💬 NLP

AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents

이 논문은 장기 웹 에이전트의 컨텍스트 관리 한계를 해결하기 위해, 상태 인식형 적응적 병렬 라우팅을 통해 다양한 컨텍스트 관리 전략을 동적으로 선택하고 최적의 경로를 탐색하는 'AgentSwing' 프레임워크를 제안합니다.

원저자: Zhaopeng Feng, Liangcai Su, Zhen Zhang, Xinyu Wang, Xiaotian Zhang, Xiaobin Wang, Runnan Fang, Qi Zhang, Baixuan Li, Shihao Cai, Rui Ye, Hui Chen, Jiang Yong, Joey Tianyi Zhou, Chenxiong Qian, Pengjun

게시일 2026-03-31

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zhaopeng Feng, Liangcai Su, Zhen Zhang, Xinyu Wang, Xiaotian Zhang, Xiaobin Wang, Runnan Fang, Qi Zhang, Baixuan Li, Shihao Cai, Rui Ye, Hui Chen, Jiang Yong, Joey Tianyi Zhou, Chenxiong Qian, Pengjun Xie, Bryan Hooi, Zuozhu Liu, Jingren Zhou

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

🌐 긴 여정을 위한 '스마트 나침반': 에이전트 스윙 (AgentSwing)

이 논문은 인공지능 (AI) 이 인터넷을 돌아다니며 복잡한 정보를 찾아내는 '딥 리서치 (Deep Research)' 능력을 어떻게 더 똑똑하게 만들 수 있는지에 대한 이야기입니다.

기존의 AI 는 긴 검색을 하다 보면 기억할 수 있는 정보의 양 (메모리) 이 한계에 다다르거나, 잘못된 길로 빠진 채 계속 헤매는 문제가 있었습니다. 이 논문은 그 문제를 해결하기 위해 **AgentSwing(에이전트 스윙)**이라는 새로운 방법을 제안합니다.

이해를 돕기 위해 **'등산'**과 **'나침반'**에 비유해서 설명해 드릴게요.

1. 문제: 등산 중의 '기억력'과 '방황'

AI 가 인터넷에서 정보를 찾는 과정은 정글을 헤치며 보물을 찾는 긴 등산과 같습니다.

기존의 문제점 (정해진 규칙만 따르는 등산객):
- 기억력 부족: 등산이 길어질수록 가방 (메모리) 이 무거워져서 더 이상 정보를 담을 수 없게 됩니다.
- 방황: 한 번 잘못된 길 (오해한 정보) 을 걸으면, 그 잘못된 기억을 계속 품고 있기 때문에 다시는 올바른 길로 돌아오지 못합니다.
- 경직된 전략: "무조건 가방을 비워라" 혹은 "무조건 마지막 5 개 정보만 가져가라"처럼 한 가지 방법만 고집합니다. 하지만 상황 (날씨, 지형) 에 따라 필요한 전략은 달라져야 하는데 말이죠.

2. 해결책: AgentSwing (에이전트 스윙)

이 논문은 AI 에게 **상황을 보고 유연하게 대처하는 '스마트 나침반'**을 달아주었습니다.

🔄 핵심 아이디어: "한 번에 여러 길을 상상해 봐!"

에이전트 스윙은 AI 가 정보를 정리해야 할 때가 되면, 단 한 가지 방법만 선택하지 않습니다. 대신 다음과 같은 과정을 거칩니다.

병렬 분기 (여러 갈래로 나누기):
- 현재 상황을 바탕으로 세 가지 다른 시나리오를 동시에 만들어봅니다.
  - 시나리오 A (전부 비우기): "이제까지의 기억은 다 잊고, 처음부터 다시 시작하자!" (Discard-All)
  - 시나리오 B (요약하기): "긴 이야기를 핵심만 요약해서 기억하자." (Summary)
  - 시나리오 C (최근만 남기기): "가장 최근의 중요한 정보 5 개만 챙기자." (Keep-Last-N)
- 마치 등산로가 갈라질 때, 세 갈래 모두를 잠시 상상해보는 것과 같습니다.
앞을 내다보기 (Lookahead Routing):
- 단순히 "어떤 기억을 지울까?"만 고민하지 않습니다.
- **"각 갈래로 3~5 걸음 더 걸어보면 어떨까?"**를 미리 시뮬레이션해봅니다.
- 만약 '전부 비우는 길'이 다시 시작하기엔 너무 막막하고, '최근 정보만 남기는 길'이 보물을 찾는 데 가장 유망해 보인다면, AI 는 그 길로만 진격합니다.
최선의 길 선택:
- 미리 걸어본 결과, 가장 유망한 길 하나만 선택하고 나머지는 버립니다. 이렇게 해서 AI 는 지금 상황에 가장 적합한 전략을 동적으로 선택하게 됩니다.

3. 왜 이것이 중요한가요? (효율성 vs 정확성)

이 논문은 AI 의 성공을 두 가지 측면에서 봅니다.

검색 효율성 (Efficiency): 자원을 다 쓰기 전에 목적지 (정답) 에 도달할 수 있는가?
최종 정확도 (Precision): 목적지에 도달했을 때, 정답을 맞혔는가?

기존 방법들은 이 두 가지 사이에서 **타협 (Trade-off)**을 강요받았습니다.

"기억을 많이 지우면 (효율 ↑) 실수할 확률이 높아진다 (정확도 ↓)."
"기억을 많이 남기면 (정확도 ↑) 가방이 무거워져서 지쳐버린다 (효율 ↓)."

하지만 AgentSwing은 이 딜레마를 깨뜨립니다.

상황이 복잡하고 헷갈릴 때는 "전부 비우고 다시 시작"하는 전략을 선택해 효율을 높이고,
중요한 단서가 쌓여있을 때는 "최근 정보만 챙기거나 요약"하는 전략을 선택해 정확도를 높입니다.

4. 실제 성과

실험 결과, AgentSwing 을 적용한 AI 는 다음과 같은 놀라운 성과를 냈습니다.

더 빠른 도착: 같은 정답을 찾더라도, 기존 방법보다 **약 3 배 적은 단계 (Turn)**로 찾아냈습니다.
더 높은 정답률: 복잡한 문제 (BrowseComp, HLE 등) 에서 기존 상용 모델들보다 더 높은 점수를 기록했습니다.
유연성: 어떤 모델 (GPT-OSS, DeepSeek, Tongyi 등) 에 적용해도 성능이 향상되었습니다.

📝 한 줄 요약

"에이전트 스윙은 AI 가 긴 검색 여정 중 기억이 부족하거나 길을 잃었을 때, '한 가지 방법'에 매몰되지 않고 여러 가지 해결책을 미리 시뮬레이션하여, 그 순간에 가장 유망한 길로 스마트하게 방향을 틀게 해주는 기술입니다."

이 기술은 AI 가 단순히 정보를 더 많이 기억하는 것을 넘어, 어떻게 기억을 관리하고 활용할지 스스로 판단하는 지능을 갖게 해줍니다.

AgentSwing: 장거리 웹 에이전트를 위한 적응형 병렬 컨텍스트 관리 라우팅 기술 요약

이 논문은 대규모 언어 모델 (LLM) 기반 자율 에이전트가 장거리 정보 탐색 (Long-Horizon Information-Seeking) 과제를 수행할 때 직면하는 제한된 컨텍스트 용량 문제를 해결하기 위해 제안된 AgentSwing 프레임워크에 대한 연구입니다.

1. 문제 정의 (Problem)

장거리 웹 에이전트 (예: 수십~수백 단계의 검색, 방문, 검증, 백트래킹이 필요한 작업) 에서는 에이전트의 작업 공간인 컨텍스트 창 (Context Window) 의 한계가 주요 병목 현상입니다.

정적 전략의 한계: 기존 방법론들은 탐색 과정 전체에 걸쳐 단일 고정된 컨텍스트 관리 전략 (예: 모든 기록 삭제, 최근 N 개 유지, 요약 등) 을 적용합니다.
적응성 부재: 탐색 상태가 변함에 따라 (중간 단계의 유용한 구조가 필요한 경우 vs 노이즈가 많은 경우) 동일한 전략을 고수하는 것은 비효율적입니다.
성능 저하: 컨텍스트가 포화되면 에이전트는 중요한 정보를 잃거나 '컨텍스트 로트 (Context Rot, 긴 입력으로 인한 성능 저하)' 현상이 발생하여 정확한 답변을 도출하지 못합니다.

2. 방법론 (Methodology)

2.1. 확률적 프레임워크: 탐색 효율성과 최종 정밀도

저자들은 장거리 에이전트의 성공을 두 가지 보완적인 차원으로 정의하는 새로운 확률적 프레임워크를 제시합니다.

탐색 효율성 (Search Efficiency, $\eta$ ): 주어진 자원 (컨텍스트, 턴 수) 내에서 에이전트가 최종 답변을 낼 수 있는 '중단 지점 (Stopping Point)'에 도달할 확률.
최종 정밀도 (Terminal Precision, $\rho$ ): 중단 지점에 도달했을 때, 그 답변이 정확할 확률.
성공 확률: 전체 성공률 (Pass@1) 은 $\eta \times \rho$ 로 표현됩니다. 기존 지표들은 이 두 요소를 분리하지 못해 전략 간 비교를 어렵게 만들었습니다.

2.2. AgentSwing 프레임워크

AgentSwing 은 정적 전략을 넘어 상태 인식형 적응형 병렬 컨텍스트 관리를 수행합니다.

병렬 컨텍스트 관리 (Parallel Context Management):
- 컨텍스트 길이가 임계치에 도달하면, 현재 상태의 원본 컨텍스트를 기반으로 여러 후보 전략을 동시에 적용합니다.
- 주요 전략:
  - Keep-Last-N: 최근 N 턴의 상호작용만 유지.
  - Summary: 누적된 경로를 요약 텍스트로 압축.
  - Discard-All: 모든 히스토리를 삭제하고 사용자 프롬프트만 유지.
선도 라우팅 메커니즘 (Lookahead Routing):
- 단순히 컨텍스트만 보고 선택하는 것이 아니라, 각 병렬 분기 (Branch) 를 **K 턴 동안 시뮬레이션 (Lookahead)**하여 미래의 행동을 예측합니다.
- 에이전트 모델이 각 분기의 시뮬레이션 결과와 원본 컨텍스트를 바탕으로 가장 유망한 분기를 선택합니다.
- 선택된 분기는 실제 탐색 경료가 되고, 나머지는 폐기됩니다.

3. 주요 기여 (Key Contributions)

새로운 분석 프레임워크: 장거리 에이전트의 컨텍스트 관리를 '탐색 효율성'과 '최종 정밀도'라는 두 가지 차원으로 분해하여 분석하는 최초의 확률적 프레임워크를 제시했습니다.
AgentSwing 제안: 단일 전략의 고착화를 탈피하고, 현재 상태와 미래 시뮬레이션에 기반하여 이질적인 컨텍스트 관리 전략들 사이를 동적으로 전환하는 적응형 라우팅 시스템을 개발했습니다.
광범위한 실험 검증: 다양한 오픈소스 모델 (GPT-OSS-120B, DeepSeek-v3.2, Tongyi-DR-30B-A3B) 과 벤치마크 (BrowseComp, HLE 등) 에서 정적 전략 및 베이스라인을 능가하는 성능을 입증했습니다.

4. 실험 결과 (Results)

성능 향상: AgentSwing 은 다양한 벤치마크에서 강력한 정적 전략 (Discard-All, Summary 등) 보다 일관되게 높은 성능을 보였습니다.
- DeepSeek-v3.2: BrowseComp-ZH 에서 71.3, HLE 에서 44.4의 점수를 기록하여 여러 독점적 (Proprietary) 기반 모델을 능가했습니다.
- Tongyi-DR-30B-A3B: 동급 규모의 정보 탐색 에이전트 중 최고 성능을 달성했습니다.
자원 효율성: 정적 전략이 달성하는 성능을 최대 3 배 적은 상호작용 턴 수로 달성하거나, 동일한 턴 수 내에서 더 높은 성능 상한선 (Ceiling) 을 보여주었습니다.
상호 보완성:
- Keep-Last-N은 높은 탐색 효율성을, Discard-All은 높은 최종 정밀도를 보였습니다.
- AgentSwing 은 두 전략의 장점을 결합하여 전체적인 Pass@1 을 극대화했습니다.
어블레이션 (Ablation) 연구:
- Lookahead 제거 시: 성능이 크게 저하되어, 단순한 병렬 실행이 아닌 '미래 행동 예측'이 핵심임을 입증했습니다.
- Lookahead 깊이 (k): $k=3$ 일 때 가장 최적의 성능을 보였습니다.

5. 의의 및 결론 (Significance)

패러다임 전환: 컨텍스트 관리를 단순한 '압축 또는 삭제'의 기술적 문제가 아니라, 미래 경로를 고려한 상태 기반 라우팅 문제로 재정의했습니다.
실용적 가치: 제한된 컨텍스트 창을 가진 오픈소스 모델조차 독점적 대형 모델과 경쟁할 수 있는 가능성을 보여주었습니다.
향후 방향: 현재 에이전트 모델 자체가 라우팅을 수행하지만, 향후 더 강력한 전용 라우터나 검증기를 도입하여 성능을 더욱 극대화할 수 있음을 시사합니다.

결론적으로 AgentSwing 은 장거리 웹 에이전트의 성능 한계를 돌파하기 위해, 컨텍스트 관리 전략을 상황에 따라 유연하게 조정하고 미래 결과를 예측하여 최적의 경로를 선택하는 혁신적인 접근법입니다.