The Hitchhiker's Guide to Agentic AI is a comprehensive practitioner's reference for building autonomous AI systems. The book covers the full stack from first principles to production deployment, organized around a central thesis: building great agentic systems requires understanding every layer of the pipeline, not just one. The book opens with the LLM substrate -- transformer architecture, GPU systems, training and fine-tuning (SFT,LoRA, MoE), model compression, and inference optimization -- treated as essential foundations rather than the primary focus. It then develops the alignment and reasoning layer: reinforcement learning from human feedback (RLHF), PPO, DPO and its variants, GRPO, reward modeling, and RL for large reasoning models including chain-of-thought and test-time scaling. The second half is devoted to agentic AI proper. Topics include agentic training and trajectory-based RL, retrieval-augmented generation (RAG and Agentic RAG), memory systems (in-context, external, episodic, and semantic), agent harness design and context management, and a taxonomy of agent design patterns. Inter-agent coordination is covered in depth: the Model Context Protocol (MCP), agent skills and tool use, the Agent-to-Agent (A2A) communication protocol, and multi-agent architectures spanning centralized, decentralized, and hierarchical topologies. The book concludes with agent development frameworks, agentic UI design, evaluation methodology for agentic tasks, and production deployment. Each chapter pairs rigorous theoretical foundations with implementation guidance, code examples, and references to the primary literature.
프론티어 대규모 언어 모델(LLM)의 역량은 계속 발전하고 있으며, 서로 다른 제공사들은 점점 더 특정 도메인에 특화되고 있습니다. 이는 자연스럽게 다음 목표를 제기합니다: 다양한 LLM의 개별 특화 역량을 어떻게 하나의 집합 지능 시스템으로 결합할 것인가. 이를 위해, 우리는 LLM 에이전트 팀의 역량을 활용하고 증폭시키는 오케스트레이터 모델 패밀리인 Sakana Fugu의 개발을 보고합니다. Fugu 모델 자체는 사용자 쿼리를 이해하고 이를 해결하기 위한 에이전틱 스캐폴드를 동적으로 고안하도록 학습된 언어 모델입니다. 이러한 적응형 스캐폴드를 통해 Fugu는 개별 LLM 에이전트를 초월하는 성능에 도달하며, SWE-Bench Pro, Terminal Bench, LiveCodeBench, GPQA-Diamond, Humanity's Last Exam, CharXiv Reasoning 등 다양한 도전적 과제에서 공개적으로 접근 가능한 다른 모델들과 비교하여 최고 수준의 결과를 달성합니다. 우리는 두 가지 모델을 공개합니다: 일상적인 사용을 위해 성능과 지연 시간의 균형을 맞춘 Fugu, 그리고 가장 어려운 문제에서 답변 품질을 우선시하는 Fugu-Ultra입니다. 우리는 대규모 미세조정(fine-tuning), 진화 알고리즘, 강화학습 접근법을 포함하는 학습 패러다임과 함께, 이러한 방법들을 프로덕션 시스템으로 전환하는 인프라 및 핵심 설계 원칙을 설명합니다. 우리는 이 보고서가 멀티 에이전트 시스템과 동적이고 쿼리 적응형 에이전틱 스캐폴드에 대한 추가 연구를 장려하여, 집합 지능을 통해 도달하는 AI 역량의 다음 프론티어로 나아가는 경로가 되기를 희망합니다.
Multi-agent LLM environments require robust mechanisms for shared knowledge management. This paper formalizes the fleet-memory problem and identifies four foundational failure modes: unauthorized leakage, stale propagation, contradiction persistence, and provenance collapse. To address these, we define explicit systems-level primitives: scoped retrieval, temporal supersession, provenance tracking, and policy-governed memory propagation. These primitives are implemented in MemClaw, a production multi-tenant memory service, and evaluated via ArgusFleet, a reproducible harness testing four governance dimensions. Rather than a baseline comparison, this study measures a live production service, emphasizing real-world architectural insights and negative results. Key Evaluation Results Provenance: Successfully reconstructed 100% of depth-four derivation chains with correct writer identity at sub-second per-hop latency. Propagation: Demonstrated high intra-fleet visibility with zero cross-fleet leakage. Under strong write mode, write-to-visible latency was optimized to a single search round-trip. Production Architectural Issues Discovered Asymmetric Scope Enforcement: Tenant isolation held, but sub-tenant scope was initially bypassed on direct GET-by-id requests for agent-scoped credentials (disclosed and remediated during the study). Pipeline Ordering Conflict: While contradiction supersession works for admitted writes, a synchronous near-duplicate gate can prematurely reject contradictory writes before the asynchronous contradiction detector can evaluate them. Conclusion: Long-context retrieval alone is insufficient for production multi-agent memory. Governed shared memory demands explicit systems-level abstractions, and live evaluation is vital to expose enforcement and pipeline-ordering failures missed by design-only treatments.
자율 에이전트 집단이 국소적 의사소통 상호작용을 통해 연속 특징 공간에 그라운딩된 개념 표현과 기호적 단어 형태를 연결하는 분산적 언어 관습을 스스로 형성하는 일반 방법론을 제안한다. 37개 공개 데이터셋 평가에서 일반성과 확장성을 확인했으며, 이형성 개체군 등 지각 변화와 환경 변화에도 견고하게 적응함을 보였다.
LLM 에이전트 사회에서 이웃 의견을 반사실적으로 교란해 측정하는 결합 이득 γ와 (기울기, 바이어스) 타당성 진단으로, 창발적 합의가 진정한 평균화인지 모델 사전 인공물인지 구분하는 측정 프로토콜을 제안한다. 5개 최신 LLM에서 γ는 0.15–0.43으로 안정·구분 가능하고, 기본 사회는 자발적 양극화가 없으며, 창발적 합의는 목표 상호작용 맥락에서 측정한 집단 결합으로 해석해야 한다.
치매 진단은 불완전하고 이질적인 데이터 조건 하에서 다양한 정보 제공자와 임상의로부터의 멀티모달 임상 평가를 통합할 필요가 있다. 그러나 대부분의 AI 기반 접근법은 여전히 알�heimer병(AD) 중심적이며, 잘 선별된 연구 환경에서 이를 이원적 AD 탐지 또는 3단계 AD 진행 모델링 문제로 구성한다. 이러한 병리학 중심 패러다임은 여러 단계, 표현형, 원인을 아우르는 치매의 더 넓은 �후군 수준 특성을 간과한다. 본 논문에서는 실제 임상 환경에서의 치매 분기 및 표현형 분류를 위한 임상적으로 정렬된 멀티-에이전트 프레임워크인 Dementia-Agents를 제안한다. 이 프레임워크는 3단계 워크플로를 따른다: (1) 데이터 에이전트가 구조화된 임상 기록을 의미적으로 충실한 텍스트 표현으로 변환하여 결측 데이터 신호를 보존하고 이를 도메인에 정렬된 전문가에게 라우팅한다; (2) 5개의 파인튜닝된 전문가 에이전트가 도메인 수준 예측을 생성한다; (3) 코디네이터 에이전트가 확률적 집계를 수행하여 최종 분기 및 표현형 분류 결정을 산출한다. Dementia-Agents를 두 개의 인지신경과 진료 서비스에서 수집한 1,066명의 환자로 구성된 실제 임상 코호트에서 개발하고 평가했다. 단일형 멀티모달 대규모 언어 모델(MLLM) 및 기존 의료 멀티-에이전트 시스템과 비교했을 때, 본 접근법은 도메인 수준 해석 가능성을 유지하면서 실제 환경에서의 �후군 수준 치매 분기 및 표현형 분류에 대한 진단 성능에서 일관된 개선을 달성했다.
동적 평균 추정(dynamic average estimation)은 다중 에이전트 시스템에서 핵심적인 문제로, 에이전트들이 로컬 정보 교환만을 활용하여 시변 신호를 협력적으로 추정할 수 있게 한다. 전통적인 모델 기반 접근법은 수렴 속도 및 네트워크 토폴로지 변화에 대한 민감성 측면에서 어려움을 겪는 경우가 많다. 본 논문은 완전 분산 방식으로 빠른 수렴의 동적 평균 추정을 달성하기 위해 게이트 그래프 신경망(GGNN, Gated Graph Neural Networks)을 활용한 새로운 학습 기반 솔루션을 제안한다. GGNN의 고유한 구조적 특성을 이용하여, 제안된 방법은 추정 과정을 분산 자기회귀기(distributed autoregressor)로 모델링함으로써 안정성을 유지하면서 빠른 수렴을 보장한다. 학습 시 수렴 보장을 강제하기 위한 정규화 항을 도입하고, 표준 GGNN 대비 정확도를 희생하지 않으면서 통신 오버헤드를 줄이기 위한 인코딩-디코딩 메커니즘을 소개한다. 광범위한 수치 실험을 통해 제안된 접근법이 수렴 속도와 정밀도 모두에서 기존 모델 기반 추정기를 크게 능가함을 입증하며, 동적 평균 추정이 요구되는 다중 에이전트 응용에 유망한 대안임을 보인다.
에이전트형 인공지능(AI) 시스템은 문헌 종합, 코드 생성, 데이터 분석, 가설 제안, 모델 비판에 이르는 작업을 수행하며 과학적 발견을 보조하고, 가속하고, 부분적으로 자동화하기 시작했다. 우리는 이 전환이 점진적이 아니라 질적인 것이라고 주장하며, 적절히 설계된 멀티 에이전트 시스템이 수동적인 계산 도구에서 과학의 가설 생성 및 검증 역량을 확장할 수 있는 'AI 과학자'로 진화할 수 있다고 본다. 이러한 시스템은 목적에 부합하는 과학 생태계 내에서 개발되고 배포되어야 하며, 제도는 검증, 책임성, 해석 가능성, 이중 용도(dual-use) 안전성을 위해 재설계되어야 한다. 우리는 프로토타입 프레임워크 Denario로 예시된 멀티 에이전트 아키텍처가 발견 주기를 가속하고 인간이 도달할 수 없는 모델 공간을 탐색하는 방식의 개요를 제시하고, 이것이 저자성, 동료 심사, 인간 과학자의 지속적 역할에 대해 함의하는 바를 검토하며, AI를 단순한 도구가 아닌 인식론적 행위자(epistemic actor)로 거버넌스하기 위한 권고로 마무리한다.
대규모 언어 모델(LLM)은 코드를 작성·실행하고 문헌을 검색할 수 있는 유능한 추론자이자 도구 사용자가 되었으며, 이로 인해 연구 과정 자체를 자동화하는 것이 현실적인 목표가 되었다. 우리는 연구 분야에서 완성된 논문까지 프로젝트를 자율적으로 수행하는 하네스(harness) 기반 다중 에이전트 시스템인 PAPERCLAW를 제안한다. PAPERCLAW는 해당 분야의 실시간 문헌, 데이터셋, 코드로부터 도메인을 큐레이션하고, 사전 등록된 주요 결과 계약(main-result contract)을 갖춘 아이디어로 브레인스토밍하며, 측정된 판정에서만 확장되고 증거가 아이디어를 뒷받침하면 중단되는 반복적 제안-검증-성찰(propose, test, reflect) 루프를 통해 중단 가능한 가설 맵(hypothesis map)을 구동하며, 그 시점에 학회 요건을 충족하는 논문을 작성한다. 전체 수명 주기(full-lifecycle) 메모리는 각 단계를 하나의 살아 있는 기록으로 유지하여, 장기 실행을 일시 중지·검토·재개할 수 있게 하며 맥락을 잃지 않는다. 중심에는 연구 도구와 스킬을 갖춘 사이클 내(in-cycle) 연구 어시스턴트가 있으며, 이는 전체 파이프라인을 독립적으로 구동할 수 있고, 동일한 인터페이스를 통해 사람이 어느 단계에서든 개입하여 최초의 자율 초안을 인간 참여형(human-in-the-loop) 정제를 통해 더 강한 논문으로 발전시킬 수 있다. 전 과정에서 PAPERCLAW는 출력을 그라운딩(grounding)하고 검증 가능하게 유지하며, 공개 학술 색인에서 검증된 참고문헌만 인용하고 실제로 실행된 결과만 보고한다. LLM 심사(judge)를 통한 평가에서 PAPERCLAW는 완전 자율적으로도, 인간 참여형 정제와 함께도 강력한 논문을 생성하는 것으로 나타났다.
컴퓨터 기반 적응형 검사(CAT)는 맞춤형 교육의 핵심 기술로, 현재 능력 추정치에 부합하도록 문항을 동적으로 선출하여 수험자의 숙련도를 정확히 평가하는 것을 목표로 한다. 그러나 기존 CAT 연구는 정적 오프라인 데이터의 한계와 개별 구성요소 최적화에 기인한 제약에 막혀 있다. 오프라인 로그의 부분적 레이블 제약으로 인해 연구자들은 동적 평가 과정을 정적 시퀀스 예측으로 퇴화시킨다. 현재 연구는 문항 선택이나 진단 등 고립된 관점에 집중하면서 전체 CAT 상호작용 과정을 간과한다. 이를 해결하기 위해, 우리는 동적 검사를 위한 고충실도 벤치마킹 환경을 구축하기 위해 언어 모델 기반 다중 에이전트 시뮬레이션 시스템 AgentCAT를 제안한다. 이 프레임워크는 세 가지 모듈로 구성된다: (1) 기억 검색과 사고의 연쇄(Chain-of-Thought) 추론을 갖춘 수험자 에이전트는 인지 프로필에 기반해 응답을 시뮬레이션한다; (2) 선택 에이전트는 거친-세밀(coarse-to-fine) 버킷팅과 지식 그래프 탐험을 사용해 국소적 난이도와 전역적 범위를 균형 있게 맞춘다; (3) 감독자는 이중 감사(dual-auditing)와 강건한 업데이트를 통해 수렴과 타당성을 보장한다. 이를 검증하기 위해, 우리는 두 개의 실제 데이터셋에서 거시 수준의 능력 수렴, 미시 수준의 상호작용 논리, 데이터 희소성 견고성이라는 세 차원에서 프레임워크를 평가했다. 결과는 AgentCAT가 효과적인 능력 추정을 달성하고, 그 선택 전략이 난이도 적응과 교수적 일관성을 균형 있게 맞추며 인간의 교육학적 직관과 일치함을 보여준다.
인공지능 에이전트와 자율 시스템은 우리 환경에 깊숙이 내재되어 있다. 이들은 상업적 제품이자 개인 도구이며, 많은 데이터를 생성하고 그로부터 결론을 도출할 수 있다: 기계는 비밀을 생성하고 보관한다. 그러나 기계가 모든 비밀을 보호해야 하는가? 인공 에이전트가 내부 고발(whistleblowing)을 할 수 있다는 것이 입증되었고, 디지털 다중 에이전트 환경은 그 안의 에이전트들이 내부 고발을 할 수 있도록 허용해야 한다고 주장되어 왔다. 우리는 기계의 내부 고발이 규범적이고 원칙에 기반해야 하며, 사회에서 중요한 규칙 위반 메커니즘으로서의 내부 고발에 대한 기존 이해에 뿌리를 두어야 한다고 주장한다. 우리는 또한 정부 규제 기관이 기계가 무엇에 대해 내부 고발할 수 있어야 하는지, 그리고 내부 고발 기계를 개발하는 이들을 법적으로 어떻게 보호할 것인지에 관해 정보에 기반한 입장을 정립할 필요가 있다고 주장한다.
조직들이 비즈니스 프로세스 자동화를 위해 생성형 AI 에이전트를 점점 더 많이 배포함에 따라, 거버넌스 딜레마에 직면한다. 이러한 에이전트는 운영 유연성을 높일 수 있지만, 비결정적 특성으로 인해 비즈니스 프로세스 관리(Business Process Management)가 추구하는 통제와 표준화를 저해한다. 본 논문은 에이전트 행동 마이닝(Agent Behavior Mining)을 도입하여 이 보이지 않는 자율성 위험(invisible autonomy risk)을 다룬다. 이는 프로세스 마이닝(process mining) 기법을 적용해 생성형 AI 에이전트의 의사결정을 관찰 가능하고 추적 가능하게 만드는 거버넌스 역량이다. 우리는 (1) 추론 추적(reasoning traces), 도구 사용, 토큰 비용 등 세분화된 에이전트 활동을 표준화된 프로세스 로그로 변환하는 이벤트 데이터 모델을 통해 생성형 AI 에이전트 행동에 대한 이해를 개선하고, (2) 다중 에이전트 order-to-cash 구현에서 데이터 모델을 구체화하여, 프로세스 관리자가 에이전트 로그를 활용해 정책 이탈을 탐지하고 운영 변동성을 정량화하는 방법을 보여주며, (3) 18명의 업계 실무자를 대상으로 한 탐색적 연구에서 해당 접근법의 체감 실용적 유용성을 평가한다. 결과에 따르면, 실무자들은 행동 투명성을 신뢰의 전제 조건으로 보고, 에이전트 추론을 검토할 수 있는 능력을 차세대 AI 기반 비즈니스 프로세스의 중요한 거버넌스 요건으로 간주한다.
변동하는 재생에너지원, 발전 가능(dispatchable) 유닛, 저장 장치, 그리고 감축 가능(curtailable) 수요를 결합한 마이크로그리드의 실시간 오케스트레이션은 엄격한 제어 마감시한 하에서 조합적 배치(dispatch) 및 연합(coalition) 형성 문제를 반복적으로 해결해야 한다. 본 논문에서는 각 제어 슬롯의 배치 문제를 BDIx(Belief-Desire-Intention extended) 에이전트가 2차 무제약 이진 최적화(QUBO) 문제로 formulation하고, 양자, 양자 영감(quantum-inspired), 및 고전 솔버 포트폴리오로 이를 해결하는 양자 보조 에이전틱 분산 인공지능(DAI) 프레임워크를 제안한다. 솔버 선택은 코디네이터 에이전트의 1차 에이전틱 숙고(deliberation) 행동으로 격상된다. 솔버 지연시간에 대한 학습된 믿음(belief)이 유지되며, 각 슬롯에서 현재 숙고 마감시한을 충족할 것으로 예상되는 솔버 의도(intention)가 확정(commit)된다. 또한, 저장 에이전트가 할인된 미래 피크 가치로 에너지 가격을 책정하는 믿음 기반 저장 가치 평가 메커니즘을 도입하여, 그렇지 않으면 근시안적인(per-slot) 최적화에 시간 간(intertemporal) 정보를 주입한다. 이 프레임워크는 광전(PV), 풍력, 배터리, 발전기(genset), 수요 반응(demand-response) 자산을 갖춘 계통 연계(grid-connected) 마이크로그리드의 24시간 시뮬레이션에서 평가되며, Quantum Approximate Optimization Algorithm(QAOA)은 statevector 시뮬레이션으로 실행되고 각 슬롯마다 tabu search, simulated annealing, binary particle swarm optimization, greedy descent, exhaustive enumeration과 벤치마크된다. 숙고 마감시한 누락은 0건이며, 확정된 배치는 모든 슬롯에서 정확한 최적해를 달성하고, 실현 일일 비용 146.24 EUR는 정확한 하한과 일치하며, 재생에너지 활용률 97.83%, 미공급 에너지 0이다. 저장 가치 평가 메커니즘을 비활성화하면 일일 비용은 152.75 EUR로 4.5% 증가한다.
현대 에이전트 시스템은 불확실성을 과잉 확신으로 바꿀 수 있다. 취약한 상류 결정이 그 배후의 불확실성은 인터페이스에서 소실된 채 깨끗한 중간 산출물로 하류 구성요소에 노출되는 경우가 많다. 그 결과 국소적 모호성이 시스템 수준의 오류 증폭으로 이어질 수 있다. 우리는 이것이 에이전트 불확실성 전파의 인터페이스 병목을 드러낸다고 주장한다. 불확실성은 궤적에 불확실한 단계가 포함되어 있다는 이유만으로 전파되는 것이 아니라, 구성요소 간 핸드오프(handoff)를 거치며 살아남을 때만 전파된다. 우리는 불확실한 결정 핸드오프(uncertain decision handoff)를 불확실성 아래에서 내려진 중간 결정의 전달로 정의하고, 신뢰도 세탁(confidence laundering)을 취약한 상류 상태가 절차적으로 유효한 산출물로 재포장되어 하류 에이전트가 과도하게 신뢰하는 실패 모드로 규정한다. 이 병목을 해결하기 위해 우리는 결정 핸드오프에 부착되는 불확실성을 담는 캐리어인 잠재 불확실성(latent uncertainty)을 제안한다. 텍스트를 은닉 상태(hidden state)로 대체하는 대신, 잠재 불확실성은 하류 구성요소가 활용할 수 있는 형태로 사전 확정(pre-commitment) 이전의 취약성을 보존하는 것을 목표로 한다. 이 관점은 에이전트 불확실성 전파를 단계별 불확실성 추정에서 불확실성 보존적 인터페이스 설계로 전환하여, 더 복구 가능한(recoverable) 에이전트 시스템을 지향한다.
점근 통계 이론은 AI 보조 형식화에 있어 까다로운 영역이다. 핵심 결과들은 수렴 진술, 점근 전개, 함수 해석학, 정규성 조건이 혼합되어 있으며, Lean 4 형식화의 기존 인프라와 큰 격차가 있다. 이러한 과제를 해결하기 위해, 다중 에이전트로 구성된 가설 규율 Lean 4 형식화 파이프라인을 제안한다. 매니저가 증명 계획, 골격 스캐폴딩, Mathlib 정찰, 증명 구성, 통합, 독립 검토, 감사를 위한 일곱 가지 전문 역할을 조율한다. 핵심 방법론적 규율은 Auditor 에이전트가 구현하는 가설 규율 감사이다. 모든 주정리 가설과 개념 층 필드는 원본 수학 서술에 근거해야 하며, Lean 인코딩 어댑터로 정당화되거나, 원문에서 함의된 것으로 표시되거나, 지원되지 않는 강화로 거부되어야 한다. 이 워크플로를 사용하여 점근 통계 이론, 특히 모수 및 반모수 모델의 점근 분포 및 효율성 결과의 체계적 형식화를 구축한다. 그 결과로 얻은 Lean 개발은 공리가 깨끗하고 원문에 충실하며, 핵심 모수 및 반모수 정리들에 대한 Lean 검증 및 인간 감사를 거친 증명을 포함한다. 정리와 무관한 인프라 및 통계 개념 정의가 정리별 조립과 분리되도록 구성되었다. 형식화 결과는 https://github.com/junwei-lu/Lean-Asymptotic-Statistical-Theory 에서 확인할 수 있다.
에이전트는 이제 소프트웨어 개발 수명 주기 전반에 걸쳐 일급(first-class) 팀 구성원으로 참여하지만, 이러한 협업에 필요한 인간-에이전트 책임 경계, 승인 게이트(approval gates), 거버넌스 제약을 표현할 명세 언어는 아직 존재하지 않는다. 기존 접근법은 프로세스를 에이전트 프롬프트에 인코딩하여(드리프트(drift)에 취약), 인접 영역(워크플로 관리, 비즈니스 프로세스)을 대상으로 하거나, 일부 조각(접근 제어, 승인 게이트)만 다룬다. 우리는 AI-SDLC 프로세스를 프로토콜로 명세하기 위한 도메인 특화 언어(DSL)를 제안하며, 형식적 구문, 잘 형성됨(well-formedness) 조건, 운영 의미론(operational semantics), 집행 불변식(enforcement invariants)을 포함한다. 이 언어는 정책(선언된 의도)과 메커니즘(구조적 집행)을 구분하여, 구현체가 검증 토큰 및 capability 경계 같은 원시 구문(primitives)을 통해 프로세스 비결정성(non-determinism)을 제한할 수 있게 한다. 세 가지 결과가 뒤따른다. 실패율 분석은 구조적 집행이 시스템 실패율을 에이전트와 검증자 비율의 가중 곱으로 한정하는 반면, 행동적 준수(behavioral compliance)는 누적적이거나 거의 포화(saturating)에 가까운 증가를 허용함을 보여준다. 2+N 팀 패턴(두 개의 human-in-control 역할과 N개의 전문화된 에이전트 구성원)은 AI-SDLC에 대한 고전적 직무 분리(Separation of Duties)를 형식화한다. 오케스트레이션 루프의 Kleene 클로저(Kleene closure)와 반사적(reflexive) 프로토콜 준수 검증은 특수 사례 구성요소가 아니라 설계 속성으로 등장한다. 우리는 이 기여를 다중 에이전트 프레임워크(MetaGPT), 워크플로 명세(FlowAgent, BPMN 확장), capability 기반 보안(SAGA)과 대비하여 위치 짓는다: 신규성은 개별 원시 구문이 아니라 특정 통합에 있다. 동작하는 구현이 타당성을 입증하며, 실증 평가(evaluation)는 향후 과제이다.
무선 접속망(RAN)에서 물리 자원 블록(PRB) 할당은 전통적으로 사례별 수동 문제 구성에 의존해 왔으며, 최근에는 학습 기반 인공지능(AI) 방법을 사용하기도 한다. 그러나 6세대(6G) RAN 환경은 전례 없는 서비스 다양성과 기하급수적 동역학에 직면하며, 활성 기지국(BS), 사용자 규모, 엄격한 서비스 품질(QoS) 요구사항의 변동성 있는 변화를 특징으로 한다. 이러한 조건에 직면했을 때, 수동 모델과 표준 AI 알고리즘 모두 근본적으로 경직되어 적응하고 자기 진화할 유연성이 부족하다. 만능 솔루션을 제공하기 위해, 우리는 PRB 할당 문제를 대규모 언어 모델 다중 에이전트(LLM-MA) 시스템이 제공하는 Optimization-as-a-Service(OaaS)로 취급할 것을 제안한다. 이는 에이전트를 활용해 최적화 문제를 동적으로 구성하고 실시간 시나리오에 맞춘 목표를 자동으로 결정함으로써 RAN 자원 할당을 근본적으로 재구성한다. 장면 이해, 목표 생성, 솔버, reflection 에이전트를 통합한 우리의 폐루프 아키텍처는 컨텍스트 인식적이고 자기 수정적인 공식화를 가능하게 한다. 반복적 reflection의 계산 지연을 제거하기 위해, 우리는 원샷 reflection 증류 메커니즘을 도입하여 경량 학생 모델이 정제된 목표 매개변수를 직접 예측하도록 학습한다. 우리는 이 원샷 정책의 성능 격차를 이론적으로 한정한다. 실험 결과는 우리 프레임워크가 초저지연 추론으로 거의 최적에 가까운 자원 할당을 달성함을 보여준다.
통신 네트워크는 이기종 기술, 다양한 서비스 요구사항, 그리고 자원 효율성과 비즈니스 민첩성에 대한 증가하는 요구로 인해 점점 더 복잡해지고 있다. 의도 기반 네트워킹(IBN)과, 더 최근에는 에이전틱 AI가 자율적 네트워크 관리를 통해 이러한 복잡성을 해결하기 위한 유망한 패러다임으로 등장했다. 그러나 기존 접근법은 주로 운영 지원 시스템(OSS) 내 운영 오케스트레이션에 초점을 맞추며 비즈니스 지원 시스템(BSS)과 OSS를 아우르는 통합 프레임워크가 부족하여, 진정한 의도-비즈니스-네트워크 조율의 실현을 제한한다. 본 논문은 통신 서비스 제공자(CSP)의 조직 구조를 반영하는 종단 간 의도 오케스트레이션을 위한 역할 기반 다중 에이전트 아키텍처(MAS)를 제시한다. 제안된 프레임워크는 고객 참여, 전략 계획, 서비스 제공, 인프라 프로비저닝에 걸친 계층적 4층 에이전트 시스템 내에서 기능 분해, 명시적 작업 소유권, 프라이버시 보존 도메인 분리, 도메인별 전문성의 원칙을 적용한다. 리더십 에이전트는 계획 활동을 조율하고, 전문화된 서비스 및 자원 에이전트는 의도 요구사항에 따라 동적으로 인스턴스화된다. 개념 증명 구현은 구조화된 에이전트 조율을 통해 BSS-OSS 간격을 연결하는 것의 실현 가능성을 보여주며, 에이전틱 MAS가 책임 추적 가능하고 확장 가능한 의도 기반 서비스 오케스트레이션을 지원할 수 있음을 설명한다.
자율 AI 에이전트가 디지털 인프라의 일급 참여자로 등장하는 것은 웹 진화의 근본적인 전환점을 나타낸다. 에이전트 행동과 추론에 상당한 연구가 이루어졌지만, 에이전트가 대규모에서 신뢰성 있게 작동하는 데 필요한 인프라에는 비교적 적은 관심이 기울여졌다. 본 논문은 Artificial Superintelligence(ASI) Alliance 산하 Fetch.ai가 개발한 에이전트 클라우드 플랫폼 Agentverse에 대한 체계적 분석을 통해 그 격차를 다루며, 이는 현재 이용 가능한 에이전트 네이티브 인프라의 가장 성숙한 프로덕션 배포 중 하나를 대표한다. 우리는 세 가지 주요 기여를 한다. 첫째, Agentverse 플랫폼에 대한 실증 감사를 수행하여 204개의 API 엔드포인트(Q1 2026)를 목록화하고, 운영 중·부분 배포·부재 상태를 특성화한다. 이 감사를 통해 에이전트 메모리와 관측 가능성(observability)에서 보안, 경제적 프리미티브, 엔터프라이즈 스케일링에 이르는 62가지 뚜렷한 부재 역량을 포괄하는 8개 범주의 Gap Taxonomy(격차 분류체계)를 도출한다. 둘째, 식별한 구체적 격차에 근거하여 2030년까지 완전히 실현된 에이전트 네이티브 클라우드가 제공해야 할 요건에 대한 참조 아키텍처인 7층 Agent Cloud Stack(에이전트 클라우드 스택)을 제안한다. 셋째, 다섯 가지 핵심 진화 경로를 특성화한다: 일시적 저장소에서 완전한 Agent Memory Cloud(에이전트 메모리 클라우드)로, 키워드 기반 발견에서 의미론적·신뢰 가중 Agent DNS(에이전트 DNS)로, 단일 프로토콜 모델에서 다중 표준 에이전트 lingua franca(공용어)로, 단일 인스턴스 호스팅에서 Kubernetes 규모 오케스트레이션으로, 단순 토큰(token) 결제에서 풍부한 에이전트 경제적 프리미티브로. 이들 기여를 종합하면 현재 에이전트 인프라에 대한 진단과, 2030년까지 에이전틱 웹—Web4—을 지원하기 위해 에이전트 클라우드가 갖추어야 할 모습에 대한 기술적으로 근거 있는 비전을 제공한다.
소셜 미디어 플랫폼은 사용자 콘텐츠를 조절하기 위해 빈번히 제한적인 정책을 부과하며, 이는 창의적인 회피 언어 전략의 등장을 촉진합니다. 본 논문은 규제 제약 하에서 언어 전략의 반복적인 진화를 시뮬레이션하기 위해 대규모 언어 모델(LLM) 기반의 멀티 에이전트 프레임워크를 제시합니다. 이 프레임워크에서 참여 에이전트는 소셜 미디어 사용자로서 언어 표현을 지속적으로 진화시키는 반면, 감독 에이전트는 정책 위반을 평가하여 플랫폼 수준의 규제를 모방합니다. 더 충실한 시뮬레이션을 달성하기 위해, 충돌하는 목표를 구분하기 위해 언어 전략(제약 및 표현)의 이중 설계를 채용하고, 언어 전략의 선택, 돌연변이, 교차를 위해 LLM 기반 GA(유전 알고리즘)를 활용합니다. 이 프레임워크는 추상적인 비밀번호 게임과 현실적으로 시뮬레이션된 불법 애완동물 거래 시나리오라는 두 가지 상이한 시나리오를 사용하여 평가됩니다. 실험 결과는 대화 라운드 수가 증가함에 따라 중단되지 않은 대화 턴의 수와 정보 전달 정확도가 모두 유의미하게 향상됨을 보여줍니다. 또한, 40명의 참가자를 대상으로 한 사용자 연구를 통해 생성된 대화와 전략의 현실 세계 관련성을 검증했습니다. 더불어, 제거 연구(ablation study)를 통해 GA의 중요성을 검증하였으며, 이는 장기 적응성과 전반적인 결과 향상에 대한 기여를 강조합니다.