STEM Agent: A Self-Adapting, Tool-Enabled, Extensible Architecture for Multi-Protocol AI Agent Systems

이 논문은 다양한 상호작용 패러다임에 적응할 수 있도록 생물학적 다능성에서 영감을 받아 단일 게이트웨이, 사용자 프로파일러, 모델 컨텍스트 프로토콜 (MCP) 기반 도구 통합, 그리고 세포 분화와 유사한 기술 습득 시스템을 갖춘 모듈형 AI 에이전트 아키텍처인 STEM Agent 를 제안합니다.

핵심

🧬 1. 핵심 아이디어: "AI 도 '줄기세포'처럼 변신해야 한다"

지금까지의 AI 시스템들은 마치 "한 가지 일만 하는 기계" 같았습니다.

• 어떤 AI 는 대화만 잘하지만 (채팅 전용),
• 어떤 AI 는 도구만 잘 쓰지만 (검색 전용),
• 또 어떤 AI 는 특정 앱에서만 작동합니다.

이런 AI 들은 새로운 상황에 적응하기 어렵고, 서로 대화도 못 합니다. 마치 "물만 마시는 컵"과 "밥만 담는 그릇"이 서로 섞이지 못하는 것과 같죠.

STEM 에이전트는 이 문제를 해결하기 위해 **인체의 '줄기세포 (Stem Cell)'**에서 영감을 받았습니다.

• 줄기세포는 아직 어떤 세포가 될지 정해지지 않았지만, 필요에 따라 심장 세포, 피부 세포, 뇌 세포 등으로 변신할 수 있습니다.
• STEM 에이전트도 마찬가지입니다. 처음에는 아무것도 모르는 '기본 AI' 상태로 시작하다가, 사용자의 필요에 따라 대화 전문가, 쇼핑 도우미, 복잡한 문제 해결사 등으로 스스로 변신합니다.

🏗️ 2. 시스템의 구조: "만능 관문과 스마트 공장"

이 시스템은 5 개의 층 (Layer) 으로 이루어진 거대한 건물을 상상해 보세요.

1. 입구 (게이트웨이): 여기서는 **5 가지 서로 다른 언어 (프로토콜)**를 모두 이해합니다.

   • 기존 AI 들은 "영어만" 또는 "한국어만" 이해했지만, STEM 은 A2A(에이전트 간 대화), AG-UI(화면 전송), UCP(쇼핑), AP2(결제) 등 5 가지 방식의 요청을 한곳에서 다 받아줍니다.
   • 비유: 호텔 로비가 영어, 중국어, 프랑스어 등 5 개 국어를 모두 구사하는 벨보이처럼 모든 손님을 안내합니다.

2. 두뇌 (코어): 요청을 받으면 8 단계의 사고 과정을 거칩니다.

   • "무슨 말인지 이해하기" → "사용자 성향 파악하기" → "어떤 방법을 쓸지 결정하기" → "계획 세우기" → "실행하기" → "배우기" 순서로 움직입니다.

3. 기억실 (메모리): 단순히 대화 기록만 저장하는 게 아닙니다.

   • 일기장 (에피소드): 오늘 무슨 일이 있었는지 기록.
   • 지식책 (시맨틱): 사실과 지식을 정리.
   • 요령장 (절차): "이런 일이 오면 이렇게 하면 돼"라는 성공적인 방법을 저장.
   • 사용자 프로필: "이 사람은 말투가 짧게 하는 걸 좋아해" 같은 성향을 기억.

4. 도구상자 (MCP): AI 가 직접 모든 도구를 만들지 않습니다.

   • 필요한 도구 (검색, 계산, 결제 등) 는 외부에서 불러와서 (MCP 프로토콜) 사용합니다. 마치 요리사가 모든 재료를 직접 농사짓지 않고 마트에서 필요한 걸 사 오는 것과 같습니다.

🧠 3. 가장 멋진 기능: "스스로 배우고 성장하는 능력"

이 시스템의 가장 큰 특징은 사용자를 기억하고, 스스로 기술을 익힌다는 점입니다.

A. "사용자 성향 분석가" (Caller Profiler)

• 비유: 아주 오래된 친구처럼 당신을 알아갑니다.
• 처음엔 "이 사람이 무엇을 원하는지"를 모릅니다. 하지만 대화할 때마다 20 가지 이상의 성향 (예: "실용적인가 vs 이상적인가", "짧게 말해줄까 vs 자세히 설명해줄까") 을 분석합니다.
• 시간이 지날수록 당신의 취향을 완벽하게 파악해서, 당신에게 딱 맞는 말투와 답변을 자동으로 만들어냅니다.

B. "세포 분화"를 통한 기술 습득 (Skills Acquisition)

• 비유: 아이가 반복해서 연습하면 '요리 기술'을 습득하는 과정.
• AI 가 같은 일을 반복해서 잘 처리하면, 그 과정이 **'숙련된 기술 (Skill)'**로 변합니다.
  • 초보 (Progenitor): 막 배운 상태.
  • 전문가 (Committed): 3 번 이상 성공하면, 이 일을 할 때 다시 생각하지 않고 바로 실행합니다. (시간 단축!)
  • 마스터 (Mature): 10 번 이상 성공하면, 가장 먼저 추천되는 기술이 됩니다.
• 반대로, 계속 실패하는 기술은 자연스럽게 사라집니다 (세포 사멸/Apoptosis). 불필요한 기억을 지워 시스템이 무너지지 않게 합니다.

💡 4. 왜 이것이 중요한가요?

• 한 번에 여러 가지: 하나의 AI 가 쇼핑, 대화, 복잡한 작업, 결제까지 모두 처리할 수 있습니다.
• 나를 알아주는 AI: 설정을 바꾸지 않아도, 대화할수록 당신에게 맞춰집니다.
• 안전한 쇼핑과 결제: 새로운 프로토콜을 통해 쇼핑 장바구니 관리나 결제 승인 과정까지 AI 가 안전하게 처리할 수 있게 했습니다.
• 빠른 검증: 이 시스템은 400 개 이상의 테스트를 3 초 만에 통과할 정도로 견고하게 설계되었습니다.

🚀 요약

STEM 에이전트는 "한 가지 일만 하는 고정된 AI"에서 **"상황에 따라 변신하고, 사용자를 기억하며, 스스로 기술을 익히는 살아있는 AI"**로 진화한 것입니다.

마치 줄기세포가 필요에 따라 온몸의 기관이 되듯, 이 AI 는 당신의 필요에 따라 최고의 도우미가 되어주는 것입니다. 앞으로는 AI 가 우리와 함께 성장하며 더 똑똑해지고, 우리 삶에 더 자연스럽게 녹아들기를 기대해 볼 수 있겠습니다.

기술 요약

STEM Agent: 다중 프로토콜 AI 에이전트 시스템을 위한 자기 적응형, 도구 지원, 확장 가능 아키텍처 기술 요약

이 논문은 기존 AI 에이전트 프레임워크의 한계를 극복하고, 다양한 상호작용 패러다임에 걸쳐 배포될 수 있는 새로운 아키텍처인 STEM Agent(Self-adapting, Tool-enabled, Extensible, Multi-agent) 를 제안합니다.

1. 문제 정의 (Problem)

현재의 AI 에이전트 프레임워크는 다음과 같은 **아키텍처적 락인 **(Architectural Lock-in) 현상에 직면해 있습니다:

• 단일 프로토콜 고착: REST 또는 채팅과 같은 단일 상호작용 프로토콜에 일찍부터 종속되어 다양한 통신 표준 (MCP, A2A 등) 과의 상호 운용성이 부족합니다.
• 고정된 도구 통합 전략: 도구를 에이전트 내부에 경직되게 통합하여 동적 확장이 어렵습니다.
• 정적 사용자 모델: 사용자의 선호도나 행동 패턴을 실시간으로 학습하고 적응하지 못합니다.
  이로 인해 생성된 에이전트들은 경직되고 단일 목적에 국한되어, 서로 상호작용하거나 복잡한 비즈니스 워크플로우에 적응하는 데 한계가 있습니다.

2. 방법론 (Methodology)

STEM Agent 는 **생물학적 만능성 **(Pluripotency) 에서 영감을 얻은 모듈형 아키텍처를 채택합니다. 분화되지 않은 에이전트 코어가 필요에 따라 특수화된 프로토콜 핸들러, 도구 바인딩, 메모리 하위 시스템으로 분화하여 작동합니다.

핵심 아키텍처 (5 계층 구조)

1. Caller/User Layer: CLI, SDK, A2A 클라이언트 등 다양한 호출자를 수용.
2. **Standard Interface **(Gateway) 5 가지 프로토콜 (A2A, AG-UI, A2UI, UCP, AP2) 을 통합하는 단일 게이트웨이.
3. Agent Core: 8 단계 인지 파이프라인 (Perceive → Adapt → Skill Match → Reason → Plan → Execute → Learn → Respond) 을 실행하는 핵심 엔진.
4. Memory System: 에피소드적, 의미적, 절차적, 사용자 컨텍스트 메모리를 통합한 4 가지 메모리 유형.
5. MCP Integration: 모든 도메인 기능을 모델 컨텍스트 프로토콜 (MCP) 을 통해 런타임에 동적으로 연결.

주요 기술적 메커니즘

• 자기 적응형 인지 파이프라인:
  • Perceive: 의도 분류, 복잡도 추정, 엔티티 추출.
  • Adapt: Caller Profiler 를 기반으로 행동 매개변수 (추론 깊이, 창의성, 말투 등) 를 조정.
  • Skill Match: 획득된 스킬이 있으면 추론/계획 단계를 생략하고 바로 실행 (Short-circuit).
  • Reasoning: 작업 특성에 따라 ReAct, Reflexion, Internal Debate, Chain-of-Thought 중 전략 자동 선택.
• Caller Profiler: 4 가지 카테고리 (철학, 원칙, 스타일, 습관) 와 20 개 이상의 차원에 걸쳐 지수 이동 평균 (EMA) 을 사용하여 사용자 선호도를 지속적으로 학습합니다.
• 세포 분화 기반 스킬 획득: 반복되는 상호작용 패턴이 '프로게니터 (Progenitor)'에서 '컴미티드 (Committed)'를 거쳐 '성숙 (Mature)' 단계로 성장하는 스킬 생명주기를 구현합니다. 실패율이 지속되면 아포토시스 (Apoptosis, 세포 사멸) 로 제거됩니다.
• 메모리 통합: 에피소드 기억을 의미적/절차적 기억으로 통합하여 하위 선형 (sub-linear) 성장으로 메모리 효율성을 유지합니다.

3. 주요 기여 (Key Contributions)

1. 다중 프로토콜 상호 운용성: 단일 게이트웨이 뒤에 5 가지 프로토콜을 통합한 최초의 프레임워크입니다.
   • **A2A **(Agent-to-Agent) 에이전트 간 작업 위임 및 메시징.
   • AG-UI: 스트리밍 UI 이벤트 (SSE).
   • A2UI: 동적 UI 구성 (16 가지 컴포넌트 원시).
   • **UCP **(Universal Commerce Protocol) 본 논문에서 제안된 신규 프로토콜으로, 장바구니 세션 및 멱등성 (Idempotency) 관리.
   • **AP2 **(Agent Payments Protocol) 본 논문에서 제안된 신규 프로토콜으로, 위임 기반 결제 및 감사 추적.
2. Caller Profiler: 수동 설정 없이 20 개 이상의 행동 차원을 기반으로 사용자별 행동 적응을 가능하게 하는 다차원 사용자 모델링 시스템.
3. MCP 네이티브 도구 통합: 에이전트 추론과 도메인 지식을 분리하여 모든 외부 도구를 MCP 를 통해 런타임에 주입합니다.
4. 자기 조정 행동 매개변수: 작업 특성과 사용자 프로필에 따라 실시간으로 조정되는 10 가지 매개변수 (추론 깊이, 창의성, 말투 등).
5. 비즈니스 준비형 프로토콜: UCP 와 AP2 를 통해 에이전트 상호작용 루프 내에서 결제 세션, 위임 결제, 감사 로그를 지원합니다.
6. 생물학적 영감을 받은 스킬 획득: 반복 패턴이 재사용 가능한 에이전트 스킬로 결정화 (Crystallization) 되는 시스템.

4. 결과 (Results)

• 테스트 스위트: 5 개 아키텍처 계층 전반에 걸쳐 413 개의 테스트 (37 개 파일) 를 수행하여 100% 통과율을 기록했습니다.
• 실행 속도: 전체 테스트 스위트는 2.92 초 이내에 완료되었습니다.
• 아키텍처 비교: 기존 프레임워크 (AutoGen, MetaGPT, CrewAI 등) 가 1 개의 프로토콜만 지원하고 적응형 메모리나 스킬 획득 기능이 부재한 반면, STEM Agent 는 3 개 이상의 표준 프로토콜과 2 개의 신규 프로토콜을 지원하며 4 가지 메모리 유형과 스킬 획득 기능을 통합했습니다.
• 성능: 프로토콜 핸들러는 공유 인지 파이프라인 위에 얇은 라우팅 계층만 추가하므로, 프로토콜별 오버헤드는 직렬화 및 미들웨어 탐색에 국한되어 계산 부하를 크게 증가시키지 않습니다.

5. 의의 및 한계 (Significance & Limitations)

의의

• 상호 운용성 표준화: 분열된 에이전트 통신 표준 (MCP, A2A 등) 을 통합하여 에이전트 생태계의 상호 운용성을 획기적으로 개선합니다.
• 동적 적응성: 정적 에이전트에서 벗어나 사용자와 작업 환경에 실시간으로 적응하는 '살아있는' 에이전트 아키텍처를 제시합니다.
• 상업적 적용 가능성: 결제 및 상거래 프로토콜을 내장하여 실제 비즈니스 환경 (E-commerce, 금융) 에서의 에이전트 배포를 가능하게 합니다.
• 지속 가능한 학습: 세포 분화 메커니즘을 통해 불필요한 스킬은 제거하고 유용한 스킬은 성숙시키는 자가 치유 및 진화 시스템을 구현했습니다.

한계 및 향후 과제

• 벤치마크 부재: 현재는 프로토콜 준수 테스트에 집중되었으며, MAFBench 와 같은 태스크 완료 벤치마크나 사용자 연구는 수행되지 않았습니다.
• 적응의 단순성: EMA 기반 프로파일러는 비정상적 (non-stationary) 이나 다중 모드 선호도 분포를 완벽히 포착하지 못할 수 있습니다.
• 확장성: 고동시 환경에서 프로파일 및 멱등성 캐시를 위한 인메모리 스토어는 분산 잠금이 필요합니다.
• 보안: UCP/AP2 프로토콜은 외부 채택이 없으며 공식적인 위협 모델링이 아직 완료되지 않았습니다.

결론적으로 STEM Agent 는 AI 에이전트 시스템이 단일 목적에서 벗어나, 다양한 프로토콜과 도구를 유연하게 통합하며 사용자 맞춤형으로 진화할 수 있는 새로운 패러다임을 제시합니다.