Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
이 논문은 개별 지능의 한계를 극복하기 위해 명시적이고 동적인 그래프 구조를 구축하여 다수의 특화된 에이전트들을 복합적인 공동 목표를 달성할 수 있는 일관된 시스템으로 조직하고, 조정하며, 진화시키는 새로운 패러다임으로서 "그래프 엔지니어링(Graph Engineering)"을 소개한다.
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
지난 몇 년 동안 컴퓨터는 한때 불가능해 보였던 유창함으로 말하는 법을 배웠습니다. 이러한 거대 언어 모델은 이야기를 쓰고, 수학 문제를 풀고, 복잡한 문서를 요약할 수 있습니다. 하지만 질문에 답할 수 있는 컴퓨터와 실제로 일을 할 수 있는 컴퓨터 사이에는 차이가 있습니다. '답하기'에서 '수행하기'로 넘어가기 위해, 연구자들은 "에이전트(agent)"를 구축했습니다. 에이전트를 디지털 노동자로 생각해보십시오. 에이전트는 문제를 살펴보고, 어떤 도구를 사용할지 결정한 다음, 코드를 작성하거나 인터넷을 검색하는 것과 같이 현실 세계에서 행동을 취할 수 있는 존재입니다. 한동안의 초점은 단일하고 매우 유능한 노동자를 만드는 데 있었습니다. 하나의 에이전트를 충분히 똑똑하게 만들고 충분한 메모리와 도구를 제공한다면, 그것이 어떤 작업이라도 처리할 수 있을 것이라는 아이디어였습니다.
하지만 이 디지털 노동자들이 더 어렵고 현실적인 문제들을 다루기 시작하면서, 새로운 문제가 나타났습니다. 어떤 직무들은 매우 똑똑한 디지털 노동자 한 명이라도 감당하기에는 너무 크거나, 너무 무질서하거나, 너무 복잡합니다. 어떤 작업은 동시에 일하는 전문가 팀을 필요로 할 수도 있고, 다른 사람의 결과물을 검토하는 과정이 필요할 수도 있습니다. 지금 일어나고 있는 일을 이해하기 위해 몇 시간 전의 기록이 필요할 수도 있습니다. 숙련도와 상관없이 단일 노동자는 과부하가 걸리기 시작합니다. 그것은 모든 것을 하나의 긴 사고 과정 속에 담으려 시도하며, 이 과정에서 세부 사항을 놓치거나, 단계를 혼동하거나, 문제가 발생했을 때 회복하는 데 실패하게 됩니다. 문제는 다음과 같았습니다: 어떻게 하면 단일한 유능한 노동자에서, 서로 협력하는 하나의 조직으로 나아갈 것인가?
대규모 연구팀의 새로운 조사 보고서는 "그래프 엔지니어링(Graph Engineering)"이라 불리는 해답을 제시합니다. 연구자들은 인공지능의 다음 단계가 단순히 개별 에이전트를 더 똑똑하게 만드는 것이 아니라, 그들을 하나의 시스템으로 조직하는 것이라고 주장합니다. 그들은 디지털 노동자 팀을 관리하는 가장 좋은 방법은 연결의 지도라고 알려진 '그래프' 구조를 사용하여 그들의 업무를 설계하는 것이라고 제안합니다. 이 시스템에서 그래프는 단순한 그림이 아닙니다. 그것은 팀의 운영 체제입니다. 그래프는 누가 무엇을 하는지, 그들이 서로 어떻게 소통하는지, 그리고 프로젝트의 상태가 어떻게 저장되고 업데이트되는지를 명시적으로 그려냅니다.
연구자들은 단순히 하나의 작업 루프에 더 많은 에이전트를 추가하는 것만으로는 문제를 해결할 수 없다는 것을 발견했습니다. 만약 열 명의 에이전트가 하나의 긴 대화 속에서 모든 것을 하려고 한다면, 그들은 여전히 혼란을 겪을 것입니다. 대신, 업무는 명확한 구조로 나뉘어야 합니다. 연구자들은 이 새로운 접근 방식의 세 가지 주요 부분을 설명합니다. 첫째, 업무 자체의 조직화입니다. "이 소프트웨어를 고쳐라"와 같은 모호한 목표 대신, 시스템은 목표를 구체적이고 작은 작업들로 나누고 어떤 작업이 다른 작업에 의존하는지를 보여주는 지도를 그립니다. 이를 통해 서로 다른 작업들이 긴 줄을 서서 기다리는 대신 동시에 진행될 수 있습니다.
둘째, 시스템은 팀을 조직해야 합니다. 그래프 기반 시스템에서는 각 에이전트가 잘하는 것에 따라 특정 역할을 부여받습니다. 어떤 에이전트는 정보 탐색의 전문가일 수 있고, 다른 에이전트는 코드 작성에 능숙할 수 있으며, 세 번째는 검토자가 될 수 있습니다. 그래프는 관리자 역할을 하며, 누가 누구에게 언제 말을 걸어야 하는지를 결정합니다. 그래프는 적절한 사람이 적절한 일을 받도록 하고, 작업이 그들 사이에서 원활하게 흐르도록 보장합니다. 이는 단일 에이전트가 한꺼번에 모든 역할을 수행하려고 할 때 발생하는 혼란을 방지합니다.
셋째, 아마도 가장 중요한 점은, 시스템이 작업의 상태(state)를 관리해야 한다는 것입니다. 단일 에이전트 시스템에서는 초기에 실수가 발생하면 에이전트가 정확히 어디서 잘못되었는지 잊어버리기 때문에 나머지 프로세스 전체를 망칠 수 있습니다. 그래프 기반 시스템에서는 모든 단계가 구조화된 방식으로 기록됩니다. 만약 무언가 실패한다면, 시스템은 지도를 보고 정확히 어디에서 오류가 발생했는지 찾아내어, 전체 프로젝트를 처음부터 다시 시작하지 않고도 그 부분만을 수정할 수 있습니다. 이는 무엇이 일어났는지, 누가 했는지, 그리고 그 결과가 무엇인지에 대한 명확한 이력을 유지하여, 팀이 빠르고 정확하게 실수로부터 회복할 수 있게 합니다.
이 논문은 이러한 접근 방식이 이미 어떻게 사용되고 있는지 보여주기 위해 많은 기존 프로젝트들을 검토합니다. 예를 들어 소프트웨어 공학에서, 에이전트 팀이 코드를 작성하고, 테스트하고, 버그를 동시에 수정하는 데 사용되며, 중앙 시스템이 의존 관계를 추적합니다. 과학 연구에서는, 에이전트들이 가설을 생성하고, 실험을 수행하며, 데이터를 분석하도록 조직되며, 시스템은 결과가 검증되고 과정이 재현 가능하도록 보장합니다. 의료 분야에서, 이 접근 방식은 다양한 전문가들을 조율하여 장기간 환자 케어를 관리하도록 돕고, 결정 사항과 결과에 대한 일관된 기록을 유지합니다.
연구자들은 이것이 여전히 발전 중인 분야라는 점을 주의 깊게 언급합니다. 이러한 구조화된 지도를 사용하여 팀을 조직하는 아이디어는 강력하지만, 아직 완벽한 해결책은 아닙니다. 그들이 검토한 시스템들은 유망함을 보여주지만, 여상 초기 구조를 설정하는 데 인간의 도움을 필요로 합니다. 미래의 과제는 단순히 지도를 따르는 것뿐만 아니라, 경험으로부터 학습하여 스스로 지도를 다시 그려나가는, 즉 시간이 지남에 따라 조직하고 협력하는 방식을 스스로 개선할 수 있는 시스템을 구축하는 것입니다. 논문은 지능형 시스템의 미래가 단일한 신과 같은 컴퓨터를 만드는 것이 아니라, 업무의 구조가 노동자들의 지능만큼이나 중요한 잘 조직된 팀을 구축하는 데 있다고 제안합니다. 작업, 에이전트, 그리고 메모리를 역동적이고 진화하는 구조로 다룸으로써, 우리는 더 신뢰할 수 있고, 더 유능하며, 현실 세계의 복잡한 문제들을 더 잘 다룰 수 있는 시스템을 구축할 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.