PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13485v1cs.CL

능동적 에이전트 오케스트레이션

Proactive Agentic Orchestration

에이전트 오케스트레이션(agentic orchestration)은 독립된 컨텍스트를 가진 서브 에이전트(sub-agent)들에게 작업을 위임함으로써 대규모 언어 모델(LLM) 에이전트의 유효 실행 범위를 확장하는 핵심적인 방안을 제공합니다. 그러나 기존 오케스트레이션 방식은 두 가지 한계에 직면해 있습니다. 실행 측면에서는 서브 에이전트 생성 시점에 목표와 하네스(harness)가 고정되어 동적인 실제 환경에 대한 적응력이 제한되며, 최적화(optimization) 측면에서는 희소하고 지연된 피드백으로 인해 오케스트레이션 정책의 효과적인 학습이 저해됩니다. 이러한 한계를 해결하기 위해, 본 연구에서는 온더플라이(on-the-fly) 능동적 에이전트 오케스트레이션 프레임워크인 POrchestra를 제안합니다. POrchestra는 서브 에이전트가 로컬 실행의 연속성을 유지하면서도 임의의 논리적 지점에서 오케스트레이터와 능동적으로 소통하여 하네스 조정을 요청할 수 있도록 합니다. 이 메커니즘은 서브 에이전트가 동적 환경에 매끄럽게 적응할 수 있도록 지원할 뿐만 아니라, 사후 피드백(hindsight feedback) 기반의 온-정책 오케스트레이션 증류(OPOD)를 자연스럽게 이끌어냅니다. OPOD는 서브 에이전트의 능동적 수정 요청을 이전 오케스트레이션 결정에 귀인하여 타겟 개선 신호를 도출하고, 최종 보상과 함께 이러한 신호를 프로세스 지도(process supervision)로 활용하여 오케스트레이션 정책을 최적화합니다. 심층 연구, 동적 디지털 지원, 소프트웨어 엔지니어링을 아우르는 세 가지 장기 과제(long-horizon) 에이전트 벤치마크에서 POrchestra를 평가했습니다. POrchestra는 가장 강력한 기준선 대비 작업 성공률을 평균 9.1% 향상시켰으며, OPOD와 결합했을 때는 기존 학습 기준선 대비 소형 오케스트레이터의 성공률을 평균 10.0% 향상시켰습니다. 또한 POrchestra는 더 유리한 비용 대비 성능 트레이드오프를 달성합니다. 코드베이스는 https://github.com/XueyangFeng/POrchestra 에서 공개되어 있습니다.

arXiv:2607.22465v4cs.AI

ORACLE: 적응형 검증기 보정 피드백을 통한 에이전트 AI 오케스트레이터 라우팅

ORACLE: Agentic AI Orchestrator Routing Via Adaptive Verifier Calibration Feedback

현대 엔터프라이즈 에이전트(agent) 배포는 다양한 역량과 비용을 지닌 대규모 언어 모델(LLM)들의 이종 풀로 구성됩니다. 기존 모델 라우팅 전략은 요청 수준의 정적 결정을 제공하면서 품질-비용 간의 절충(trade-off)을 최적화합니다. 보다 최근의 솔루션들은 직렬 검증기(verifier) 기반 라우터 피드백 루프를 갖춘 태스크 수준의 선택으로 에이전트 라우팅을 다룹니다. 그러나 동종 워크로드에 적합한 이들의 고정된 검증기는 이종 에이전트 태스크 배치(예: 코딩, 일반 대화형)에 일반화되지 않을 수 있습니다. 또한 루프의 임계 경로(critical path)에 검증기가 배치되어 있어, 여러 동시 요청이 라우팅되는 동안 서빙 품질에 영향을 줄 수 있습니다. 이러한 문제를 완화하기 위해 저자들은 ORACLE을 제시합니다. 이는 피드백을 위해 적응형 라우팅을 적응형 검증과 정렬하는 동시성 인식 온라인 라우팅 메커니즘입니다. ORACLE은 임의의 모델 선택 정책 상에서 학습(training)이 필요 없는 드롭인(drop-in) '피드백 루프'로 작동하여, 먼저 태스크 유형을 분류한 뒤 태스크에 적합한 검증기를 동적으로 할당합니다. 나아가 디스패치 임계 경로에서 검증기 지연 시간을 크게 제거하는 동시 요청용 지연 피드백 전략을 개발합니다. 그런 다음 저자들은 라우팅 후 디스패치 스케줄러인 DISC를 제안합니다. DISC는 승인 시 각 태스크의 피크 KV 풋프린트를 예약하고, 대기 시간 감소로 인한 보상(reward) 이득이 정확도 저하로 인한 보상 손실(loss)을 초과할 때 대체 백엔드로 디스패치합니다. SWE-bench, tau2-bench, Terminal-Bench 2.0에 대한 광범위한 평가(evaluation)에 따르면, ORACLE은 최신 라우팅 베이스라인 대비 정확도-비용 프론티어를 최대 7%포인트 개선하며, DISC를 적용한 ORACLE은 프로그램 처리량을 최대 1.8배 향상시킵니다. 재현성을 촉진하고 향후 개발을 지원하기 위해 저자들은 ORACLE의 코드베이스를 https://github.com/ORACLE-org/ORACLE 에 오픈소스로 공개합니다.

arXiv:2607.11138v1cs.AI

스택 기반 실행과 지연 탐색을 활용한 에이전트 오케스트레이션의 공식 계층 아키텍처

A Formal Hierarchical Architecture for Agentic Orchestration with Stack-Based Execution and Lazy Discovery

대규모 언어 모델(LLM) 에이전트의 급격한 기능 확장은 핵심적인 아키텍처 병목 현상을 드러냈다. 에이전트가 단층적(flat)이고 모놀리식한 도구 레지스트리에 접근할 경우, 모델은 수백에서 수천 개의 옵션을 동시에 평가해야 한다. 이는 결정 공간 폭발(decision-space explosion), 컨텍스트 윈도우 포화, 라우팅 정확도 저하로 이어진다. 이러한 한계를 해결하기 위해 본 논문은 에이전트 오케스트레이션을 위한 계층적 스킬 기반 아키텍처를 제안한다. 기능(capability)은 루트 트리 구조로 구성되며, 내부 노드는 라우팅 결정을 수행하고 리프 노드는 결정론적 작업을 실행한다. 런타임은 후입선출(LIFO) 스택에 의해 제어되는 단일 단계 실행 루프를 강제하여, 에이전트에게 푸시다운 오토마타(Pushdown Automaton)와 유사한 메모리 형태를 부여한다. 이를 통해 중첩된 실행 컨텍스트를 추적하고 임의의 깊이에서 결정론적으로 재개할 수 있다. 기능 탐색은 매니페스트 기반 지연 로딩(lazy-loading) 프로토콜을 따르며, 활성 노드의 직계 자식만 로드되므로 메모리와 프롬프트 비용이 전역 레지스트리가 아닌 탐색된 경로에 비례하여 증가한다. 전역 메모리를 지역화된 스택 프레임으로 대체함으로써, 한 실행 브랜치의 출력이 다른 브랜치로 누출되는 것을 방지하고 규제된 엔터프라이즈 환경 배포에 필요한 격리 보장을 제공한다. 또한 동기를 부여하는 실제 배포 사례로 AI 기반 디지털 결제 지원 제품인 UPI Help를 소개한다. 본 논문은 오케스트레이션 상태에 대한 수학적 형식화, 실행 루프의 상세한 알고리즘 분석, 그리고 증가하는 도구 카탈로그, 다단계 워크플로 부하, LLM 호출당 노출 스키마-토큰 수 조건에서 단층 라우팅과 계층 라우팅을 비교하는 통제된 벤치마크를 제공한다.

arXiv:2606.31518v1cs.AI

Design and Implementation of Agentic Orchestrations and Orchestration of Agents

에이전틱 비즈니스 프로세스 관리(Agentic BPM)에서 LLM 기반 에이전트의 자율성과 프로세스 기술의 추적 가능성을 균형 있게 결합하기 위해, 프로세스 인식 여부와 오케스트레이션 주체에 따라 네 가지 오케스트레이션 옵션(OO1~OO4)을 분류하는 프레임워크를 제시한다. 각 옵션을 자율성, 태스크 특이성, 반응성, 정확성 보장, 추적·통제 가능성 기준으로 비교하고, 예측 조명 제어 시나리오 구현을 통해 정량적 평가 지표를 함께 제공한다.