Evolver: Turning Agent Exploration into Evolving Capabilities
Evolver는 파운데이션 모델의 파라미터를 업데이트하지 않고도 일시적인 에이전트 탐색을 지속적이고 재사용 가능한 역량으로 변환하여, 여러 벤치마크에서 작업 성공률과 실행 효율성을 향상시키는 경험 중심 프레임워크이다.
원본 논문은 CC BY 4.0 (https://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
인공지능의 세계에는 에이전트라고 불리는 새로운 부류의 프로그램들이 등장하고 있습니다. 질문에 답하기만 하는 단순한 챗봇과 달리, 이 에이전트들은 행동을 취하도록 설계되었습니다. 이들은 파일을 열고, 코드를 실행하며, 인터넷을 검색하고, 복잡한 디지털 환경과 상호작용하여 인간 엔지니어나 연구자가 그러하듯 다단계 문제를 해결할 수 있습니다. 성공하기 위해서, 이 에이전트들은 주변 환경을 탐색하고, 다양한 도구를 시도하며, 실수를 통해 배워야 합니다. 그러나 중대한 병목 현상이 발생했습니다. 에이전트가 어려운 문제를 해결할 때마다, 그 과정에서 얻은 귀중한 교훈들이 종종 사라진다는 점입니다. 작업이 끝나면, 어떻게 고군분투했는지, 무엇을 시도했는지, 그리고 무엇이 결국 작동했는지에 대한 상세한 기록은 폐기됩니다. 다음에 유사한 문제가 발생하면, 에이전트는 처음부터 다시 시작하여 동일한 탐색 과정을 반복하며 계산 자원을 낭비하게 됩니다. 연구자들이 직면한 핵심 질문은, 어떻게 하면 이 찰나의 경험을 포착하여 에이전트의 근본적인 두뇌를 재학습시키지 않고도 시간이 흐름에 따라 능력을 향상시킬 수 있는 지속적인 자원으로 바꿀 것인가 하는 점입니다.
한 연구팀은 이 문제를 해결하기 위해 '에볼버(Evolver)'라고 불리는 시스템을 도입했습니다. 에이전트를 구동하는 핵심 소프트웨어를 변경하는 것은 어렵고 비용이 많이 드는 과정이기에, 에볼버는 이를 대신하여 매 작업마다 더 똑똑해지는 외부 메모리 뱅크 역할을 수행합니다. 이 시스템은 단순한 원리로 작동합니다. 즉, 에이전트가 탐색하며 남긴 가공되지 않은 무질서한 이력을 조직화되고 재사용 가능한 지침으로 변환하는 것입니다. 에이전트가 작업을 마치면, 에볼버는 세션을 분석하여 가장 유용한 전략을 추출합니다. 그런 다음 이 전략들을 연구자들이 '진 자산(Gene assets)'이라고 부르는 구조화된 단위로 패키징합니다. 이는 생물학적 의미의 유전 코드는 아니지만, 정확히 언제 사용되어야 하는지와 어떤 단계들을 포함하는지를 담은 간결하고 명확한 절차에 대한 설명입니다. 또한 시스템은 실패한 시도들에 대한 기록도 보관하여, 에이전트가 과거의 실수를 반복하지 않도록 방지합니다.
에볼버의 진정한 힘은 축적된 지식을 활용하는 방식에 있습니다. 새로운 작업이 도착했을 때, 시스템은 에이전트가 맹목적으로 헤매게 두지 않습니다. 대신, 현재 상황에 부합하는 관련 전략을 찾기 위해 자신의 '진 자산' 라이브러리를 검색합니다. 그런 다음 이 지침들을 에이전트의 워크플로우에 주입하여, 에이전트가 실제로 행동을 시작하기도 전에 의사결정을 안내합니다. 이 과정은 에이전트의 근본적인 프로그래밍을 수정하지 않고 이루어집니다. 에이전트는 그대로이지만, 이제는 문제를 더 효율적으로 헤쳐 나갈 수 있도록 선별된 역사적 지혜를 갖추게 된 것입니다. 연구진은 두 종류의 고급 코딩 에이전트와 소프트웨어 복구 및 터미널 조작과 같은 영역의 성능을 측정하는 네 가지 뚜렷한 벤치마크를 사용하여 이 접근 방식을 테스트했습니다. 그들은 에이전트가 단독으로 작업할 때의 성능과 에볼버의 과거 경험 라이브러리의 도움을 받을 때의 성능을 비교했습니다.
결과는 이러한 탐색을 진화로 바꾸는 이 방법이 매우 효과적임을 시사합니다. 320쌍의 대조 테스트 세트에서, 에볼버를 사용한 에이전트들은 단독으로 작업할 때보다 더 자주 작업을 성공적으로 완료했으며, 성공률은 83.13%에서 87.50%로 상승했습니다. 이러한 개선은 서로 다른 유형의 작업과 서로 다른 기반 에이전트 모델 전반에서 일관되게 나타났습니다. 아마도 더욱 놀라운 점은 효율성의 향상일 것입니다. 에볼버의 안내를 받은 에이전트들은 목표에 도달하기 위해 현저히 적은 계산 자원을 사용했습니다. 평균적으로, 데이터 처리량(토큰으로 측정)은 24.24% 감소했습니다. 이러한 감소는 단순히 실패를 덜 했기 때문에 나타난 부수적인 결과가 아니었습니다. 안내를 받은 버전과 받지 않은 버전 모두 성공한 경우에도, 안내를 받은 버전은 여전히 17.57% 더 적은 자원을 사용했습니다. 이는 역사적 경험이 에이전트가 불필요한 우회로나 중복 계산을 피하고, 해결책을 향한 더 짧고 직접적인 경로를 찾도록 도왔음을 나타냅니다.
연구진은 구체적인 사례를 통해 이러한 이득을 입증했습니다. 데이터 토큰을 세는 작업에서, 에볼버의 도움을 받은 에이전트는 도움을 받지 않은 상대와 비교했을 때 86.5% 적은 자원을 사용하여 작업을 완료했으며, AI 모델을 호출하는 횟수도 훨씬 적었습니다. 복잡한 소프트웨어 버그가 포함된 또 다른 사례에서는, 가이드가 있는 에이전트가 데이터 사용량을 58.2% 줄이며 문제를 해결했습니다. 이러한 사례들은 이 시스템이 단순히 에이전트가 실패할 상황에서 성공하도록 돕는 데 그치지 않고, 더 우아하고 빠르게 성공할 수 있도록 돕는다는 것을 보여줍니다. 결론적으로, 과거의 탐색을 지속적이고 재사용 가능한 자산으로 취급함으로써, 에이전트가 자신의 역량을 지속적으로 향상시키도록 만드는 것이 가능하다는 점을 본 연구는 밝히고 있습니다. 이 접근 방식은 인공지능 시스템이 핵심 모델을 재학습시키는 막대한 비용 없이도 자신의 역사를 통해 학습하고 기술을 진화시킬 수 있는 실질적인 길을 제시하며, 모든 완료된 작업을 다음 단계를 위한 디딤돌로 전환해 줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.