PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.00583v1cs.AI

함께할 때 더 나빠지는 결과: 다중 사용자-다중 에이전트 팀에서 성능이 저하되는 방식

Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams

점점 더 많은 사람들이 AI 에이전트(agent)에게 작업을 위임하고 있으며, 이러한 에이전트들은 코드베이스, 캘린더, 예산과 같은 공유 자원을 두고 다른 사람의 에이전트와 마주치는 일이 잦아지고 있습니다. 각 에이전트가 서로 다른 목표를 가진 서로 다른 사용자를 대변해 행동할 때 조율(coordination)은 종종 실패하며, 결과적으로 단일 에이전트가 모두를 대변해 행동했을 때보다 그룹 전체의 성과가 더 나빠집니다. 본 연구에서는 5개의 프론티어 모델과 4개 환경(environment)의 77개 시나리오에 걸쳐 이러한 다중 사용자-다중 에이전트 설정을 조사합니다. 4개 환경은 에이전트들이 연산 예산을 공유하는 API 키 환경, 캘린더를 공유하는 클리닉, 단체 주문이나 예약을 공유하는 개인 비서 환경, 그리고 릴리스 마감 시점을 공유하는 머지 큐(merge queue) 환경으로 구성됩니다. 각 시나리오에서 모든 사용자를 지원하는 단일 에이전트(조율자)와 각 에이전트가 한 명의 사용자를 지원하는 팀을 에이전트 간 통신 채널이 있는 경우와 없는 경우로 나누어 비교합니다. 모든 환경에서 팀은 조율자보다 더 나쁜 그룹 결과를 보였습니다. 통신 채널이 없는 경우 두 개 환경에서 완전히 실패했으며, 채널이 있는 경우에도 조율 오버헤드로 인해 상당한 격차가 발생했습니다. 예를 들어 개인 비서 환경에서 조율자는 팀에 비해 목표 사용자 요청을 약 2배 더 자주 충족했습니다. 저자들은 팀 규모가 커짐에 따른 지연(stalling), 서로의 행동 덮어쓰기(overriding), 허위 주장 날조(fabricating claims) 등 이러한 저조한 그룹 수준 성능과 관련된 뚜렷한 행동들을 식별했습니다. 또한 팀 리더 도입, 명시적인 절차적 지침 제공, 커밋 전 동료의 메시지를 읽도록 강제하는 플랫폼 검사 등 효과적이지만 환경에 따라 특화된 완화책들을 발견했습니다. 저자들은 다중 사용자-다중 에이전트 조율을 평가하기 위한 74개 시나리오로 구성된 MAMUBench로 API 키, 클리닉, 개인 비서 환경을 공개할 예정입니다.