기존 에이전트 개발은 프롬프트 템플릿, 도구 스키마, 콜백 코드, 워크플로 그래프에 걸쳐 분산되어 있다. 우리는 신뢰할 수 있는 AI 에이전트를 구축하기 위한 모델 불문 Python 프레임워크인 NVIDIA Object-Oriented Agents(NOOA)를 제안한다. NOOA는 더 단순한 접근을 취한다: 에이전트는 Python 객체이다. 메서드는 모델이 수행할 수 있는 행동이고, 필드는 상태이며, docstring은 프롬프트이고, 타입 어노테이션은 계약이다. 코드 본문이 "..."로 구성된 메서드는 LLM 구동 에이전트 루프에 의해 런타임에 완성되며, 일반 본문을 가진 메서드는 표준적인 결정론적 Python으로 유지된다. 이는 개발자와 에이전트에게 동일한 인터페이스를 제공하므로, 에이전트 동작을 다른 소프트웨어와 마찬가지로 테스트, 추적, 리팩터링, 개선할 수 있다.
본 논문은 세 가지 기여를 한다. (1) Python 객체로서의 에이전트 프로그래밍 모델과 그 설계 원칙을 제시한다. Python에 기존 추상화가 있는 곳에서는 이를 직접 채택한다. 에이전트 특화 기능—컨텍스트, 이벤트, 상태 렌더링, 장기 기억, 검증된 LLM 루프—는 단순한 Pythonic API를 통해 노출되므로, 개발자와 에이전트 모두 하나의 익숙한 프로그래밍 모델을 공유한다. (2) 우리가 아는 한 NOOA가 단일 표면에서 처음으로 결합한 여섯 가지 모델 대면 아이디어를 식별한다: 타입이 지정된 입출력, 활 객체에 대한 참조 전달(pass-by-reference), 코드를 행동으로(code as action), 프로그래밍 가능한 루프 엔지니어링, 명시적 객체 상태, 컨텍스트와 이벤트를 위한 모델 호출 가능 하네스 API. 커뮤니티가 이미 여러 아이디어—종종 실험적이거나 부분적인 기능으로—수렴하고 있음을 발견하고, 추가 채택을 장려하기 위해 비교를 제시한다. (3) SWE-bench Verified, Terminal-Bench 2.0, ARC-AGI-3와 같은 에이전틱 및 추론 벤치마크와 목표 지향 역량 테스트 모두에서 현재 모델이 이 인터페이스를 효과적으로 사용함을 보여준다.
이메일 통신은 개인 및 직업 생활에 필수적인 부분이 되었지만, 방대한 이메일 규모를 처리하는 것은 여전히 대규모 조직에게 큰 과제이다. 이메일을 수동으로 검토하고 내용과 첨부 파일을 다른 인스턴트 메시징 플랫폼을 통해 의도된 수신자에게 전달하는 방식은 오류가 발생하기 쉽고 시간이 많이 소요되어 생산성 손실과 불필요한 스트레스를 야기한다. 본 논문의 주요 목적은 공학대학의 다양한 학기 프로그램 학생들의 각 WhatsApp 그룹에 이메일 내용을 기반으로 이메일 분배 작업을 자동화하는 대안적 메커니즘을 탐구하고, 조직 내 한쪽에서 다른쪽으로 정보가 원활하게 흐르게 하는 것이다. 디스패처 시스템은 에이전트가 대규모 언어 모델(LLM)을 조회하여 이메일 내용을 분석하고 학생들의 정보 제공 및 활용을 위해 관련 그룹으로 라우팅할 수 있도록 구축되었다. 이 시스템은 결정을 내리기 위해 LLM의 텍스트 내용 분석 능력을 활용한다. 이메일 내용을 입력으로 포함하고 지시와 컨텍스트를 담은 구조화된 에이전트 프레임워크 프롬프트를 통해, 시스템은 이메일 메시지가 분배되는 관련 그룹을 식별하여 필요한 정보를 적시에 제공한다. 제안된 시스템은 라벨 데이터셋에 의존하지 않으며, 생산성 향상 및 이메일 읽기와 관련된 인지 부하 감소 등 여러 이점을 제공한다.
개인화 프레젠테이션 생성은 현재 프롬프트나 템플릿에 조건을 거는 것만으로는 충분하지 않다. 에이전트는 작업 간 안정적인 사용자 선호를 유지하고, 다중 턴 수정 중 새로 도입된 선호와 제약을 보존하며, 국소 편집을 안정적으로 수행해야 한다. 우리는 MemSlides를 제안한다. 이는 장기 메모리와 작업 메모리(working memory)를 분리하고, 장기 메모리를 사용자 프로필 메모리와 도구 메모리로 더 세분화하는 개인화 프레젠테이션 에이전트용 계층적 메모리 프레임워크이다. 사용자 프로필 메모리는 라운드 0 개인화를 위한 의도 조건 프로필을 저장하고, 작업 메모리는 수정 라운드 전반에 걸친 활성 선호와 세션 제약을 유지하며, 도구 메모리는 안정적인 국소 편집을 위해 재사용 가능한 실행 경험을 저장한다. MemSlides는 이 메모리 설계를 범위가 한정된 슬라이드 국소 수정과 결합하여, 대상 갱신이 전체 덱을 반복적으로 재생성하는 대신 가장 작은 영향 영역에 작용하도록 한다. 통제된 실험에서 사용자 프로필 메모리는 다중 페르소나·다중 의도 프로필 뱅크에서 페르소나 정합(persona-alignment) 판정을 개선하고, 도구 메모리 주입은 진단용 매칭 페어 설정에서 폐루프(closed-loop) 수정 동작을 개선하며, 정성적 사례는 작업 메모리의 선호 이월 능력을 보여준다. 종합하면, 이러한 결과는 프레젠테이션 작성에서 효과적인 개인화가 생성과 국소 수정 전반에 걸쳐 지속적인 사용자 프로필, 세션 수준 작업 메모리, 재사용 가능한 실행 경험을 분리하는 데 달려 있음을 시사한다.