2030년까지 100명의 근로자 중 59명이 재교육 또는 역량 강화가 필요하지만, 기업의 스킬 격차를 해소하는 데 걸리는 평균 시간은 2014년 대략 3일에서 2018년 36일로 증가했다. 대부분의 현행 프레임워크는 역량 강화 프로그램의 개별 단계만 가속화하며, 일반적으로 업계 검증이 부족하다. 우리는 지식 습득, 콘텐츠 개발, 콘텐츠 검토 및 검증, 교육, 평가 개발의 다섯 단계 전반에 AI 가속을 적용하고, 생산성과 학습 효율성 모두에 중점을 둔 엔드투엔드 프레임워크를 제시한다. 프레임워크를 검증하는 세 가지 강력한 외부 신호가 있다: 미국 주회계사자격협회(National Association of State Boards of Accountancy)는 이 프레임워크를 기반으로 구축된 역량 강화 프로그램을 검토하고 승인하여 지속적 전문교육(CPE) 학점으로 인정했다; 3명의 학습자가 이 프로그램을 수행하고 매우 짧은 시간 내에 NVIDIA Certified Professional in Agentic AI 시험에 합격했으며, 14명이 추가로 진행 중이다; 프로그램의 지식 베이스는 다중 에이전트(multi-agent) AI 시스템 위험 관리를 위한 1,267개 위험 항목으로 구성된 견고한 데이터셋 생성과 같은 복잡한 하위 분석을 지원한다.
에이전트형 인공지능(Agentic Artificial Intelligence)의 급속한 확산은 전통적인 고객 충성도 패러다임을 근본적으로 뒤흔든다. AI가 수동적 추천 알고리즘에서 구매 결정을 실행할 수 있는 자율적이고 목표 지향적 에이전트로 진화함에 따라, 소비자-브랜드 관계에 대한 기존 이해는 구조적 재평가가 필요하다. 인간-기계 팀워크, 소비자 의사결정, 알고리즘적 신뢰 역학에 걸친 기존 문헌을 종합함으로써, 전통적인 충성도 모델이 알고리즘적 제한된 합리성(algorithmic bounded rationality)과 구축된 자율성(constructed autonomy)을 반영하지 못함을 보여준다. 이를 해결하기 위해, 우리는 동적 검증 가능 다중 에이전트 인간-에이전트 충성 루프(DVM-HALL) 모델을 제안한다. 우리는 인간의 감정적 자산, 에이전트형 기계 경험 효용, 보정된 신뢰, 위임된 권한, 검증 가능한 실행이 공동으로 선택을 결정하는 소프트맥스 확률 공식을 통해 브랜드 선택을 형식화한다. 이 모델은 각 상호작용 후 신뢰와 위임을 동적으로 보정하기 위한 재귀적 갱신 메커니즘을 포함한다. 중요한 것은, 이 프레임워크가 분산 금융(DeFi) 및 토큰화된 충성도 설정을 위한 검증 가능한 실행 층을 통합하며, 가스 비용, 슬리피지(slippage), MEV 노출, 스마트 계약 취약점과 같은 실행 위험을 에이전트형 브랜드 선호의 핵심 예측변수로 포함한다는 점이다. 더 나아가, 우리는 인간 피드백, 실행 로그, 벤치마크 비교, 검증 가능한 영수증을 사용하여 인간-에이전트 정렬(alignment)을 측정하도록 설계된 감사 가능하고 위험 가중 지표인 순 인간-에이전트 점수(NHAS)를 제안한다. 마지막으로, 통제된 쇼핑 실험, 다중 에이전트 시장 시뮬레이션, DeFi 테스트베드에 걸친 포괄적인 3단계 실증 검증 계획을 제안한다. 이 프레임워크는 브랜드가 다가오는 기계 고객(machine customers) 시대로의 전환을 헤쳐나가는 데 필요한 기초 이론을 제공한다.
프로덕션 마이크로서비스 장애의 근본 원인을 식별하려면 메트릭, 로그, 트레이스에 걸친 대규모 멀티모달 텔레메트리에 대한 추론이 필요하며, 이 문제는 고전적 방법과 대규모 언어 모델(LLM) 기반 접근 모두에 저항적인 것으로 입증되어 왔다. OpenRCA 데이터셋은 이러한 과제를 보여준다: 대규모이고 멀티모달이며 상세한 도메인 지식이 부족하고, 기존 모든 방법에서 일관되게 낮은 정확도를 보인다. 우리는 고전적 인과 발견 방법과 기존 LLM 기반 멀티에이전트 시스템이 이 벤치마크에서 근본 원인을 신뢰성 있게 식별하지 못함을 보이고, 기존 LLM 기반 및 고전적 베이스라인을 상당히 능가하는 구조화된 멀티에이전트 RCA 파이프라인을 제시하며, 도메인 지식 기반 및 지식 무의존(knowledge-free) 운영 모드를 모두 지원한다. 실패가 어디에서 기인하는지 진단하기 위해, 우리는 역추론 에이전트를 도입한다. 이 에이전트는 정답이 주어지면 추출된 이상 징후 중 어떤 신호가 이를 뒷받침하는지 식별하고 Stage 1이 해당 신호에 접근할 수 있었는지 판단하여, 각 실패를 Reasoning Gap(증거는 있으나 미사용) 또는 Data Ambiguity(증거가 실질적으로 부재)로 분류한다. 이 분석은 필요한 증거가 실패의 대다수에 존재함을 보여준다: 병목은 데이터 접근이 아니라 에이전트가 이를 올바르게 추론하는 능력이다. 또한 역추론 보고서에서 판별 규칙을 체계적으로 추출하는 자동화된 규칙 마이닝 파이프라인을 도입하여, 수동 지식 큐레이션에 대한 의존을 줄인다. 모든 구성에서 모델의 추론 능력과 도메인 지식이 주요 제약이다: 더 강한 모델은 더 많은 도메인 전문성을 내재하고, 명시적 지식 주입은 이 격차를 부분적으로 보완한다. 증거 추출이 완벽해도 추론 성능은 실질적으로 한계가 있다: 스캐폴드 엔지니어링과 더 나은 데이터 파이프라인만으로는 이 격차를 메울 수 없으며, 진전은 모델 수준에서의 개선을 요구한다.
대부분의 AI-for-science 시스템은 더 나은 모델, 더 큰 컨텍스트 윈도우, 장기 지평 에이전트(agentic) 실행, 또는 단일 주요 사용자와 협력하는 디지털 공동 과학자(digital co-scientist)를 통해 단일 추론 과정의 스케일링(scaling)에 집중한다. 그러나 도전적인 과학 문제는 단일 추론자(reasoner)만으로 해결되는 경우가 드물다. 이러한 문제는 서로 다른 사전(prior), 실험적 배경, 암묵적 지식(tacit knowledge), 도메인 훈련 직관을 가져오는 팀원들에 의해 해결된다. 따라서 열린 문제는 모델을 어떻게 스케일링할 것인가뿐만 아니라, 네트워크드 인텔리전스(networked intelligence)를 어떻게 육성할 것인가이다: 한 컨텍스트에서 생성된 결과나 가설이 이를 행동으로 옮길 수 있는 다른 사람, 에이전트, 기기 또는 로봇에 도달하도록 인간과 AI 시스템 간 연결을 스케일링하는 것이다. 우리는 연구자와 AI 에이전트를 다중 사용자 공동 과학자(multi-user co-scientist)로 자동 연결하는 능동적 공유 작업 공간(active shared workspace)인 Mycelium을 소개한다. 인간 사용자와 에이전트가 작업하는 동안 시스템은 중요한 관찰과 가설을 포착하고, 이들이 팀의 진화하는 모델과 어떻게 관련되는지 추적하며, 다음 결정에 정보를 제공할 수 있는 사람이나 에이전트에게 이를 라우팅한다. 우리는 Mycelium을 첫 실증 테스트인 생물학적 다중 오믹스(multi-omics) 캠페인에서 평가한다. 이 캠페인에서 라우팅된 공유 컨텍스트는 지역적 분석적 발견을 교차 전문가 기전적(mechanistic) 제약으로, 궁극적으로는 실험 설계로 전환했다. 또한 우리는 네트워크드 인텔리전스에 분산된 과학적 컨텍스트에 대한 희소 조건부 연산(sparse conditional computation)으로서의 계산적 설명을 제시한다. 이 설명은 스케일링된 독립형 에이전트가 네트워크와 동등할 수 있는 경우와, 독립적 전문성과 병합 불가능한(non-mergeable) 컨텍스트가 네트워크를 환원 불가능(irreducible)하게 만드는 경우를 구분한다.
고전적인 게임 이론 모형은 일반적으로 합리적 에이전트, 완전 정보, 그리고 보수에 대한 공통 지식을 가정한다—이는 불확실성, 불일치한 인식, 중첩된 믿음으로 특징지어지는 실제 세계 다중 에이전트 시스템(MAS)에서 종종 위반되는 가정이다. 이러한 한계를 극복하기 위해, 연구자들은 인지적 제약, 주관적 믿음, 이질적 추론의 모형을 통합하는 확장을 제안해 왔다. 이 가운데 하이퍼게임 이론은 전략적 상황에 대한 에이전트의 주관적 인식, 즉 지각 게임(perceptual games)으로 알려진 것을 명시적으로 모델링함으로써 고전적 패러다임을 확장한다. 이 게임에서 에이전트는 구조, 보수, 또는 이용 가능한 행동에 대해 상이한 믿음을 가질 수 있다. 우리는 하이퍼게임 이론의 에이전트 호환 적용에 대한 체계적 리뷰를 제시하며, 그 서술적 역량이 동적이고 상호작용적인 MAS 맥락에 어떻게 적용되어 왔는지 검토한다. 사이버보안, 로보틱스, 사회 시뮬레이션, 통신, 그리고 일반적인 게임 이론 모델링 분야의 선별된 49편의 연구를 분석한다. 하이퍼게임 이론과 그 두 가지 주요 확장—계층적 하이퍼게임(hierarchical hypergames)과 HNF—에 대한 공식적 소개를 바탕으로, 우리는 통합 패턴과 실용적 적용 가능성을 평가하기 위한 에이전트 호환성 기준과 에이전트 기반 분류 프레임워크를 개발한다. 우리의 분석은 기만적 추론에서 계층적 및 그래프 기반 모형의 널리 퍼진 사용과, 실용적 적용에서 광범위한 이론적 프레임워크의 단순화를 포함한 주류 경향을 드러낸다. 우리는 HNF 기반 모형의 제한된 채택, 공식적 하이퍼게임 언어의 부재, 그리고 인간-에이전트 및 에이전트-에이전트 불일치 모델링의 미개척 기회를 포함한 구조적 공백을 확인한다. 추세, 과제, 그리고 열린 연구 방향을 종합함으로써, 본 리뷰는 동적 다중 에이전트 환경에서 전략적 모델링의 현실성과 효과를 향상시키기 위해 하이퍼게임 이론을 적용하는 새로운 로드맵을 제공한다.
1년 전 AISLE 로드맵은 자율 실험실이 고립된 섬처럼 운영되고 있다고 주장하며, 다섯 가지 핵심 차원을 중심으로 조직된 기층 네트워크를 제안했다. 그 이후 이 분야는 예상보다 빠르게 진전했다. 멀티 에이전트 시스템이 실험적으로 검증된 가설을 생산했고, 자율주행 실험실(self-driving laboratories)은 더 상호운용 가능하고 오케스트레이션된 형태로 성장했으며, 추론 학습 모델과 도메인 기초 모델이 역량 상한을 높였고, Genesis Mission이 자율 실험을 미국 연방 과학 전략의 중심에 두었으며, 산업계가 주요 주체로 부상했다. 진전은 냉정한 역류와도 맞닥뜨렸다. 여기에는 수정된 대표적 발견 결과, 폐쇄형 질문에서는 전문가에 필적하는 에이전트가 개방형 연구에서는 극히 일부만 완수한다는 벤치마크 결과, 그리고 주요 학술지에서 조작된 인용이 드러나는 사례가 포함된다. 우리는 이를 이 분야의 규정적 긴장으로 해석한다. 후보적 발견을 만드는 것은 더 이상 어려운 부분이 아니지만, 그것을 검증하는 것이 어려우며, 이 비대칭이 이제 원시 모델 역량보다 자율 과학을 더 제한한다. 우리는 로드맵을 일곱 차원으로 업데이트하며, 원래 다섯 가지를 재검토하고 이전에는 횡단적 관심사였던 신뢰·검증·재현성, 그리고 안전성·보안·거버넌스를 일급 지위로 격상시킨다. 원래 이정표(M1~M14)를 달성·부분 달성·재구성·미달성으로 평가하고, 네 가지 새 이정표(M15~M18)를 추가하며, 향후 2년 경로의 범위를 설정한다. 첫해는 인터페이스, 프로토콜 채택, 검증 스캐폴딩에 집중하고, 둘째 해는 연합, 제로 트러스트(zero-trust) 조율, 거버넌스를 목표로 한다. 전 과정에서 기층 네트워크를 국가 프로그램·국제 이니셔티브·상업 플랫폼이 재고립화되지 않고 연결되게 하는 상호운용성 기반으로 자리매김한다.
다중 에이전트 언어 모델 시스템은 점점 더 지역적 상호작용을 라우팅하고 있으나, 런타임 상호작용 그래프는 종종 구현 세부 사항으로 취급된다. 우리는 네이밍 게임(naming-game) 프로토콜을 사용하여 1.1B~32B 파라미터에 걸친 오픈 가중치 LM 집단에서 관습 형성을 연구한다. 토크나이저-안전(tokenizer-safe) 라벨에 대한 제한된 첫 토큰 점수를 통해 프롬프트 조건화된 점수-상태 분포를 측정하고, 상태-유사도 그래프를 구성하며, 샘플링된 라벨 일치와 잠재 상태 공간 합의를 분리할 수 있다. 통제된 개입 전반에서, 주요 오픈 가중치 복구 그리드에서는 보존된 파트너-라벨 증거가 필요하지만 충분하지 않다: 동류 선호(homophilous) 임계값-유사도 라우팅은 교차-베이sin(cross-basin) 노출을 제거하고 분열을 증폭하는 반면, 브릿지 탐색(bridge-seeking) 라우팅은 메모리가 가용할 때 종종 분열을 복구한다. 3-시드 혼합 4-모델 그리드에서 임계값-유사도는 189개 setting-seed 실행에서 최종 행동적 또는 상태 합의를 전혀 달성하지 않는 반면, 상태-성분 및 라벨-불일치 브릿지는 메모리 보존 18회 실행 중 14회에서 최종 행동적 합의를 회복한다. 동질 모델 집단 전반에서 보존된 이력은 일반적으로 분열된 역학을 합의 쪽으로 이동시킨다; 가장 명확한 사례는 Qwen2.5-32B로, 18개의 보존-이력 well-mixed 설정 모두에서 안정적인 행동적 및 최종 상태 합의에 도달하는 반면, 임계값-유사도는 189개 설정에서 어느 형태의 합의에도 도달하지 않는다. 상태 임계값, 집단 크기, 어휘 크기에 대한 강건성은 질적 순서를 유지하며, 초기 윈도우 그래프-에너지 특징은 그리드 내 진단에 유용하다.
성격 프롬프팅(personality prompting)은 대규모 언어 모델(LLM)의 의사소통 방식을 형성하지만, 이러한 행동 변화가 객관적 과제 결과에 영향을 미치는지는 아직 충분히 탐구되지 않았다. 선행 연구에 따르면 낮은 친화성(agreeableness)으로 프롬프트된 에이전트는 적대적 언어를 생성하고, 높은 친화성으로 프롬프트된 에이전트는 협력적으로 변하지만, 의사소통 스타일과 과제 성능 간의 관계는 여러 도메인에 걸쳐 체계적으로 검토되지 않았다. 본 연구에서는 구조화된 코딩, 개방형 연구 협업, 경쟁적 협상의 세 가지 과제 도메인에서 frontier LLM의 성격 특성을 조작하여, 성격 구성이 다중 에이전트 팀 성능에 중요한지를 조사한다. 성격 효과는 과제 구조에 크게 의존함을 밝혔다. 코딩 과제에서는 낮은 친화성이 큰 의사소통 변화를 유발하지만, 마일스톤 달성에는 거의 영향을 미치지 않는다. 개방형 협업과 협상에서는 동일한 조작이 성능을 상당히 저하시킨다. 다중 에이전트 시스템 설계에 대한 함의와 성격 조작의 한계를 논의한다.
오늘날 대규모 언어 모델(LLM) 에이전트는 곤란한 딜레마에 처해 있다. 정적 안전 지침으로 제한하면 명백한 범위를 거의 벗어나지 못하고, 도구와 다중 에이전트 토론에서 자유를 부여하면 안전 위반이 빠르게 뒤따른다. 단일 모델이 창의성과 신중함을 동시에 처리하도록 강요하는 대신, 우리는 특화된 역할별로 관심사를 분리한다. Disrupter는 비관습적인 제안을 생성하고, Validator는 도구 게이트웨이에서 엄격한 런타임 검사를 수행하며, Broker는 멀지만 관련성 있는 유추를 끌어온다. 실패는 폐기되지 않고, MCTS를 통해 Scars라 부르는 소형의 서명된 제약 패치로 컴파일된다. 이 패치는 로컬에 캐시되어 미래 코호트에 상속되며, 반복된 실패를 재사용 가능한 저비용 런타임 제약으로 전환한다. 공간-의미 샌드박스(N=20회 실행, p<0.01)에서, 우리의 코호트는 토론이 실패하는 원격 목표에 도달하고, Validator는 실행된 모든 위반을 방지하며, Scars는 중복된 검증기 검사를 피함으로써 토큰 소비를 15.1% 줄인다. 또한 신용 기반 통신 할당 점수(CAS)는 아웃바운드 대역폭을 제한하여, 자원 제약 하에서 전체 토큰 비용을 55.9% 절감한다.
AI agents are evolving from answer engines into persistent teams that use tools, delegate work, learn from experience, and modify the artifacts that shape their future behavior. The defining question for deployment is no longer merely what agents can do, but who controls what they are allowed to become. We introduce logos, a pluggable layer for self-evolution and governance that strengthens existing multiagent frameworks rather than replacing them. logos compiles heterogeneous multimodal inputs, including documents, images, audio, tables, databases, APIs, and human instructions into versioned agent packs containing agents, tools, knowledge, tests, permissions, and policies. During operation, it transforms agent activity into portable, auditable event traces and applies fail-closed verification across frameworks and backends. Every learned prompt, memory, skill, tool, role, or workflow remains an untrusted release candidate until held-out execution evidence, human-controlled policy, and explicit authorization permit its promotion. This architecture enables "verifiable human-agent loop engineering": agents can act, ask, learn, and propose improvements, while humans can steer objectives, permissions, approvals, and irreversible actions without interrupting continuous operation. logos provides a living logic for accountable automation. Agents may evolve at machine speed, but only evidence and human authority can close the loop.
AI 에이전트는 다양한 목표를 추구하고 보상을 두고 경쟁하는 공유 환경에 점점 더 많이 배포되고 있다. 이러한 다중 에이전트 간 경쟁은 집단적 비용을 치르며 개인적 이익을 추구하는 행동으로 이어질 수 있다—예를 들어, 마케팅 에이전트들은 소셜 미디어에서 참여도를 두고 경쟁한 결과로 오해를 유발하는 콘텐츠를 게시할 수 있다. 인간 사회는 허용 가능한 행동을 제한하는 규범과, 위반을 감지하고 제재하는 집행 메커니즘을 통해 이러한 문제를 해결한다. 이에 착안하여, 우리는 언어 모델(language model) 에이전트를 위한 규범 집행 메커니즘을 연구한다. 단순한 집행 메커니즘은 명시적으로 학습되거나 프롬프트되지 않았더라도 정렬이 어긋난 에이전트에 의해 경쟁적 우위를 위해 악용된다는 것을 발견하였다. 이에 우리는 더욱 견고한 메커니즘 설계에 주목하고, 두 가지 핵심 요소를 파악하였다: 각 에이전트의 신뢰성을 시간에 따라 추정하는 것, 그리고 반복적인 위반 행동에 대해 가중되는 제재로 이 추정치를 갱신하는 것이다. 세 가지 시뮬레이션 환경과 다양한 에이전트 집단에 걸쳐, 이 원칙들에 기반한 메커니즘은 악용에 저항하면서도 기준선과 비슷하거나 더 낮은 비용으로 규범 위반을 제재한다. 우리의 결과는 규범 집행 메커니즘이 에이전트 행동을 형성하는 확장 가능한 수단으로 기능할 수 있음을 보여주지만, 이는 자신이 관장하는 시스템의 일부가 될 것을 예상하여 설계된 경우에만 가능하다. 코드와 데이터는 https://yaowenye.com/norm-enforcement 에서 이용 가능하다.
피드백 결합 메모리 시스템(FCMS) 아키텍처는 네 가지 추상 연산자를 통해 폐루프 조정을 형식화하며, 그 중 에이전트 업데이트 연산자 $f_i$와 환경 업데이트 연산자 $Ψ$ 두 가지는 원래 프레임워크에서 공리적으로 미정의 상태로 남아 있다. 이를 해결하기 위해, $f_i$는 메커니즘 기반 지능(MBI, Mechanism-Based Intelligence)으로 정의되는데, 에이전트들은 분산 가격 메커니즘과 경제 원칙을 통해 로컬로 업데이트된다. $Ψ$는 결합 메모리 그래프 프로세스(CMGP, Coupled Memory Graph Process)로 정의되며, 이는 비-마르코프(non-Markovian) 프레임워크로서 환경을 외부 강제 없이 궤적 이력을 일관되게 기록하고 반응하는 물리적 기질로 취급한다. 이로부터 도출된 연속 시간 FCMS 구체화는 계산 가능한 임계값 $4β^2 < 2ημγ^2$에 의해 지배되는 Lyapunov 전역 소산성(global dissipativity)을 달성한다. 이는 이산 FCMS 안정성 조건 $4ηβ^2 < γ$와 CMGP의 물리적 분기 임계값 $α_c = 1/K$ 모두를 일반화하며, 메모리 소산이 피드백 이득을 상회해야 한다는 보편적 조직화 원리를 확인한다. $N=2$ 에이전트를 사용한 수치 시뮬레이션과 $N=10^6$에서의 평균장(mean-field) 검증은 안정성 임계값과, 이를 위반했을 때 나타나는 자기 강화 조정 캐스케이드를 확인한다.
협력적 다중 에이전트 강화학습(multi-agent reinforcement learning)은 대규모 매개변수 공간과 활용 가능한 지역 구조를 가진 문제, 예컨대 정전기적으로 정의된 양자점 배열(quantum-dot array)의 튜닝에 적합하다. 그러나 매개변수 간 크로스토크(cross-talk)가 강한 경우, 개별 에이전트 관점에서 비정상(non-stationary) 환경이 형성되어 학습이 불안정해질 수 있으며, 이는 이러한 시스템의 수동 튜닝 시 발생하는 문제와 동일한 현상이다. 본 연구는 에이전트 간 간섭을 최소화하고 에이전트를 분리하기 위해, 온라인으로 학습되는 행동 공간의 분해 표현(factored representation)을 활용할 것을 제안한다. 우리의 프레임워크인 QADAPT는 이 분해 방식을 활용하여 지역 측정값과 보상에 기반한 공유 정책(shared policy)을 효율적으로 학습한다. 이 모듈식 전략을 통해 미지의 양자 소자 크기에 대한 제로샷(zero-shot) 일반화를 달성하고, 목표 레짐(target regime)에 도달하기까지의 수렴 스텝 수를 대략 일정하게 유지한다. 본 연구는 대규모 양자 프로세서의 신속한 교정(calibration)을 위한 확장 가능한 경로를 제시한다.
대규모 언어 모델(LLM)은 수학의 열린 문제를 해결하는 데 있어 점점 더 높은 가능성을 보여주고 있다. 그러나 실제 수학적 실천에 맞게 설계된 에이전트 워크플로를 통해 성능을 더욱 향상시킬 수 있다. 이를 위해 우리는 저자-비평가(author-critic) 아키텍처를 사용하여 열린 문제를 해결하도록 설계된 수학 에이전트인 ProofCouncil을 소개한다. ProofCouncil은 에이전트가 10개의 실제 수학 문제를 자율적으로 풀어야 하는 챌린지인 FirstProof의 두 번째 배치에 제출물로 참가하였다. 10개 문제 중 6개에 대한 제출물이 심사위원으로부터 최소한의 수정만으로 올바른 것으로 판정받아, 참가 팀 중 최고 성능을 기록하였다. 또한 수학 연구자들로부터 수집한 30개의 열린 문제에 대해서도 ProofCouncil을 평가하였다. 인간 피드백을 받은 21개의 풀이 중 5개는 완전히 정확한 것으로 판정받았고, 2개는 최종 검증 후 유망한 것으로 판정받았으며, 추가로 8개는 유용한 부분적 진전을 담고 있었다. 이 단편 논문에서는 ProofCouncil의 개발 과정과 이를 만드는 데 사용된 에이전트 구축 라이브러리를 설명하며, 이를 커뮤니티에 오픈 소스로 공개한다.
WebSwarm은 단일 ReAct 에이전트의 컨텍스트 제약과 기존 다중 에이전트 시스템의 재귀적 깊이 한계를 극복하기 위해, 추론 시 작업 분해·재귀 확장·에이전트 협업을 동적으로 구성하는 점진적 재귀 위임 프레임워크를 제안한다. 각 검색 노드가 로컬 목표와 검색 모드를 결합해 자체 해결 또는 하위 노드 위임을 선택하며, BrowseComp-Plus, WideSearch, DeepWideSearch, GISA 벤치마크에서 단일·다중 에이전트 기준 모델을 일관되게 능가함을 실험으로 검증했다.
강화학습의 개방형 커리큘럼 설계에서 에이전트의 학습 진행 상황을 평가하기 위해 스칼라 점수나 텍스트 요약 대신, 에피소드 영상을 비디오 언어 모델(VLM)에 직접 입력하는 정책 시각적 검사(VIP, Visual Inspection of Policies) 방법을 제안한다. StarCraft Multi-Agent Challenge(SMAC) 실험에서 경량 오픈소스 VLM인 VideoLLaMa2-7B를 활용한 VIP가 텍스트 기반 어블레이션 및 스칼라 점수 기반 커리큘럼 방법들보다 더 효과적인 다중 에이전트 커리큘럼을 생성함을 실증적으로 보인다.
LLM 기반 멀티 에이전트 시스템에서 실패 발생 시 책임 에이전트와 결정적 실패 단계를 자동으로 찾아내는 AgentLocate 프레임워크를 제안하며, LLM 판단자(Judge)의 가설을 독립적인 다중 평가자가 신뢰도 기반 투표로 검증하고 경량 파인튜닝으로 판단자를 개선하는 방식을 채택한다. 두 가지 벤치마크 실험에서 AgentLocate는 기존 장애 위치 파악 방법 대비 책임 에이전트 및 실패 단계 식별 정확도에서 일관되게 우수한 성능을 보이면서 토큰 사용량과 실행 시간 측면의 효율성도 유지했다.
자기이익을 추구하는 18개의 LLM 에이전트(DeepSeek-V3)가 참여하는 다중 에이전트 마켓플레이스 시뮬레이션에서, 8가지 공식 메커니즘의 협력 유지 효과를 비교한 결과 조정(Mediation) 메커니즘이 가장 높은 시장 안정성을 보였다. 이후 반복적으로 프롬프트 최적화된 LLM 기반 트롤로 레드팀 테스팅을 수행했을 때, 최강 공격도 정직한 에이전트의 효용을 13.3% 감소시키는 데 그쳤으며 시장 자체를 붕괴시키지는 못해 Mediation의 적대적 강건성을 확인하였다.
MCP 기반 멀티 에이전트 파이프라인을 통해 비침습적으로 자연어 인프라 문서를 NIST OSCAL 형식의 감사 준비 산출물로 변환하는 방법을 제시하며, 15개의 MCP 서버로 LLM 추론을 결정론적 위협 인텔리전스 검색과 분리해 환각 위험을 줄인다. 수도 시설 합성 시나리오에서 CVE 재현율 0.90, D3FEND 재현율 1.00을 달성했으며, 핵심 통찰은 그라운딩이 오류를 완전히 제거하는 것이 아니라 초기 자산 추출 단계로 집중시켜 수동 검토를 효율화한다는 점이다.
LLM 상호작용 시 민감한 데이터 유출을 방지하기 위해, 브라우저 확장과 MiTM 프록시를 결합한 투명한 트래픽 차단 계층 위에 결정론적 탐지기·제로샷 NER·퍼지 코드 유사도·LLM 기반 문맥 추론을 단계적으로 결합한 멀티 에이전트 방화벽 아키텍처를 제안한다. 오픈소스 로컬 우선 설계로 클라우드 신뢰 경계 이전 없이 HTTP(S)·WebSocket 전 구간을 보호하며, 최적 구성에서 F1 점수 94.93%를 달성했다.