PyTorchKR Papers

업데이트된 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.20133v5cs.AI

EvoAgent: 스킬 학습과 다중 에이전트 위임을 갖춘 진화 가능 에이전트 프레임워크

EvoAgent: An Evolvable Agent Framework with Skill Learning and Multi-Agent Delegation

대규모 언어 모델(LLM) 에이전트는 재사용 가능한 스킬에 점점 더 의존하지만, 스킬은 대개 수작업으로 작성되며 에이전트가 스스로 스킬을 변경하도록 하려면 명시적인 사용자 통제가 필요하다. 우리는 무역 지원 어시스턴트를 위해 구축된 진화 가능 에이전트 프레임워크인 EvoAgent를 보고하고, 그 기반이 된 엔지니어링상의 선택을 공유한다. 에이전트를 추론, 컨텍스트 엔지니어링, 도구, 상태의 네 가지 구성요소로 이루어진 하네스로 조직하고, 자기 개선을 사용자의 영속적 상태인 프로필, 메모리, 스킬로 한정한다. 스킬은 지연 로딩되는 참조를 갖는 다중 파일 패키지이며, 키워드, 임베딩, LLM의 3단계로 매칭된다. 메인 에이전트는 자체 컨텍스트를 가진 하위 에이전트에 위임할 수 있으며, 긴 이력은 복구 가능한 리소스의 색인을 유지한 채 압축된다. 오프라인 루프는 완료된 세션을 검토하여 프로필과 메모리를 갱신하고 스킬을 제안하며, 오픈소스 릴리스에서는 사용자가 제안을 확인한 후에만 스킬이 변경된다. LLM 심사자가 다섯 가지 차원으로 채점한 172개 무역 테스트 사례에서, EvoAgent를 사용한 GPT-5.2는 최종 질의만으로 GPT-5.2를 직접 호출한 경우보다 약 28% 높은 점수를 받았다. 이는 평가 대상 모델이 직접 심사한 단일 실행이므로 개별 메커니즘이 아니라 하네스 전체를 측정하며, GPT-4.1 또는 Qwen3.5-35B-A3B로 교체하면 해당 모델을 직접 호출한 경우에 비해 점수가 낮아졌다. 여기에 설명된 여러 메커니즘은 평가한 버전 이후에 추가되었으며 평가되지 않았다. 평가 데이터는 비공개이므로 결과는 참고용일 뿐이다. 평가된 상용 버전이 아닌 코드의 오픈소스 릴리스는 https://github.com/Focus-AI-Center/Mentarc-EvoAgent 에서 이용할 수 있다.