[기술 요약] AgentSpawn: 동적 스포닝을 통한 장기적 코드 생성을 위한 적응형 멀티 에이전트 협업

1. 문제 정의 (Problem Statement)

기존의 LLM 기반 코드 생성 시스템은 단일 함수 생성을 넘어 복잡한 소프트웨어 엔지니어링 단계로 진화하고 있으나, 장기적 작업(Long-horizon tasks) 수행 시 다음과 같은 한계에 직면합니다.

• 컨텍스트 폭발 (Context Explosion): 작업이 길어질수록 관련 정보 유지가 어려워짐.
• 복잡성 발견의 지연 (Complexity Discovery): 실행 도중 특정 하위 작업이 현재 에이전트의 능력을 초과하는지 실시간으로 판단하기 어려움.
• 정적 워크플로우의 한계 (Static Workflows): 기존 멀티 에이전트 시스템(AutoGen, CrewAI 등)은 실행 전 정의된 고정된 협업 구조를 가지므로, 실행 중 발생하는 예기치 못한 복잡성에 대응하지 못함.
• 메모리 및 기술 단절 (Memory & Skill Discontinuity): 에이전트가 분리되거나 교체될 때 상태(State), 메모리, 전문 기술이 연속적으로 전달되지 않음.

2. 핵심 방법론 (Methodology: AgentSpawn Architecture)

본 논문은 실행 중(Runtime)에 복잡도를 감지하고 전문화된 자식 에이전트를 동적으로 생성(Spawning)하는 AgentSpawn 아키텍처를 제안합니다.

① 적응형 스포닝 정책 (Adaptive Spawning Policy)

실행 중 5가지 핵심 지표를 모니터링하여 스포닝 여부를 결정합니다.

• 지표: 파일 상호의존성($I_f$), 순환 복잡도($C_c$), 테스트 실패 연쇄($F_c$), 컨텍스트 오버플로($O_c$), 에이전트 불확실성($U_c$).
• 결정 알고리즘: 가중합($S_{spawn}$)이 임계값($\delta$)을 넘으면 스포닝을 트리거하며, 가장 높은 수치를 보인 지표에 따라 **전문 에이전트(Refactoring, Testing, Research 등)**를 선택하여 생성합니다.

② 메모리 슬라이싱 (Memory Slicing)

모든 메모리를 전달하는 대신, 자식 에이전트의 작업($T_{child}$)과 관련된 정보만 선별적으로 추출하여 전달합니다.

• 알고리즘: 키워드 매칭, 코드 의존성 점수, 시간적 최신성, 의미적 유사성(Cosine Similarity)을 결합한 함수를 사용하여 메모리 부하를 줄이면서도 핵심 문맥을 유지합니다.

③ 스포닝-재개 프로토콜 (Spawn-Resume Protocol)

• SpawnPackage: 부모가 자식에게 전달하는 상태 스냅샷 (메모리 슬라이스, 기술 세트, 실행 컨텍스트 등).
• ResumePackage: 자식이 완료 후 부모에게 반환하는 결과물 (코드 Diff, 실행 트레이스, 학습된 기술 등). 이를 통해 부모는 자식의 작업을 이해하고 자신의 상태를 업데이트합니다.

④ 메모리 일관성 관리 (Memory Coherence Manager)

여러 자식 에이전트가 동시에 코드를 수정할 때 발생하는 충돌을 방지하기 위해 **낙관적 동시성 제어(Optimistic Concurrency)**를 사용합니다.

• 해결 전략: 라인 단위 비중복 시 자동 병합(Auto-merge), 중복 시 LLM을 이용한 의미적 병합(Semantic merge), 해결 불가 시 부모 에이전트에게 에스컬레이션(Escalation) 단계를 거칩니다.

3. 주요 기여 (Key Contributions)

1. 동적 아키텍처: 정적 그래프가 아닌, 실행 중 복잡도에 따라 동적으로 변화하는 트리 구조의 협업 모델 제시.
2. 메타인지적 접근: 에이전트가 스스로 "내가 이 작업을 수행하기에 적합한가?"를 판단하여 구조를 변경하는 메타인지적 능력 구현.
3. 효율적 자원 관리: 메모리 슬라이싱을 통해 컨텍스트 윈도우 효율성을 극대화함.

4. 실험 결과 (Experimental Results)

SWE-bench, Defects4J 등 주요 벤치마크를 통해 검증한 결과는 다음과 같습니다.

• 작업 완료율(Task Completion Rate): 정적 베이스라인 대비 SWE-bench에서 97% 향상, Defects4J에서 85% 향상된 성능을 보임 (기존 CrewAI, AFLOW 등 대비 압도적 우위).
• 메모리 효율성: 메모리 슬라이싱을 통해 불필요한 토큰 사용량을 약 42% 감소시킴.
• 복잡도 대응력: 작업 난이도가 높아질수록(Hard task) 기존 단일 에이전트 대비 성능 격차가 더욱 벌어짐.
• 비용 효율성: 성공당 비용(Cost per success) 측면에서 단일 에이전트보다 9% 저렴함 (성공률 향상이 API 호출 비용 증가분을 상쇄).

5. 의의 및 결론 (Significance & Conclusion)

AgentSpawn은 멀티 에이전트 시스템의 패러다임을 '사전 정의된 워크플로우'에서 '실행 중 적응형 구조'로 전환시켰습니다. 이는 단순히 모델의 성능을 높이는 것을 넘어, 에이전트의 아키텍처 자체를 최적화 가능한 런타임 결정 사항으로 취급했다는 점에서 큰 의의가 있습니다. 본 기술은 코드 생성을 넘어 문서 작성, 데이터 분석, 시스템 관리 등 복잡한 장기적 계획이 필요한 모든 도메인으로 확장 가능합니다.