WorkflowGen: 궤적 경험 (Trajectory Experience) 기반 적응형 워크플로우 생성 메커니즘

1. 문제 정의 (Problem Statement)

대형 언어 모델 (LLM) 기반 에이전트는 복잡한 비즈니스 쿼리, 도구 호출, 워크플로우 실행 등을 처리할 때 다음과 같은 심각한 한계에 직면해 있습니다.

• 과도한 토큰 소비 및 중복 추론: 유사하거나 동일한 쿼리에 대해 매번 처음부터 (from scratch) 전체 워크플로우를 계획하는 과정에서 불필요한 계산 오버헤드와 높은 비용이 발생합니다.
• 실행 불안정성: 실시간 LLM 추론에 의존할 경우 단계 누락, 잘못된 파라미터, 도구 불일치, 예외 처리 실패 등 실행 체인의 불안정성이 빈번합니다.
• 역사적 경험의 비효율적 활용: 성공 및 실패 로그가 구조화되지 않은 채 방치되어, 재사용 가능한 지식으로 전환되지 못합니다.
• 적응형 전략 부재: 쿼리의 유사도에 따라 최적의 생성 경로를 동적으로 선택하지 못해, 품질과 비용 간의 균형을 맞추기 어렵습니다.

2. 방법론 (Methodology)

이 논문은 WorkflowGen이라는 새로운 프레임워크를 제안하며, 토큰 소비를 최소화하면서 실행 성공률을 극대화하는 것을 목표로 합니다. 핵심 메커니즘은 다음과 같습니다.

가. 이중 세분화 궤적 경험 추출 (Dual-Granularity Trajectory Experience Extraction)

• 노드 레벨 (Node-Level): 도구 호출, 파라미터 채우기, 상태 판단, 결과 파싱 등 워크플로우의 최소 재사용 단위를 추출합니다. 성공/실패 로그를 비교하여 '오류 지문 (Error Fingerprints)', '최적 도구 매핑', '표준 파라미터 스키마', '예외 회피 전략' 등을 구조화된 지식으로 저장합니다.
• 워크플로우 레벨 (Workflow-Level): 전체 실행 궤적의 위상학적 구조를 캡처합니다. 트리거 조건, 액션 시퀀스, 컨텍스트 정보, 메타데이터 등을 포함하여 재사용 가능한 템플릿 라이브러리를 구축합니다.

나. 궤적 재작성 기반 워크플로우 생성 (Trajectory Rewriting-Driven Generation)

• 기존 방식의 '전체 재계획' 대신, 유사한 역사적 궤적을 검색한 후 변수 노드 (파라미터, 엔티티 등) 만 경량화하여 재작성하는 방식을 사용합니다.
• 시스템 프롬프트에 성공 패턴과 실패 사례를 주입하여 LLM 이 알려진 함정을 사전에 피하도록 유도함으로써, 불필요한 토큰 소비와 후속 수정을 방지합니다.

다. 3 단계 적응형 라우팅 전략 (Three-Tier Adaptive Routing)
현재 쿼리와 역사적 궤적 간의 의미적 유사도 (Cosine Similarity) 에 따라 다음 3 가지 모드 중 동적으로 선택합니다.

1. 직접 재사용 (Direct Reuse, 유사도 > 0.99): 완전히 동일한 비즈니스 의도로 판단될 경우, 저장된 궤적을 그대로 실행합니다. (토큰 비용 거의 0)
2. 재작성 기반 재사용 (Rewriting-based Reuse, 0.6 < 유사도 ≤ 0.99): 구조는 유지하되 변수 노드만 LLM 을 통해 재생성합니다. (저비용 적응)
3. 초기화 (Initialization, 유사도 ≤ 0.6): 기존 궤적과 유사도가 낮을 경우에만 표준 LLM 기반의 처음부터 계획 (From-scratch) 을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 구조화된 경험 추출: 원시 실행 로그를 노드 및 워크플로우 레벨의 구조화된 재사용 지식으로 변환하여 중복 추론을 근원적으로 제거했습니다.
2. 경량 생성 메커니즘: 전체 재계획이 아닌 '궤적 재작성'을 통해 LLM 호출 횟수와 토큰 소비를 획기적으로 줄였습니다.
3. 적응형 라우팅: 유사도 기반의 3 단계 자동 폴백 (Fallback) 메커니즘을 도입하여 성능과 비용 간의 최적 균형을 달성했습니다.
4. 실무 검증: 대규모 주석 데이터셋이 부재한 상황에서도, 기존 방법론 (실시간 계획, 정적 단일 궤적, 기본 인-컨텍스트 학습) 과의 정성적 비교를 통해 방법론의 유효성을 입증했습니다.

4. 결과 및 성과 (Results & Performance)

정량적 데이터셋이 아직 완비되지 않아 정성적 비교 분석을 수행했으며, 주요 성과는 다음과 같습니다.

• 토큰 소비 감소: 실시간 계획 (Real-time Planning) 대비 40% 이상, 정적 단일 궤적 방식 대비 20~30% 의 토큰 소비 감소 효과를 달성했습니다. 불필요한 전체 재생성을 피하고 변수 노드만 생성함으로써 달성되었습니다.
• 실행 견고성 향상: 사전 예방적 오류 회피와 적응형 폴백 메커니즘을 통해 실행 성공률이 크게 개선되었습니다. 특히 중간 유사도 쿼리에서 성공률이 20% 증가했습니다.
• 배포 가능성 및 해석 가능성: 모듈화된 경험과 추적 가능한 실행 로직을 제공하여 블랙박스 형태의 LLM 추론을 투명하고 감사 가능한 형태로 변환했습니다.

5. 의의 및 결론 (Significance & Conclusion)

WorkflowGen 은 에이전트 워크플로우 생성 분야에서 **비용 효율성 (Token Efficiency)**과 **실행 안정성 (Robustness)**을 동시에 해결하는 실용적인 프레임워크를 제시합니다.

• 비용 절감: 반복적인 추론을 줄여 LLM 의 추론 비용을 대폭 절감합니다.
• 자율성 향상: 과거의 성공과 실패 경험을 지속적으로 학습하고 재사용함으로써, 에이전트가 시간이 지남에 따라 더 저렴하고 신뢰할 수 있는 시스템으로 진화하도록 합니다.
• 산업 적용성: 높은 해석 가능성과 모듈성으로 인해 실제 비즈니스 환경 (RPA, 자동화 등) 에 쉽게 배포될 수 있습니다.

이 연구는 단순한 워크플로우 생성을 넘어, 경험 기반의 적응형 자동화 패러다임을 제시하며, 향후 대규모 산업용 데이터셋 구축과 정량적 평가를 통해 그 효과를 더욱 입증할 예정입니다.