🤖 AI

Agentization of Digital Assets for the Agentic Web: Concepts, Techniques, and Benchmark

이 논문은 에이전틱 웹을 위한 디지털 자산의 에이전트화 (Agentization) 를 위한 개념과 기술을 정립하고, 이를 평가하기 위한 최초의 벤치마크인 A2A-Agentization Bench 를 제안하여 디지털 자산의 기능 활성화 및 상호운용성 있는 다중 에이전트 협업을 가능하게 하는 방법을 제시합니다.

원저자: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zh

게시일 2026-04-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zhang

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

🌐 1. 배경: 왜 이 연구가 필요한가요?

**비유: "고급 요리사 **(LLM 에이전트)

상황: 요즘 인공지능 (AI) 은 아주 똑똑한 '요리사'가 되어 있습니다. 이 요리사들은 스스로 계획을 세우고, 재료를 찾아서 요리를 할 수 있습니다.
문제: 하지만 이 요리사들이 요리를 하려면 '레시피'나 '특수한 조리 도구'가 필요합니다. 지금까지는 이 도구들을 사람이 일일이 만들어서 요리사에게 건네주어야 했습니다. 이는 너무 느리고 비싸서 요리사들이 할 수 있는 일이 제한되었습니다.
해결책: 이미 우리 주변에는 수많은 '디지털 자산' (레시피 책, 오래된 조리 도구, 영상 자료 등) 이 쌓여 있습니다. 이걸 사람이 일일이 다듬지 않고, 자동으로 요리사가 바로 쓸 수 있는 '스마트 도구'로 변신시킬 수 있다면 어떨까요?

이 논문은 바로 그 자동 변신 과정을 연구한 것입니다.

🛠️ 2. 핵심 개념: 디지털 자산의 '에이전트화'란?

비유: "유령을 소환하는 주문서 만들기"

**디지털 자산 **(Digital Assets) 코드 저장소, 문서, 영상 파일 등. 이들은 원래는 '죽은' 데이터입니다. 사람이 직접 실행하지 않으면 아무 일도 안 일어납니다.
**에이전트화 **(Agentization) 이 죽은 데이터를 살아있는 '도움꾼 (에이전트)'으로 만드는 과정입니다.
- 환경 설정: 요리사가 요리를 하려면 가스불과 냄비가 준비되어야 하죠. 에이전트도 실행하려면 컴퓨터 환경이 갖춰져야 합니다.
- 기술 추출: 이 자산이 어떤 일을 잘하는지 (예: "이미지에서 개를 찾아낸다") 찾아내서, 다른 에이전트가 부를 수 있는 '스킬'로 만듭니다.
- **명함 **(Agent Card) 이 에이전트가 누구인지, 무엇을 할 수 있는지 다른 에이전트들이 알 수 있도록 '명함'을 만들어줍니다.

이 논문은 이 모든 과정을 **자동으로 해주는 '변신 마법사 **(Agentization Agent)를 개발했습니다.

🧪 3. 실험: 얼마나 잘 작동할까? (A2A-Agentization Bench)

연구팀은 이 기술이 정말 잘 작동하는지 확인하기 위해 **시험지 **(벤치마크)를 만들었습니다.

시험 내용: 35 개의 다양한 GitHub 코드 저장소 (이미지 처리, 문서 분석, 금융 계산 등) 를 가져와서, 자동으로 에이전트로 변신시켰습니다.
평가 기준:
1. **정확도 **(Fidelity) 변신한 에이전트가 원래 기능이 제대로 작동하는가? (예: 개를 찾는 기능이 실제로 개를 찾는지)
2. **상호 운용성 **(Interoperability) 다른 에이전트들이 이 에이전트를 불러서 함께 일할 수 있는가? (명함이 제대로 읽히는지)

결과:

성공: 자동화 기술이 실제로 작동하여, 수동으로 만들지 않아도 에이전트를 만들 수 있다는 것을 증명했습니다.
한계: 아직 완벽하지는 않습니다.
- 환경 문제: 요리사가 요리를 하려는데 가스불이 안 켜지는 경우 (설치 오류) 가 자주 발생합니다.
- 기술 오류: "개 찾기"라고 했는데, 실제로는 "고양이 찾기"만 되는 등 기능이 제대로 연결되지 않는 경우가 있습니다.
- 명함 문제: 다른 에이전트가 "이 친구는 무슨 일을 해?"라고 물었을 때, 명함이 너무 모호해서 역할을 제대로 맡기지 못하는 경우가 있습니다.

🚀 4. 결론: 이 연구가 가져올 변화

이 연구는 **"인터넷의 미래 **(Agentic Web)를 보여줍니다.

과거: 사람이 일일이 코드를 짜고 에이전트를 만들어야 함.
미래: 우리가 가진 모든 디지털 자료 (코드, 문서, 영상) 가 자동으로 에이전트로 변신하여, 서로 대화하고 협력하여 복잡한 일을 해결합니다.

한 줄 요약:

"이 논문은 죽어있는 디지털 자료들을 자동으로 '살아있는 AI 도우미'로 변신시키는 방법을 개발하고, 그 성능을 시험한 첫 번째 연구입니다. 앞으로는 우리가 가진 모든 디지털 자산이 서로 손잡고 일하는 'AI 팀'의 일원이 될 수 있는 길이 열렸습니다."

이 기술이 완성되면, 우리는 더 이상 복잡한 소프트웨어를 직접 설치하고 설정할 필요 없이, AI 에이전트들에게 "이 자료로 이런 일 해줘"라고 말하기만 하면 알아서 해결해 줄 날이 올 것입니다.

1. 문제 정의 (Problem Statement)

배경:
대규모 언어 모델 (LLM) 기반의 에이전트와 멀티 에이전트 시스템 (LaMas) 이 발전함에 따라, 자율적이고 목표 지향적인 상호작용을 통해 복잡한 작업을 해결하는 **'에이전틱 웹 (Agentic Web)'**이라는 새로운 패러다임이 등장했습니다. 에이전틱 웹은 상호 운용 가능한 에이전트들이 분산된 생태계에서 협력하는 것을 지향합니다.

핵심 문제:
에이전틱 웹의 성능과 확장성은 생태계 내 에이전트의 수와 다양성에 크게 의존합니다. 그러나 현재는 도메인 특화 에이전트를 수동으로 구축하는 데 비용이 많이 들고 느리며, 다양성을 확보하기 어렵다는 한계가 있습니다. 반면, 기존 웹에는 코드 리포지토리, 문서, 미디어 등 방대하고 가치 있는 **디지털 자산 (Digital Assets)**이 존재합니다.

연구 질문:
기존의 정적 디지털 자산 (특히 코드 리포지토리) 을 어떻게 자동화하여, 에이전틱 웹 표준 (A2A 프로토콜) 을 준수하고 다른 에이전트와 상호 운용 가능한 자율 에이전트로 변환할 수 있을까요?

기술적 난제:
자동화된 에이전트화 (Agentization) 과정은 다음 세 가지 주요 장벽에 직면해 있습니다.

일관성 없는 환경: 의존성 충돌 및 재현 불가능한 환경 문제.
비구조화된 기술 (Skills): 문서화되지 않은 코드에 숨겨진 유용한 기능을 원자적이고 재사용 가능한 행동으로 추출해야 함.
의미적 간극 (Semantic Gap): 코드가 실행되더라도 다른 에이전트가 이를 이해하고 호출할 수 있도록 명확한 인터페이스 (에이전트 카드 등) 가 필요함.

2. 방법론 (Methodology)

저자들은 디지털 자산을 에이전틱 웹에 통합하기 위한 A2A-Agentization 프로세스를 제안하며, 이를 실행하는 Agentization Agent와 이를 평가하는 A2A-Agentization Bench를 개발했습니다.

가. 에이전트화 프로세스 (Agentization Process)

코드 리포지토리를 A2A 준수 에이전트로 변환하는 4 단계 프로세스를 정의했습니다.

환경 설정 (Environment Setup):
- 리포지토리의 의존성 (Wdep) 과 설정 (Wconf) 을 분석하여 재현 가능한 실행 환경 (E) 을 구성합니다. (예: 컨테이너 이미지 생성).
기술 추출 (Skill Extraction as Tools):
- 설정된 환경에서 리포지토리의 코드를 분석하여 실행 가능한 원자적 기능 (T) 을 식별하고 래핑합니다.
내부 에이전트 인스턴스화 (Inner Agent Instantiation):
- 추출된 도구들을 통합하여 추론 루프 (예: ReAct) 를 가진 내부 에이전트 (Ain) 를 생성합니다.
최종 에이전트화 (Final Agentization):
- 에이전트의 정체성과 사용 가능한 도구를 설명하는 **에이전트 카드 (Agent Card, C)**를 생성합니다. 이를 통해 다른 에이전트가 에이전트의 기능을 발견하고 호출할 수 있게 합니다.
- 최종 에이전트 $A = \{Ain, C\}$ 로 구성됩니다.

나. A2A-Agentization Agent

위 프로세스를 자동화하기 위해 설계된 자율 에이전트 프레임워크입니다. 이 에이전트는 리포지토리 수준의 기능 구현을 수행하여 정적 리포지토리를 활성 에이전트로 변환합니다.

다. A2A-Agentization Bench (벤치마크)

에이전트화 방법론을 평가하기 위해 구축된 최초의 종합 벤치마크입니다.

데이터셋: 35 개의 다양한 GitHub 리포지토리 (비전, 문서, 화학, 금융 등 9 개 도메인) 와 522 개의 평가 인스턴스 (336 개 단일 리포지토리 작업, 186 개 다중 리포지토리 작업) 로 구성됨.
평가 지표:
1. 정확성 (Fidelity): 추출된 기술이 정확하게 실행되는지 (Single-Repo Task 실행 성공률).
2. 상호 운용성 (Interoperability): 생성된 에이전트 카드가 다른 에이전트에게 올바르게 발견되고 조율되어 협업이 가능한지 (Multi-Repo Task 조율 및 실행 성공률).

3. 주요 기여 (Key Contributions)

개념 정립 및 공식화: 디지털 자산의 에이전트화 개념을 도입하고, 코드 리포지토리를 대상으로 한 A2A 준수 에이전트화 과정을 리포지토리 수준의 자율 개발 작업으로 공식화했습니다.
A2A-Agentization Agent 제안: 환경 설정, 기술 추출, 의미적 간극 해소를 자동화하는 에이전트 프레임워크를 제안했습니다.
최초 벤치마크 구축: 디지털 자산의 에이전트화 품질 (정확성 및 상호 운용성) 을 평가하기 위한 A2A-Agentization Bench 를 개발했습니다.
실증 분석 및 통찰: 기존 최첨단 에이전트 프레임워크 (Claude Code, Codex, OpenHands, EnvX) 를 벤치마크에 적용하여, 자동화된 에이전트화 가능성과 현재 기술의 한계 (환경 구성, 기술 생성, 명세화 단계에서의 실패 패턴) 를 규명했습니다.

4. 실험 결과 (Results)

저자들은 4 가지 주요 에이전트 프레임워크 (Claude Code, Codex CLI, OpenHands, EnvX) 를 사용하여 실험을 수행했습니다.

Stage 1: 에이전트화 과정 평가 (Process Assessment)
- Claude Code와 EnvX는 100% 의 성공률 (Pass@1) 을 보이며 리포지토리를 에이전트로 변환하는 데 성공했습니다.
- EnvX는 추가적인 환경 검증 단계로 인해 토큰 소모량이 다소 많았지만, 환경 구성의 견고함을 입증했습니다.
Stage 2: 기능 계승 평가 (Capability Inheritance)
- 생성된 에이전트가 단일 리포지토리 작업을 수행하는 능력 평가.
- Claude Code가 전체 성공률 36.9% 로 가장 높았으며, EnvX(35.1%) 가 뒤를 이었습니다.
- EnvX는 사전 검증된 환경 덕분에 실행 중 오류 수정이 적어 효율성이 높았습니다.
Stage 3: 협업 실행 평가 (Collaborative Execution)
- 다중 에이전트 환경에서의 조율 가능성 및 실행 성공률 평가.
- 에이전트 카드의 명세 품질 (Skill F1): EnvX(66.2%) 와 Claude Code(63.0%) 가 높은 점수를 받아, 에이전트 카드가 기능을 정확하게 설명하는 능력이 뛰어났습니다.
- 조율 성공률 (Orch. SR): 명세 품질이 높은 에이전트들이 복잡한 작업 (Hard) 에서도 더 높은 조율 성공률을 보였습니다.
- 최종 실행 성공률 (Exec. SR): 흥미롭게도 OpenHands는 조율 성공률은 낮았으나, 실행 엔진의 견고함으로 인해 최종 작업 완료율 (46.2%) 에서 가장 높은 성과를 보였습니다.

결론: 자동화된 에이전트화는 가능하지만, 환경 사전 구성 (Environment Pre-configuration), 신뢰할 수 있는 기술 생성 (Skill Construction), **명확한 자기 설명 (Self-description)**이 성공의 세 가지 핵심 기둥임을 확인했습니다.

5. 의의 및 결론 (Significance)

이 연구는 에이전틱 웹의 공급 측면 (Supply-side) 에서 중요한 도약을 이루었습니다.

확장성 확보: 기존에 수동으로 구축되던 도메인 특화 에이전트를, 방대한 디지털 자산 (코드 리포지토리 등) 에서 자동으로 추출하여 확장 가능한 방식으로 공급할 수 있는 길을 열었습니다.
표준화 및 상호 운용성: A2A 프로토콜을 준수하는 에이전트 생성 파이프라인을 제시함으로써, 이기종 에이전트 간의 원활한 협업과 에이전틱 웹 생태계의 성숙을 촉진합니다.
향후 연구 방향 제시: 환경 설정, 기술 추출, 명세화 과정에서 발생하는 구체적인 실패 패턴을 분석함으로써, 향후 에이전트화 기술의 발전 방향 (예: 더 강력한 환경 자동 구성, 정확한 API 추출 등) 을 제시했습니다.

결론적으로, 이 논문은 정적인 소프트웨어 리포지토리를 능동적이고 상호 운용 가능한 에이전트 군으로 변환하는 체계적인 방법론과 평가 기준을 제시하여, 에이전틱 웹의 실현을 위한 중요한 토대를 마련했습니다.