🤖 AI

AI Tour Meeting: Group Travel Planning by LLM Agents

이 논문은 서로 다른 페르소나를 가진 다수의 거대언어모델 에이전트가 자연어 토론을 통해 그룹 여행 일정을 협력적으로 계획하도록 활용함으로써, 다중 에이전트 행동을 시뮬레이션하고 분석하는 유연한 도구 역할을 하는 "AI 투어 미팅(AI Tour Meeting)" 프레임워크를 소개한다.

원저자: Daisuke Kikuta

게시일 2026-07-22

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Daisuke Kikuta

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

컴퓨터가 단순히 질문에 답하는 것을 넘어, 실제로 성격과 의견을 가지고 대화를 나눌 수 있는 세상을 상상해 보십시오. 이것이 바로 **거대 언어 모델(LLM)**의 영역입니다. 이들을 인터넷에 있는 거의 모든 것을 읽은 매우 박식한 디지털 사서라고 생각해보세요. 보통 우리는 도서관 사서에게 책 추천을 요청하듯 일대일로 대화합니다. 하지만 만약 이 디지털 사서들에게 함께 협력하라고 요청한다면 어떤 일이 벌어질까요? 그것이 바로 **멀티 에이전트 시스템(Multi-Agent Systems)**이 등장하는 지점입니다. 이는 마치 모든 컴퓨터가 특정 역할과 고유한 개성을 가지고 공동의 문제를 해결하기 위해 모인 원탁 회의를 설정하는 것과 같습니다. 우리는 흔-히 이러한 도구들을 인간의 여행 계획을 돕는 데 사용하지만, 이 논문은 아주 흥미로운 질문을 던집니다. 만약 컴퓨터가 직접 여행자가 된다면 어떨까요? 각기 다른 취향과 불호(좋아함과 싫어함)를 가진 AI 에이전트 그룹이 단 한 마디의 인간 입력 없이도 실제로 앉아서 토론하고, 타협하며, 완벽한 휴가 계획에 합의할 수 있을까요?

다이스케 키쿠타(Daisuke Kikuta)의 논문 "AI Tour Meeting"은 정확히 이 시나리오를 시뮬레이션하기 위해 설계된 새로운 프레임워크를 소개합니다. 이곳은 여러 AI 에이전트가 각각 고유한 "페르소나"(예: 역사 애호가, 예산에 민가한 학생, 또는 미식가)를 입고 그룹 여행을 계획하기 위해 모이는 디지털 놀이터입니다. 이 시스템은 단순히 그들이 채팅하게 두는 것이 아니라, 규칙, 투표, 그리고 구체적인 목표가 있는 구조화된 회의로 그들을 몰아넣습니다. 연구진은 AI 에이전트들에게 적절한 지침과 충분히 강력한 "두뇌"(강력한 LLM)가 주어지면, 이들이 복잡한 의견 차이를 성공적으로 헤쳐 나가고, 새로운 아이디어를 제안하며, 마치 주말 나들이를 계획하는 친구들처럼 합의에 도달할 수 있다는 것을 발견했습니다.

디지털 여행 클럽

당신이 친구들을 위한 여행을 조직하고 있다고 상상해 보세요. 하지만 실제 사람 대신 AI 캐릭터들이 있습니다. 한 명은 "앨리스"로, 역사를 사랑하지만 돈 쓰는 것은 싫어합니다. 또 다른 "밥"은 하루 만에 모든 것을 보고 싶어 하며 비용은 신경 쓰지 않습니다. 이 논문의 프레임워크인 AI Tour Meeting은 이 회의를 운영하는 소프트웨어입니다. 이 시스템은 무대를 설정합니다: "자, 모두 주목하세요. 우리에게는 24시간과 100달러의 예산이 있습니다. 도쿄에서의 하루를 계획해 봅시다."

마법은 이 AI 에이전트들이 상호작용하는 방식에서 일어납니다. 그들은 단순히 장소 목록을 내뱉는 것이 아니라, 대화를 나눕니다. 그들은 차례를 지켜 말하고, 질문을 던지고, 제안을 합니다. 만약 앨리스가 박물관 방문을 제안하면, 밥은 "그것도 멋지지만, 내가 가고 싶은 음식 시장에서 너무 멀어"라고 말할 수 있습니다. 그런 다음 시스템은 투표 단계로 넘어갑니다. 모두가 새로운 계획을 수용할지, 아니면 기존 계획을 유지할지 투표합니다. 만약 계획이 충분한 표를 얻으면, 그것은 새로운 "현재 일정"이 됩니다. 이 채팅과 투표의 순환은 모두가 만족할 때까지(또는 적어도 모두가 논쟁을 멈추기로 합의할 때까지) 계속됩니다.

게임의 규칙

AI가 그저 끝없이 횡설수설하지 않도록, 프레임워크는 엄격한 규칙집을 제공합니다.

페르소나(Personas): 각 에이전트에게는 상세한 배경 이야기가 주어집니다. 그들은 이름, 성격(예: "신중한" 또는 "사교적인"), 그리고 구체적인 목표(예: "나는 반드시 사원을 방문해야 한다")를 가집니다.
차례(Turns): 회의는 일정을 따릅니다. 이는 라운드 로빈(모두가 순서대로 말함) 방식이거나, 한 사람이 다음 발언자를 **지정(invite)**하는 방식일 수 있습니다.
행동(Actions): 자신의 차례 동안 에이전트는 몇 가지 일을 할 수 있습니다:
- 검색(Search): 사실 관계를 찾아봅니다 (예: "기차표 가격은 얼마인가?").
- 질문(Ask): 다른 에이전트에게 질문을 던집니다.
- 제안(Propose): 새로운 여행 경로를 제안합니다.
- 투표(Vote): 투표 단계에서 그들은 제안을 **수락(Accept)**하거나 **거부(Reject)**할 수 있습니다.
- 만족(Satisfied): 현재 계획이 마음에 들면, "나는 이대로 좋다"라고 말하여 회의 종료를 도울 수 있습니다 এটি.

시스템은 계획이 규칙을 위반하는지 확인할 만큼 똑똑합니다. 만약 에이전트가 예산이 100달러인데 500달러짜리 여행을 제안하면, 시스템은 그 오류를 잡아냅니다. 또한 시스템은 그룹이 합의에 도달하기 전까지 얼마나 많이 논쟁했는지도 추적합니다.

컴퓨터가 실제로 수행한 작업

연구진은 이 시스템이 실제로 작동하는지 확인하기 위해 실험을 진행했습니다. 그들은 다양한 유형의 AI 모델(작은 모델부터 큰 모델까지)을 사용하여 회의를 설정하고 어떤 일이 일어나는지 관찰했습니다.

결과:

대체로 작동함: 강력한 AI 모델(Qwen3.5-4B 이상)을 사용했을 때, 회의는 거의 항상 성공적으로 끝났습니다. 에이전트들은 많은 테스트에서 100% 확률로 계획에 합의했습니다.
"두뇌"가 중요함: 더 작고 약한 AI 모델(2B 버전 등)은 어려움을 겪었습니다. 그들은 때때로 혼란을 겪거나, 같은 문장을 반복하거나, 사실을 지어내기도 했습니다. 논문은 글리치(오류) 없이 이를 실행하려면 최소한 Qwen3.5-4B 정도의 상당히 똑똑한 AI가 필요하다고 제안합니다.
갈등에는 시간이 걸림: 연구진은 에이전트들이 상충하는 목표를 가진 시나리오를 만들었습니다. 모두가 원하는 바가 일치할 때는 회의가 빨랐습니다(약 10회 차례). 하지만 큰 의견 차이가 있을 때는 회의가 길어졌으며(평균 26회 차례까지), 에이전트들은 적절한 경로를 찾기 위해 많은 다른 경로를 제안해야 했습니다.
"희생자" 효과: 에이전트들의 취향이 매우 달랐던 가장 어려운 시나리오에서는 일부 에이전트가 불만족스러운 상태로 남았습니다. 약 11%의 경우, 에이전트는 최종 계획에 대해 낮은 점수(10점 만점에 4점 이하)를 주며 매우 불만족스러워했습니다. 이는 현실을 반영합니다. 때로는 그룹의 합의를 이끌어내기 위해 누군가는 타협하고 자신이 정말 원했던 것을 포기해야 합니다.

이것이 왜 중요한가

이것은 단순한 디지털 관광객 게임이 아닙니다. 이 논문은 이 프레임워크가 강력한 연구 도구가 될 수 있음을 시사합니다. 이러한 회의를 시뮬레이션함으로써, 과학자들은 수백 명의 실제 사람을 고용할 필요 없이 집단이 어떻게 의사결정을 내리는지 연구할 수 있습니다. 그들은 투표 방식이나 발언 순서와 같은 서로 다른 규칙이 결과에 어떤 영향을 미치는지 테스트할 수 있습니다.

예를 들어, 상충하는 의견이 있는 그룹에서는 먼저 말하는 사람이 자신의 계획을 수용시키기가 더 어렵다는 것을 발견했습니다. 나중에 말하는 사람들은 다른 사람들의 불만을 듣고 자신의 제안을 수정하여 모두를 더 행복하게 만들 수 있는 이점을 가집니다. 이는 AI가 밝혀낸 집단 역학에 관한 발견입니다.

또한 이 논문은 이 기술을 실제 그룹의 여행 계획에 사용할 수 있는 미래를 암시합니다. 당신이 서로 다른 시간대에 살거나 전화를 할 수 없는 친구들을 위한 여행을 계획하고 있다고 상상해 보세요. 당신은 친구들의 성격과 선호도를 나타내는 AI 에이전트들을 만들 수 있습니다. 이 에이전트들은 당신의 에이전트와 대화하여 모두가 좋아할 만한 계획을 찾아낼 수 있으며, 마침내 친구들과 대화할 때 당신은 이미 완벽한 일정을 준비해 놓을 수 있습니다.

요약하자면, AI Tour Meeting은 컴퓨터에게 적절한 성격과 규칙을 부여한다면, 그들이 우리처럼 복잡하고 혼란스러운 집단 의사결정의 세계를 헤쳐 나가는 훌륭한 팀원이 될 수 있음을 보여줍니다. 이는 AI가 단순히 우리의 일을 대신 해주는 것을 넘어, 우리가 어떻게 함께 협력하는지를 이해하도록 돕는 미래를 향한 한 걸음입니다.

기술 요약: AI 투어 미팅 (AI Tour Meeting)

문제 정의

그룹 여행 계획은 비용, 이동 시간, 개인적 선호도와 같이 참가자들 사이의 상충할 수 있는 여러 목표를 균형 있게 조절해야 하는 복잡한 최적화 과업입니다. 기존 연구는 인간 그룹이 합의에 도달하는 것을 지원하는 데 중점을 두었으나(Nguyen and Ricci, 2018; Chen et al., 2021), 대규모 언어 모델(LLM) 에이전트를 사용하여 이러한 상호작관을 시뮬레이션할 수 있는 프레임워크에 대한 필요성이 커지고 있습니다. 이러한 시뮬레이션은 대규모 인간 행동 연구에 드는 높은 비용 없이 그룹 여행 추천 시스템을 자동으로 평가하고 에이전트의 행동을 분석하는 데 가치가 있습니다. 또한, 실질적인 응용 분야로서 사용자가 부재 중인 그룹 구성원을 나타내는 LLM 에이전트와 상호작용하여 협력적으로 일정을 결정할 수도 있습니다. 기존의 범용 멀티 에이전트 프레임워크는 구조화된 여행 계획에 필요한 도메인 특화 추상화 기능이 부족하며, 기존의 페르소나 기반 시뮬레이션은 그룹 투어 계획 논의의 역동성을 구체적으로 다루지 않았습니다.

방법론: AI 투어 미팅 프레임워크

저자들은 여러 LLM 기반 에이전트 간의 그룹 여행 계획 논의를 조율하기 위해 설계된 AI 투어 미팅 프레임워크를 제안합니다. 이 시스템은 별도의 단계, 에이전트 페르소나, 특정 액션 유형을 포함하는 구조화된 워크플로우를 통해 작동합니다.

핵심 구성 요소

일정 표현 (Itinerary Representation): 일정 $R$ 은 목적지들의 순서된 시퀀스 $(d_1, d_2, \dots, d_N)$ 으로 정의됩니다. 각 목적지는 이름, 설명, 금전적 비용, 도착 시간, 체류 시간, 교통 수단, 그리고 관련 비용/소요 시간과 같은 메타데이터를 포함합니다.
에이전트 페르소나 (Agent Personas): 각 LLM 참가자는 이름, 배경, 성격, 선호도, 개인적 목표, 역할(퍼실리테이터 또는 참석자), 말투, 그리고 설명 스타일(주관적, 대조적 또는 둘 다)과 같은 속성을 가진 고유한 페르소나와 함께 인스턴스화됩니다. 프레임워크는 상용 및 로컬 LLM(Ollama 또는 vLLM을 통해)을 모두 지원하며, 개별 컨텍스트 관리 전략(예: 자동 압축, 히스토리 절단)을 허용합니다.
액션 공간 (Action Space): 에이전트는 턴제 시스템 내에서 액션을 수행합니다. 액션은 다음과 같이 분류됩니다:
- 중간 액션 (Intermediate Actions): search (웹 쿼리), ask (다른 참가자에게 질문), reflect (논의 검토). 이 액션들은 한 턴 내에서 반복될 수 있습니다.
- 종료 액션 (Terminal Actions): 이는 턴을 종료합니다. **대화 단계(Conversation Phase)**에서의 액션에는 propose (새로운 일정 제출), satisfied (동의 표시), pass가 포함됩니다. **투표 단계(Voting Phase)**에서의 액션에는 accept (수락), reject (거부), score (점수 부여)가 포함됩니다.
워크플로우 메커니즘:
- 2단계 사이클: 회의는 대화 단계(논의 및 제안 생성)와 투표 단계(제안 평가)를 교대로 진행합니다.
- 턴 규칙 (Turn Rules): 프레임워크는 라운드 로빈(Round Robin), 초대(현재 발언자가 다음 사람 선택), 퍼실리테이팅(퍼실리테이터가 다음 사람 지정), 랜덤(Random), 병렬(Parallel, 투표용)의 다섯 가지 턴 규칙을 지원합니다. 선택적인 "균형(Balancing)" 및 "자원(Volunteer)" 모드는 공정성을 보장하거나 턴을 건너뛰는 것을 허용합니다.
- 투표 규칙 (Voting Rules): 다섯 가지 규칙이 구현되어 있습니다: 다수결(Majority), 만장일치(Unanimous), 단일 결정자(Single Decider), 최대 즐거움(Most Pleasure, 점수의 합 극대화), 최소 불행(Least Misery, 최소 점수 극대화).
- 종료 (Termination): 모든 참가자가 현재 일정에 대해 연속적으로 만족(satisfied)을 표시하거나, 최대 턴/시간 제한에 도달하면 회의가 종료됩니다.

구현 세부 사항

프레임워크는 회의를 구성하고, 실시간 대화를 모니터링하며, 분석을 시각화하기 위한 Python API와 그래픽 사용자 인터페이스(GUI)를 제공합니다. 시스템 성능(토큰 사용량, 제약 조건 위반) 및 논의 역동성(턴 분포, 투표 패턴)을 위한 내장 메트릭이 포함되어 있습니다. 컨텍스트 관리는 페르소나 및 단계별 지침을 정의하는 시스템 프롬프트를 통해 처리되며, 잘못된 JSON 또는 제약 조건 위반에 대한 재시도 루프가 포함됩니다.

주요 기여

도메인 특화 추상화: 일반적인 멀티 에이전트 프레임워크와 달리, AI 투어 미팅은 구조화된 일정 표현, 명시적인 제안-투표 워크플로우, 제약 조건 검증 메커니즘을 포함한 전문화된 추상화를 제공합니다.
시뮬레이션 도구: 이 프레임워크는 협력적 의사결정, 특히 투어 계획을 위한 여러 LLM 에이전트의 행동을 분석하기 위한 견고한 환경 역할을 합니다.
검증 및 분석: 논문은 다양한 모델 크기에 걸친 프레임워크의 견고성을 검증하고, 선호도 갈등 및 발언 순서 효과에 관한 분석적 예시를 통해 그 유용성을 입증합니다.

실험 결과

시스템 검증

프레임워크는 5개의 LLM(Qwen3.5-2B/4B/9B, gpt-oss-20b, gpt-5.4-mini)을 사용하여 각각 50회의 합성 회의를 테스트했습니다.

성능: Qwen3.5-4B와 비슷하거나 더 높은 성능을 보이는 모델들은 무시할 수 있는 수준의 제약 조건 오류 및 액션 실패와 함께 100% 완료율을 달성했습니다.
한계: Qwen3.5-2B 모델은 메시지 반복이나 존재하지 않는 경로 참조와 같은 잘못된 액션을 생성하며 어려움을 겪었고, 42%의 사례에서 합의에 도달하는 데 실패했습니다.
확장성: 5명 및 10명의 참가자를 대상으로 한 추가 검증 결과, 그룹 규모가 커짐에 따라 턴 수와 토큰 사용량이 증가하긴 했으나 프레임워크는 100%의 완료율을 유지했습니다.

분석 예시

선호도 갈등 (Preference Conflict): 연구는 일치된, 혼합된, 그리고 상충하는 선호도를 가진 회의를 시뮬레이션했습니다.
- 결과: 갈등이 증가함에 따라 턴 수와 제안 수가 크게 증가했습니다(일치된 경우 약 10턴에서 상충하는 경우 약 26턴으로). 합의율은 높은 수준(94~100%)을 유지했으나, 평균 만족도는 감소했고, "희생자 비율"(만족도가 낮은 참가자 비율)은 0.7%에서 11.3%로 상승했습니다.
- 행동 패턴: 분석을 통해 "타협 촉구"(참가자에게 양보를 권고함) 및 "중재"(제3자가 거부된 선호도를 포함하는 수정된 경로를 제안함)와 같은 합의 구축 패턴을 식ر별했습니다.
발언 순서 (Speaking Order): 라틴 방격(Latin-square) 좌석 순환을 사용하여 발언 위치가 제안 수락에 미치는 영향을 분석했습니다.
- 결과: 갈등이 없는 시나리오에서는 발언 순서가 유의미한 영향을 미치지 않았습니다. 그러나 혼합되거나 상충하는 시나리오에서는 첫 번째 참가자의 제안이 두 번째 또는 세 번째 참가자의 제안보다 수락률이 현저히 낮았습니다. 후순위 참가자들은 이전 논의의 피드백을 활용하여 더 나은 타협안을 만들어낼 수 있었습니다.

의의 및 주장

본 논문은 AI 투어 미팅이 복잡한 그룹 의사결정 과정을 시뮬레이션하는 데 있어 LLM 에이전트의 유용성을 성공적으로 입증했다고 주장합니다. 이 프레임워크를 통해 연구자들은 다음과 같은 작업을 수행할 수 있습니다:

인간 피험자 없이 그룹 여행 계획에 대한 자동화된 대규모 행동 분석 수행.
통제된 시뮬레이션 환경에서 기존의 그룹 여행 추천 시스템 평가.
LLM 에이전트가 부재 중인 그룹 구성원의 대리인 역할을 하여, 사용자가 계획에 다양한 관점을 통합할 수 있도록 하는 새로운 응용 시나리오 탐색.

저자들은 이 작업이 협력적 도메인에서의 LLM 에이전트 역동성을 이해하기 위한 기초적인 단계라고 보고 있으며, 도메인 특화 설계 덕분에 사용자가 저수준의 상호작용 로직을 처음부터 구현하는 대신 유즈케이스 자체에 집중할 수 있다고 언급합니다. 논문은 향후의 함의보다는 프레임워크의 견고한 실행 능력 검증과 초기 분석적 예시를 통해 얻은 통찰력에 초점을 맞추며 겸허한 태도를 유지합니다.