대규모 언어 모델을 위한 에이전트 환경 엔지니어링: 환경 모델링, 합성, 평가 및 응용에 대한 조사
Agentic Environment Engineering for Large Language Models: A Survey of Environment Modeling, Synthesis, Evaluation, and Application
환경은 다양한 시나리오에서 대규모 언어 모델(LLM) 기반 에이전트를 위한 상호작용 시스템으로 작용하며, 모델 능력의 지속적인 진화를 주도하는 데 중요한 역할을 합니다. 이러한 중요성에도 불구하고 기존 연구는 체계적인 분류와 심층적인 분석이 부족합니다. 본 논문은 환경 엔지니어링 수명 주기(lifecycle)의 관점에서 에이전트 환경에 대한 최신 연구를 체계적으로 조사하며, 모델링, 합성, 평가 및 응용을 다룹니다. 구체적으로, 본 논문은 먼저 8가지 속성과 8가지 도메인의 관점에서 대표적인 환경을 소개하며, 그 발전 경로에 대한 상세한 분석을 제공하고 핵심 능력을 강조합니다. 둘째, 자동화된 환경 합성을 위해 기호 합성(symbolic synthesis)과 신경망 합성(neural synthesis)의 두 가지 패러다임을 소개합니다. 또한 본 논문은 각 패러다임에서 서로 다른 환경 평가 방법을 보여줍니다. 셋째, 에이전트-환경 공진화(co-evolution)의 관점에서 이에 상응하는 환경 응용에 대해 논의합니다. 구체적으로, 본 논문은 동적 환경에서 에이전트 진화의 주요 경로를 메모리 중심 경험 진화(memory-centric experience evolution), 오케스트레이션 중심 워크플로우 진화(orchestration-centric workflow evolution), 궤적 중심 오프라인 진화(trajectory-centric offline evolution), 탐험 중심 온라인 진화(exploration-centric online evolution)라는 네 가지 상호 보완적인 관점에서 특징지습니다. 또한 환경 진화의 세 가지 패러다임, 즉 신경망 주도(neural-driven), 난이도 주도(difficulty-driven), 스케일링 주도(scaling-driven) 접근법을 식별합니다. 마지막으로, Environment-as-a-Service, 멀티 에이전트 환경(Multi-agent Environments), 신경-기호 환경(Neural-Symbolic Environments)을 포함한 몇 가지 유망한 미래 방향에 대해 논의합니다.