LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems

이 논문은 다중 에이전트 LLM 시스템의 효율성과 거버넌스를 향상시키기 위해 모델 정체성, 점진적 페이로드, 통제된 세션, 구조화된 출처 추적, 신뢰 도메인 등 다섯 가지 메커니즘을 도입한 AI 네이티브 통신 프로토콜인 LDP(LLM Delegate Protocol) 를 제안하고, 이를 통해 지연 시간 감소와 토큰 효율성 증대 등의 효과를 입증했습니다.

핵심

🏢 비유: "회사 프로젝트 팀" 이야기

상상해 보세요. 여러분이 큰 프로젝트를 맡은 팀장이라고 가정해 봅시다. 이 프로젝트는 여러 명의 전문가 (AI 에이전트) 가 협력해서 해결해야 합니다.

1. 기존 방식 (A2A, MCP): "이름표만 있는 직원들"

지금까지의 AI 시스템들은 서로 대화할 때 이름과 직무만 알려줍니다.

• 상황: 팀장님이 "이거 해결해 줘!"라고 요청하면, 직원들은 자신의 이름표만 보고 "저는 '데이터 분석가'예요"라고 대답합니다.
• 문제: 하지만 그 '데이터 분석가'가 초고성능 슈퍼컴퓨터인지, 아니면 초보 인턴인지, 얼마나 비싼 시간이 드는지, 어떤 성격 (신중함 vs 속도) 을 가졌는지는 알 수 없습니다.
• 결과: 팀장님은 무작정 "데이터 분석가"에게 어려운 수학 문제를 맡겨서, 인턴이 밤새워도 못 풀거나, 슈퍼컴퓨터에게 간단한 계산만 시켜서 시간을 낭비하는 일이 생깁니다.

2. 새로운 방식 (LDP): "상세한 이력서와 능력치"가 있는 직원들

이 논문이 제안하는 LDP(대리인 프로토콜) 는 직원들에게 상세한 이력서 (Identity Card) 를 발급합니다.

• 상세 정보: "저는 3B 파라미터 모델로, 빠른 계산에 특화되어 있고, 비용은 저렴하며, **신뢰도는 85%**입니다"라고 알려줍니다.
• 장점: 팀장님은 이 정보를 보고, 쉬운 작업은 빠른 인턴에게, 어려운 작업은 똑똑한 전문가에게 바로 맡길 수 있습니다.

---

🚀 LDP 가 가져온 5 가지 혁신 (일상 비유)

이 논문은 AI 들이 대화할 때 다음과 같은 5 가지 규칙을 새로 만들었습니다.

1. 🆔 상세한 신분증 (Identity Cards)

• 비유: 단순히 "주방장"이라고만 하는 게 아니라, "이 주방장은 매운 요리는 10 점, 디저트는 5 점이고, 재료비 1 만 원이 듭니다"라고 알려줍니다.
• 효과: 팀장님이 "매운 국"을 시킬 때 비싼 고급 주방장 대신, 매운 요리에 특화된 주방장을 골라 시간과 비용을 아낄 수 있습니다.

2. 📝 대화 방식 협상 (Payload Negotiation)

• 비유: 두 사람이 대화할 때, 복잡한 수식이나 긴 설명 대신 간단한 기호나 약어를 쓸 수 있는지 먼저 물어봅니다.
• 효과: 서로 이해할 수 있으면, 긴 문장 대신 짧은 코드로 대화합니다. 논문 결과에 따르면, 이 방식은 메시지 양을 37% 줄여서 통신 속도를 높이고 비용을 아꼈습니다.

3. 📞 지속된 통화 (Governed Sessions)

• 비유: 기존 방식은 매번 전화를 끊고 다시 걸어서 "저는 A 입니다, B 를 해주세요"라고 반복했습니다. LDP 는 한 번 연결된 통화를 유지합니다.
• 효과: 대화 내용을 매번 처음부터 다시 말하지 않아도 되므로, 오래 대화할수록 토큰 (비용) 을 39% 이상 아낄 수 있습니다.

4. 🔍 출처 증명 (Provenance Tracking)

• 비유: 누군가 "이건 제가 확신합니다!"라고 말할 때, 그 확신이 검증된 것인지 확인하는 스탬프를 찍습니다.
• 효과: 논문에서 흥미로운 점은, 검증 없이 "확신합니다"라고만 말하면 오히려 실수가 늘어났다는 것입니다. LDP 는 "검증 완료" 스탬프가 찍힌 정보만 신뢰하도록 설계했습니다.

5. 🛡️ 보안 구역 (Trust Domains)

• 비유: 회사 내부망과 외부망을 구분하듯, 누가 어디에서 왔는지를 프로토콜 수준에서 차단합니다.
• 효과: 해커가 가짜 직원을 보내려 해도, 96% 의 확률로 잡아냅니다 (기존 방식은 6% 만 잡음).

---

📊 실험 결과: 무엇이 달라졌을까?

연구진은 이 새로운 방식 (LDP) 을 기존 방식 (A2A) 과 비교해 보았습니다.

1. 속도: 쉬운 작업은 12 배 더 빨라졌습니다. (빠른 인턴에게 바로 맡겼기 때문)
2. 비용: 대화 내용을 줄여서 토큰 사용량을 37% 줄였습니다.
3. 품질: 전체적인 작업의 '정답률'은 기존 방식과 비슷했습니다. (작은 팀이라서 큰 차이가 없었음)
4. 안전: 해킹이나 오류가 났을 때 100% 복구가 가능했습니다. (기존 방식은 35% 만 복구)

💡 핵심 교훈

이 논문의 가장 중요한 메시지는 **"AI 는 단순한 도구가 아니라, 각기 다른 능력과 성격을 가진 존재"**라는 점입니다.

• 과거: "이게 뭐하는 거야? (기능만 보고 선택)"
• 미래: "이 친구는 어떤 성격이고, 얼마나 비싸고, 얼마나 똑똑해? (상세한 능력치를 보고 선택)"

이처럼 AI 들의 상세한 프로필을 서로 공유하고 대화하는 프로토콜을 만들면, 우리는 더 빠르고, 저렴하며, 안전한 AI 시스템을 만들 수 있다는 것이 이 연구의 결론입니다.

마치 우리가 친구를 고를 때 단순히 "친구"라고 부르는 게 아니라, "그 친구는 운동은 잘하지만 수학은 약해, 그래서 수학 문제는 다른 친구에게 물어보자"라고 판단하는 것과 같은 원리입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 대규모 언어 모델 (LLM) 기반 다중 에이전트 시스템이 복잡해지면서, 에이전트 간의 통신 프로토콜이 시스템의 능력을 제한하고 있습니다.
• 현재 프로토콜의 한계: 구글의 A2A(Agent-to-Agent) 나 Anthropic 의 MCP(Model Context Protocol) 와 같은 기존 프로토콜은 에이전트를 '이름', '설명', '기술 목록 (Skill List)' 정도로만 식별합니다.
• 핵심 문제: 효과적인 위임 (Delegation) 에 필수적인 모델 수준의 속성 (Model-level properties) 이 프로토콜의 기본 요소로 노출되지 않습니다.
  • 모델의 정체성 (Model Identity), 추론 프로파일 (Reasoning Profile), 품질 보정 (Quality Calibration), 비용 특성 (Cost Characteristics) 등이 프로토콜 표면에서 누락되어 있습니다.
  • 라우터는 단순히 '분류'나 '추론'이라는 기술 이름만 보고 모델을 선택하므로, 30 억 파라미터의 빠른 모델과 80 억 파라미터의 고도 추론 모델 간의 품질 - 비용 트레이드오프를 판단하거나, 신뢰할 수 있는 출처를 추적하는 것이 불가능합니다.

2. 제안된 방법론: LDP (LLM Delegate Protocol)

저자는 AI 네이티브 통신 프로토콜인 LDP를 제안하며, 모델의 속성을 프로토콜의 1 순위 원시 요소 (First-class primitives) 로 만듭니다. LDP 는 JAMJET 에이전트 런타임용 플러그인 어댑터로 구현되었습니다.

주요 5 가지 메커니즘

1. 풍부한 위임자 신원 카드 (Rich Delegate Identity Cards):
   • 모델 패밀리, 파라미터 수, 추론 프로파일 (예: "심층 분석형" vs "빠른 실용형"), 품질 힌트 (0~1 점), 비용 프로필 등을 포함하는 20 개 이상의 필드를 가진 신원 카드를 제공합니다.
   • 이를 통해 라우터는 작업 난이도에 따라 적합한 모델을 선택할 수 있습니다.
2. 점진적 페이로드 모드 (Progressive Payload Modes):
   • 토큰 수 (비용) 를 줄이기 위해 6 가지 모드를 정의합니다.
     • Mode 0: 자연어 (Text)
     • Mode 1: 시맨틱 프레임 (Typed Structured JSON)
     • Mode 2~5: 임베딩 힌트, 시맨틱 그래프, 잠재 캡슐 등 (향후 작업)
   • 협상 및 폴백 (Negotiation & Fallback): 세션 시작 시 상호 지원하는 가장 효율적인 모드를 협상하며, 실패 시 자동으로 하위 모드 (Text 등) 로 폴백합니다.
3. 거버넌스 세션 (Governed Sessions):
   • A2A 의 무상태 (Stateless) 방식과 달리, 명시적인 수명 주기를 가진 지속적 컨텍스트 세션을 제공합니다.
   • 다중 라운드 대화 시 이전 컨텍스트를 매번 재전송할 필요가 없어 토큰 오버헤드를 제거합니다.
4. 구조화된 출처 추적 (Structured Provenance Tracking):
   • 각 결과물에 생성 모델, 버전, 사용된 페이로드 모드, 신뢰도 점수, 검증 상태를 포함하는 메타데이터를 첨부합니다.
   • 하위 소비자가 소스의 신뢰도에 따라 출력을 가중치 처리할 수 있게 합니다.
5. 신뢰 도메인 (Trust Domains):
   • 프로토콜 수준에서 보안 경계를 정의합니다. 메시지 서명, 세션 간 신뢰 도메인 호환성 검사, 정책 엔진 (역할 범위, 관할권 준수 등) 을 통해 권한 없는 위임을 차단합니다.

3. 실험 설정 (Methodology)

• 환경: 로컬 Ollama 모델 (Qwen, Llama 등) 을 위임자 (Delegate) 로 사용, Google Gemini 2.5 Flash 를 'LLM-as-Judge'로 사용하여 품질을 평가.
• 비교 대상:
  • LDP: 메타데이터 인식 라우팅 + 구조화된 페이로드 + 세션 관리.
  • A2A Baseline: 기술 이름 매칭만 사용 (메타데이터 없음), 무상태 방식.
  • Random Baseline: 무작위 선택.
• 연구 질문 (RQ): 라우팅 품질, 페이로드 효율성, 출처 추적 가치, 세션 효율성, 보안 경계, 폴백 신뢰성 등 6 가지.

4. 주요 결과 (Key Results)

4.1 라우팅 품질 및 지연 시간 (RQ1)

• 품질: 전체적인 품질 점수는 LDP(6.80) 가 A2A(7.43) 보다 약간 낮았으나, 통계적으로 유의미한 차이는 없었습니다. (소규모 위임자 풀 (n=3) 과 LLM 평가의 변동성 때문으로 분석됨).
• 지연 시간 (성공 요인): LDP 는 쉬운 작업에서 약 12 배 빠른 지연 시간 (2.9 초 vs 34.8 초) 을 달성했습니다. 이는 LDP 가 쉬운 작업을 경량 모델 (llama3.2:3b) 로 라우팅하는 반면, A2A 는 무거운 모델을 선택하기 때문입니다.

4.2 페이로드 효율성 (RQ2)

• 토큰 감소: 시맨틱 프레임 (Mode 1) 을 사용하면 원본 텍스트 (Mode 0) 대비 토큰 수를 37% 감소시켰습니다 (통계적 유의성 p=0.031).
• 품질 유지: 토큰이 줄어든 반면 품질 점수는 유의미한 저하 없이 유지되거나 오히려 약간 향상되었습니다.

4.3 세션 효율성 (RQ4)

• 오버헤드 제거: 10 회 대화 라운드에서 A2A(무상태) 는 이전 컨텍스트를 매번 재전송하여 토큰 오버헤드가 39% 발생했습니다. 반면 LDP(거버넌스 세션) 는 이 오버헤드를 완전히 제거했습니다.

4.4 출처 추적의 역설 (RQ3)

• 중요한 발견: 정확한 출처 정보는 품질을 크게 향상시키지 않았으나, 검증되지 않은 '노이즈가 있는 출처 정보 (Noisy Provenance)'는 품질을 오히려 저하시켰습니다.
• 이는 신뢰도 메타데이터가 검증 (Verification) 없이 제공될 경우, 오히려 잘못된 가중치 부여를 유발해 시스템 성능을 해칠 수 있음을 시사합니다.

4.5 보안 및 폴백 (시뮬레이션, RQ5, RQ6)

• 보안: LDP 의 신뢰 도메인은 무단 위임 시도를 96% 탐지한 반면, A2A 는 6% 만 탐지했습니다.
• 폴백: 통신 실패 시 LDP 는 100% 작업 완료율을 보인 반면, A2A 는 35% 에 그쳤습니다.

5. 주요 기여 및 의의 (Contributions & Significance)

1. 프로토콜 설계 및 구현: AI 에이전트의 이질적인 속성 (모델 정체성, 비용, 추론 능력) 을 프로토콜 수준에서 노출하는 LDP 명세와 JAMJET 플러그인 구현을 제시했습니다.
2. 효율성 입증: 메타데이터 기반 라우팅이 지연 시간 최적화에, 구조화된 페이로드가 토큰 비용 절감에 결정적임을 실증했습니다.
3. 거버넌스 및 보안: 무상태 프로토콜의 한계를 극복하는 세션 관리와 검증 기반의 출처 추적 메커니즘이 다중 에이전트 시스템의 신뢰성과 보안에 필수적임을 강조했습니다.
4. 실용적 통찰: "신뢰도 메타데이터는 검증이 동반되지 않으면 해로울 수 있다"는 역설적 발견은 향후 AI 프로토콜 설계에 중요한 경고가 됩니다.
5. 점진적 도입 전략: 조직은 LDP 를 단계적으로 도입할 수 있음을 제안합니다 (기본: 신원 카드 + 텍스트 / 기업: 출처 추적 + 정책 / 고성능: 페이로드 협상 + 세션 관리).

결론

이 논문은 다중 에이전트 시스템이 단순히 '기능'이 아닌 '모델의 속성'을 인식해야 함을 주장합니다. LDP 는 이러한 AI 네이티브 특성을 프로토콜에 통합함으로써, 더 효율적이고 (저지연, 저비용), 통제 가능하며 (거버넌스, 보안) 안전한 에이전트 협업을 가능하게 하는 새로운 표준을 제시합니다.