 노력합니다. 마치 혼자서 거대한 성을 쌓으려는 장인처럼요.
- 기억 한계: 성이 너무 높게 쌓이면 (작업이 길어지면) AI 는 "아까 내가 어디까지 쌓았지?"라고 잊어버립니다. (문맥 창 한계)
- 혼란: 일이 복잡해지면 "이건 내가 해야지, 저건 저 사람이 해야지"를 구분하지 못해 엉뚱한 일을 하거나, 실수가 어디에서 발생했는지 찾기 어렵습니다.
- 비효율: 모든 것을 한 번에 하려고 하다가 지쳐버립니다.
🏛️ ROMA 는 어떻게 해결하나요? (4 명의 전문가 팀)
ROMA 는 거대한 일을 작은 조각으로 나누고, 각 조각을 전문가 팀이 맡아 처리한 뒤 다시 합치는 방식을 사용합니다. 마치 거대한 영화 제작을 생각해보세요.
ROMA 는 다음 4 명의 '가상 직원 (역할)'으로 이루어진 팀입니다:
🔍 아토마이저 (Atomizer, 분해자):
- 역할: "이 일이 너무 복잡해. 혼자서 다 할 수 있을까?"를 판단합니다.
- 비유: 영화 감독이 "이 장면을 한 번에 찍을 수 있을까? 아니면 여러 컷으로 나누는 게 나을까?"를 결정하는 프로듀서입니다.
- 작동: 만약 일이 너무 크면 "분해 (Planner)"를 요청하고, 작고 간단한 일이면 바로 실행 (Executor) 시킵니다.
📝 플래너 (Planner, 기획자):
- 역할: 큰 일을 작은 작업 목록 (하위 작업) 으로 나눕니다.
- 비유: 시나리오 작가나 건축 설계사입니다. "먼저 기초를 다지고, 그다음 벽을 세우고, 마지막으로 지붕을 올리는 순서"를 정합니다.
- 특징: 어떤 작업이 먼저 끝나야 하는지 (의존 관계) 를 명확히 정해서, 동시에 할 수 있는 일은 여러 명이 같이 하게 합니다.
⚡ 실행자 (Executor, 수행자):
- 역할: 실제로 일을 합니다. 검색을 하거나, 글을 쓰거나, 코드를 짭니다.
- 비유: 현장 작업자나 배우입니다. 기획자가 준 지시대로 구체적인 작업을 수행합니다.
- 장점: 여러 명이 동시에 다른 일을 할 수 있어 속도가 빠릅니다.
📦 애그리게이터 (Aggregator, 통합자):
- 역할: 각 작업자들이 해온 결과물을 받아서 하나로 합치고, 다듬습니다.
- 비유: 편집자나 마무리 감독입니다. 각 장면이 잘 이어지도록 다듬고, 불필요한 내용은 잘라내어 최종 결과물을 만듭니다.
- 핵심: 작업자가 해온 긴 이야기를 요약해서 다음 단계로 넘겨주므로, AI 가 기억해야 할 양이 줄어들어 실수가 적어집니다.
🔄 이 시스템의 마법: "재귀 (Recursive)"
이 팀은 끝없이 반복됩니다.
- 기획자가 큰 일을 나누면 → 그 작은 일들도 다시 '분해자'가 보고 "이건 또 너무 크네?"라고 생각하면 다시 나눕니다.
- 이렇게 나무 가지처럼 일이 쪼개지다가, 가장 작은 나뭇잎 (단순한 작업) 에 도달하면 실행자가 일을 하고, 그 결과가 다시 위로 올라와서 합쳐집니다.
- 결과: 아주 복잡한 문제도 작은 조각으로 나누어 해결하므로, AI 가 길을 잃지 않고 정확한 답을 낼 수 있습니다.
🎨 GEPA+: "팀원들의 매뉴얼을 자동으로 고치는 AI"
ROMA 팀의 성능을 더 좋게 만들기 위해 **GEPA+**라는 도구를 썼습니다.
- 비유: 팀원들이 처음에 받은 **지시서 (프롬프트)**가 완벽하지 않을 수 있습니다. GEPA+ 는 이 지시서를 자동으로 수정하고 다듬어주는 코치입니다.
- 작동: "이 팀원은 이렇게 말하면 더 잘할 것 같아", "저 팀원은 이 순서로 하면 실수가 줄겠어"라고 수많은 시도를 해보고, 가장 좋은 지시서를 찾아 팀에 적용합니다.
- 효과: AI 를 다시 훈련 (Fine-tuning) 시킬 필요 없이, 지시서만 잘 고쳐도 성능이 비약적으로 상승합니다.
🏆 실제 성과는 어떨까요?
이 시스템은 다양한 시험에서 놀라운 결과를 냈습니다.
- 모순된 정보 찾기 (SEAL-0): 인터넷에 떠도는 서로 다른 정보들 사이에서 진짜 사실을 찾아내는 능력에서, 기존 최고의 AI 들보다 약 10% 더 정확했습니다. (마치 수만 장의 문서 속에서 단 한 줄의 진실을 찾아내는 탐정)
- 긴 글 쓰기 (EQ-Bench): 소설이나 긴 글을 쓸 때, 이야기가 꼬이지 않고 자연스럽게 이어지도록 도와주어, 유료로 유명한 AI 들과 비슷하거나 더 좋은 점수를 받았습니다.
💡 요약
ROMA는 "혼자서 모든 걸 하려고 애쓰는 AI"를 **"작은 팀으로 나누고, 역할을 명확히 하고, 결과를 잘 정리하는 협업 시스템"**으로 바꾼 것입니다.
- 작은 조각으로 나누기 (기억력 문제 해결)
- 역할 분담 (효율성 향상)
- 결과 정리 (실수 방지)
- 자동 코칭 (성능 최적화)
이런 구조 덕분에 AI 는 이제 훨씬 더 길고 복잡한 문제도, 마치 숙련된 팀이 일하듯이 정확하게 해결할 수 있게 되었습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.