PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15991v1cs.AI

수신 시점에서는 취소가 완료되지 않는다: 분산 에이전트-도구 게이트웨이를 위한 실행 가능한 결과 계약

Revocation Is Not Complete at Receipt: An Executable Outcome Contract for Distributed Agent-Tool Gateways

분산 에이전트(agent) 워크플로는 위임된 권한을 도구 게이트웨이에 캐시합니다. 발급자 커밋, 전송 확인 응답, 또는 수신자 영속화 시점에 취소(revocation)가 보고될 수 있으나, 이러한 관측 중 어느 것도 모든 게이트웨이가 변경 사항을 적용했거나 보호된 효과가 중단되었음을 확증하지는 못합니다. 본 논문에서는 발급자 커밋부터 효과 방지까지를 아우르는 유계 결과 계약인 C0-C5를 정의하고, 이를 고정된 게이트웨이 집합, 호출 집합, 관측 윈도우상에서 동작하는 영속 모니터로 구현합니다. 14개 사례로 구성된 결함 매트릭스를 통해 보수적 분류(classification), 고착 위반, 재시작 영속성, 증거 불변성을 검증합니다. 8가지 의미론적 사례에 대한 파생 감사에서 C3 또는 C4를 완료로 간주할 경우 각각 7개 또는 5개의 오탐(false positive)이 발생하는 반면, 유계 C0-C5 판정에서는 오탐이 발생하지 않습니다. 기술적 스케일링은 1,024개 게이트웨이와 10,000개 효과 벡터를 다룹니다. 주요 실험에서는 유지 관리되는 Keycloak 26.7 신원 서버를 사용하며, 2개의 내구성 수신자, 8개의 물리적 에이전트-도구 게이트웨이, 파일시스템 및 PostgreSQL 효과, 3개 가용 영역에 걸친 16개 AWS 호스트에 걸쳐 계약을 측정합니다. 정상적인 전달 및 복구 환경에서는 효과가 전혀 커밋되지 않습니다. 수신자 선택적 미전달 환경에서는 전송 확인 응답과 수신자 영속화가 여전히 성공하지만, 225개 호출 중 112개(49.78%)가 허용되고 모든 처리 블록에서 112개의 효과가 모두 커밋됩니다. 별도로 프로비저닝된 실행에서도 동일한 결과가 재현됩니다. OPA/Toxiproxy 및 네트워크 MCP 도구를 사용하는 라이브 3역할 LLM 워크플로를 통해 더 좁은 공격 표면에서도 '영속화되었으나 적용되지 않은 경계'가 재현됨을 확인합니다. 마지막으로, 수정되지 않은 외부 MCPMark 에이전트가 60개의 폐루프 태스크 암(arm)을 실행합니다. 정상적인 C4는 노출된 31개의 포스트 배리어 호출을 모두 거부하고 어떤 효과도 커밋하지 않는 반면, 선택적 C3는 344개의 호출을 허용하고 파일시스템과 PostgreSQL 전반에 걸쳐 145개의 효과를 커밋합니다. 따라서 전송 성공은 진행의 증거일 뿐, 취소 완료에 대한 판정이 아닙니다.

arXiv:2610.03213v1cs.AI

소형 언어 모델(SLM) 기반 에이전트의 태스크-도구 의도 매칭을 향하여

Toward SLM-based agentic task-tool intent matching

도구를 장착한 AI 에이전트는 도구 호출을 사용하여 데이터에 접근하고 외부 시스템에 조치를 취합니다. 에이전트 시스템의 수평적 성장은 이러한 상호작용의 수를 증가시키며, 짧은 지연 시간(latency) 및/또는 온프레미스(on-prem) 환경에서 작동할 수 있는 호출 단위의 자동화된 감독 필요성을 더욱 강화합니다. 기존의 권한 부여 방식은 에이전트의 도구 호출 허용 여부를 결정할 수는 있지만, 도구 선택이 태스크의 의도를 충족하기 위한 논리적이고 유의미한 단계인지 여부와 같은 에이전트의 기저 인지(cognition)를 평가하지는 못합니다. 결과적으로 허용된 호출이라 하더라도 태스크의 의도에서 벗어날 수 있습니다. 악성 에이전트가 호출을 왜곡하거나 다른 에이전트를 유도하여 태스크의 의도와 일치하지 않는 일련의 호출을 수행하도록 만들 수 있습니다. 따라서 모든 호출에 대한 검증이 필요합니다. 본 연구에서는 이러한 목적을 위한 소형 언어 모델(SLM)의 적용 가능성을 조사합니다. SLM은 할당된 태스크에 대해 선택된 각 도구를 독립적으로 평가하고 다운스트림 집행을 위한 관련성 신호를 반환하는 태스크-도구 관련성 분류기 역할을 수행합니다. 필요한 도구들이 서로 다른 모델 컨텍스트 프로토콜(MCP) 서버들에 걸쳐 있는 다중 도구 태스크를 포함하는 새로운 데이터셋을 기반으로, 본 연구는 프롬프트 최적화, 지도 미세조정(supervised fine-tuning), 그리고 GRPO를 통한 강화학습을 활용하여 SLM을 최적화하고 특화했습니다.

arXiv:2609.24620v1cs.AI

Ascent: 실제 임상 데이터 분석을 위한 Model Context Protocol 기반 에이전트 시스템

Ascent: An Agentic System over the Model Context Protocol for Real-World Clinical Data Analysis

실제 임상 데이터로 역학 질문에 답하려면 의료 코딩, 스키마 인식 SQL, 그리고 인구·분모·시간에 대한 암시적 선택의 검증이 필요하다. 본 논문은 표준화 스키마와 네이티브 스키마 모두에 대해 공유 Model Context Protocol 도구 표면을 통해 의료 코딩, 질의응답, 코호트 분석을 제공하는 에이전트 시스템 Ascent를 제안한다. 또한 시스�이 알려진 약물역학 오류를 피하는지 검사하는 데이터셋 EpiTrap을 소개하고, 여러 모델과 오케스트레이터에 걸쳐 고정 파이프라인과 에이전트를 비교한다. 성능이 충분한 모델을 사용할 때, 에이전트는 네이티브 스키마와 표준화 스키마에서 각각 평균 27 및 20 percentage point만큼 고정 파이프라인 대비 정확도를 높인다. 이러한 이득은 더 많은 도구 호출과 더 긴 실행 시간을 요구한다. 실제 프로젝트 경험은 타당성 평가, 진단적 반복, 전문가 주도 분석에서 본 시스템의 가치를 보여준다.

arXiv:2609.23925v1cs.SE

MCPGen: 실행 가능한 MCP 워크플로우 개발에 대한 대규모 언어 모델 벤치마킹

MCPGen: Benchmarking LLMs on Executable MCPWorkflow Development

본 연구에서는 대규모 언어 모델(LLM)이 그래프 구조, 도구 구현, 스키마 바인딩 및 런타임 연결 전반에서 일관성을 유지하는 실행 가능한 워크플로우 산출물을 생성할 수 있는지 조사합니다. 이러한 환경에서 정확성은 교차 계층(cross-layer) 일관성에 달려 있습니다. 즉, 워크플로우가 구조적으로 그럴듯하더라도 도구 구현, 스키마 바인딩 또는 런타임 실행이 서로 일치하지 않으면 실패할 수 있습니다. 기존 벤치마크는 주로 이러한 기능들을 분리하여 평가하거나 궤적 수준의 프록시에 의존하므로, 생성된 워크플로우 산출물이 엔드투엔드(end-to-end)로 실행되는지는 미확인 상태로 남아 있습니다. 이에 본 논문에서는 Model Context Protocol (MCP) 워크플로우 개발을 위한 실행 가능한 벤치마크인 \textbf{MCPGen}을 소개합니다. MCPGen은 16개 응용 도메인에 걸친 100개의 독립형 MCP 프로젝트를 포함하며, 워크플로우 재구성, 도구 생성, 하위 호환 워크플로우 확장의 세 가지 진단 태스크를 평가합니다. 우리는 단일 턴 기반 모델 환경에서 11개의 대표적인 LLM을 평가하고, 정적 분석, 단위 및 통합 테스트, 프로세스 격리 기반의 엔드투엔드 실행을 통해 생성된 산출물을 평가합니다. 모델들은 워크플로우 재구성에서 88.5%에 도달했으나, 어떤 모델도 57%의 엔드투엔드 실행 성공률을 넘지 못했습니다. 도구별 단위 테스트 통과율은 63.8%에 달한 반면, 프로젝트 수준의 통합 성공률은 45%를 넘지 못해 개별 도구 테스트를 통과하더라도 통합이 여전히 주요 병목 현상으로 남아 있음을 시사합니다.

arXiv:2606.05339v2cs.SE

Model Context Protocol 서버의 런타임 결함 분류체계

A Taxonomy of Runtime Faults in Model Context Protocol Servers

MCP(Model Context Protocol)는 대규모 언어 모델(LLM)이 표준화된 프로토콜을 통해 외부 도구 및 데이터 소스와 상호작용할 수 있게 한다. 도구 증강(tool-augmented) 인공지능(AI) 워크플로에서의 급속한 채택은 런타임에 수용되지만 강제되지 않는 구성 매개변수 등 새로운 신뢰성 과제를 도입했으며, 이로 인해 의도하지 않은 기본 동작이 발생하는데, 이러한 런타임 결함 특성은 경험적으로 아직 조사되지 않았다. 우리는 MCP 서버의 런타임 결함에 대한 최초의 경험적 분류체계를 제시한다. 473개의 활발히 유지되는 MCP 서버 GitHub 저장소를 아우르는 저장소 마이닝(repository-mining) 파이프라인을 통해 식별된 833개의 확인된 런타임 결함 스레드를 수동으로 분석하고, 상향식(bottom-up) 개방 코딩 절차를 사용하여 분류체계를 도출했다. 분류체계는 11개의 최상위 범주, 27개의 하위 범주(73개의 말단 결함 유형)로 구성되며, 프로토콜 상호작용, 도구 호출, 스키마 강제, 상태 관리, 모델-제공자 통합, 보안 검증, 그리고 진행 중인 작업의 타임아웃 또는 명시적 취소에 걸친 반복적 실패를 포괄한다. 분류체계의 외적 타당도를 평가하기 위해 55명의 MCP 서버 개발자를 대상으로 설문 조사했다. 응답자들은 27개 결함 하위 범주 중 평균 20개를 경험했다고 보고했으며, 관찰되지 않은 범주는 없었다. 이 결과는 분류체계가 MCP 기반 시스템에서 널리 관찰되는 런타임 실패를 반영함을 나타내며, 향후 AI 소프트웨어 유지보수 및 진화에 도움이 될 것이다.

arXiv:2607.24512v1cs.AI

대규모 언어 모델 통합을 통한 수학적 지식의 설명 가능성·접근성·상호운용성 확보

Making Mathematical Knowledge Explainable, Accessible and Interoperable Through Large Language Model Integration

수학적 모델은 연구 문제를 형식화하는 데 핵심적이지만, 이들의 문서화는 종종 FAIR(Findable, Accessible, Interoperable, Reusable) 원칙에 미치지 못한다. 수학 모델 데이터베이스(Mathematical Model Database, MathModDB)와 같은 지식 베이스는 수학적 모델의 큐레이션되고 의미적으로 풍부한 표현을 제공함으로써 이러한 격차를 해소한다. Wikidata의 기반이 되는 동일한 오픈소스 인프라인 Wikibase 위에 구축된 MathModDB는 Linked Open Data, 협업 편집, 의미적으로 강화된 메타데이터 저장을 지원하는 시맨틱 웹(Semantic Web) 기술을 활용하여, 더 넓은 Wikidata 생태계 내에서 도메인 특화 지식 그래프를 형성한다. 그러나 현재 MathModDB에 접근하려면 복잡한 웹 인터페이스를 탐색하거나 SPARQL 및 Wikibase API에 능숙해야 하며, 이는 잠재적 사용자에게 상당한 장벽이 된다. 또한 이러한 큐레이션된 지식 베이스와 Dataverse 저장소 인스턴스 등에 저장된 실제 연구 데이터를 결합하는 것은 여전히 과제로 남아 있다. 이러한 한계를 극복하기 위해, 우리는 벡터 인덱싱된 스키마 검색과 Steiner-tree 기반 조인 플래너를 제공하는 Model Context Protocol(MCP) 서버를 통해 대규모 언어 모델(LLM)을 MathModDB와 통합하는 방안을 제안한다. 이는 대화 기반 자연어 상호작용과 큐레이션되고 인식론적으로 근거 있는(epistemically grounded) 지식을 결합한다. MathModDB에 구현되었지만, 이 아키텍처는 다른 Wikibase 기반 시스템에도 적용할 수 있다. 우리는 이 접근법이 인식론적으로 근거 있는 LLM 사용을 가능하게 하고, 표준 Wikibase 인터페이스가 제공하는 수준을 넘어 모델의 설명 가능성과 접근성을 향상시키며, Dataverse 데이터 저장소와 같은 외부 데이터베이스 및 도구와의 상호운용성을 단순화함을 보여준다. 연속체 역학(continuum mechanics)과 효소 반응 속도론(enzyme kinetics) 분야의 수학적 모델을 다루는 두 가지 사용 사례를 통해, MCP 프로토콜의 적응성을 바탕으로 LLM의 접근성과 큐레이션된 지식 베이스의 인식론적 안전성(epistemic safety)을 결합하는 이점을 설명한다.

arXiv:2607.14158v1cs.AI

멀티 에이전트 AI와 MCP 서버를 활용한 전력망 연구 조율

Orchestrating Power Grid Studies with Multi-Agent AI and MCP Servers

본 입론(position paper)은 에이전트형 AI(Agentic AI)와 Model Context Protocol(MCP)가 송전계통 운영자(TSO) 환경에서 전력망 연구를 어떻게 지원할 수 있는지 탐구한다. 우리는 대규모 언어 모델(LLM)을 수치 시뮬레이션 도구, 구조화된 워크플로, 인간 감독과 통합하는 데 중점을 둔다. 에이전트가 지원하는 전력망 연구를 위한 핵심 산업 요구사항을 식별하고, 시뮬레이션 도구 pypowsybl의 선별된 기능을 AI 에이전트에 노출하는 MCP 기반 인터페이스인 pypowsybl-mcp를 소개한다. 이 첫 단계는 에이전트가 시뮬레이션을 설정하고, 분석을 실행하며, 결과를 검색하고, 표준화된 도구 호출을 통해 전력계통 시뮬레이터와 상호작용할 수 있는 방식을 연구하기 위한 테스트베드(testbed)를 제공한다. 또한 인간-참여(human-in-the-loop), 멀티 에이전트 워크플로에 대한 원칙을 논의하고, 기술 지표와 실무자 피드백을 결합한 평가 전략을 개략적으로 제시한다. 본 논문은 MCP 기반 도구 통합을 보다 상호작용적이고, 감사 가능하며, 확장 가능한 전력망 연구 환경을 향한 한 걸음으로 포지셔닝한다.

arXiv:2607.10123v1cs.SE

GitHub MCP 구현체의 대규모 데이터셋

A Large-Scale Dataset of MCP Implementations on GitHub

모델 컨텍스트 프로토콜(MCP, Model Context Protocol)의 급속한 등장은 대규모 언어 모델(LLM)을 외부 도구 및 서비스에 연결하는 새로운 표준을 제시했다. 오픈소스 개발 생태계에서의 빠른 채택에도 불구하고, MCP가 어떻게 구현되고 구조화되며 유지 관리되는지에 대한 체계적인 이해는 여전히 부족하다. 본 연구는 GitHub에서 직접 수집한 실제 MCP 구현체를 대상으로 한 최초의 대규모 실증 기반 데이터셋을 제시한다. GitHub REST API와 GraphQL API를 커스텀 Python 검증 스크립트와 결합한 하이브리드 파이프라인을 활용하여, 3,238개의 후보 저장소를 발굴하고 다단계 증거 검사를 통해 필터링 및 검증하였다. 검증된 각 프로젝트는 운영 역할(예: 클라이언트, 서버, 게이트웨이)에 따라 분류되고 재현 가능한 JSONL 스키마로 내보냈다. 대표 부분 집합에 대한 수동 검토 결과, 95% 신뢰 수준에서 전체 정밀도(precision) 83%가 확인되었으며, 주로 교육용 샘플, 튜토리얼, 또는 데모 템플릿으로 기능하는 저장소 집합이 추가로 식별되었다. 이후 이러한 비운영 저장소를 제거하는 특정 제외 규칙을 적용하여, 최종적으로 2,297개의 검증된 MCP 프로젝트로 구성된 데이터셋을 구축하였다. 분석 결과, Python과 TypeScript가 MCP 개발을 주도하고 있으며 하이브리드 아키텍처가 가장 일반적인 설계 패턴으로 부상하고 있음이 확인되었다. 투명한 검증 전략, 구조화된 증거 태깅, 재현 가능한 데이터 구성을 강조함으로써, 본 연구는 실제 MCP 생태계 연구를 위한 기초 벤치마크를 수립하고, 더 넓은 개발자 커뮤니티에서의 통합, 연결성 및 호환성에 관한 향후 연구를 지원한다.

arXiv:2606.06545v1cs.SE

Queen-Bee 에이전트: 거버넌스가 적용된 엔터프라이즈 MCP 오케스트레이션을 위한 BeeSpec 중심 아키텍처

Queen-Bee Agents: A BeeSpec-Centered Architecture for Governed Enterprise MCP Orchestration

엔터프라이즈 에이전트 시스템은 대규모 언어 모델(LLM)을 프라이빗 도구, 내부 지식, 그리고 Model Context Protocol(MCP) 인터페이스에 연결해야 하는 필요성이 점점 커지고 있다. 이러한 환경에서 순수한 작업 수행 능력만으로는 충분하지 않으며, 조직은 정책 집행, 테넌트 범위 격리, 그리고 명시적 운영 경계 내에서의 실행도 요구한다. 본 논문에서는 거버넌스가 적용된 다중 에이전트 아키텍처인 Queen-Bee를 제시한다. 이 아키텍처에서 Queen 제어 플레인은 기능을 검색하고, 작업 범위의 실행을 계획하며, 제한된 도구 접근 하에 특화된 Bee 에이전트들이 실행하는 구조화된 BeeSpec을 컴파일한다. 우리는 테넌트 범위 MCP 커넥터, 감사 기반 실행 시간 거버넌스, 검색 기반 약한 인큐베이션(weak incubation), 그리고 다중 프로비저닝 백엔드를 갖춘 동작하는 프로토타입을 구현하였다. 거버넌스 민감 요청, 검색 기반 프로비저닝, 범위 제한 로컬 실행, 화학 워크플로우 통합을 아우르는 59개의 엔터프라이즈 스타일 작업으로 시스템을 평가하였다. 검색 기반 Queen-Bee 변형은 작업 성공률 0.964, 거버넌스 실패 건수 0을 달성하였으며, 정적 Queen-Bee 기준선 및 허용적 단일 에이전트 기준선 대비 범위 제한 실행 품질이 실질적으로 우수하였다. 또한 명시적 승인 게이팅과 실제 상위 근거 및 스크리닝 산출물에 기반한 구체적인 상위 3개 후보 목록을 갖춘 다중 Bee 화학 워크플로우를 추가로 제시한다. 하이브리드 검색 및 LLM 기반 프로비저닝과의 추가 비교 결과, 더 풍부한 프로비저닝 백엔드가 실현 가능하지만 현재의 소규모 고구조화 기능 레지스트리에서는 경량 구조화 검색기를 능가하지 못함을 보인다. 본 결과는 프로덕션 배포 연구가 아닌 프로토타입 수준의 시스템 근거를 제공하며, 엔터프라이즈 에이전트 플랫폼은 기능 수준뿐만 아니라 거버넌스가 적용된 프로비저닝, 격리 동작, 범위 제한 실행 품질, 그리고 산출물 인식 워크플로우 조정 측면에서도 평가되어야 함을 시사한다.

arXiv:2508.19239v2cs.AI

적응형 전송 시스템에서의 모델 컨텍스트 프로토콜: 서베이

Model Context Protocols in Adaptive Transport Systems: A Survey

상호 연결된 장치, 자율 시스템, AI 애플리케이션의 급속한 확장은 다양한 프로토콜과 컨텍스트 소스가 여전히 격리되어 있는 적응형 전송 시스템(adaptive transport systems) 내에 심각한 단절을 초래했습니다. 본 서베이는 통합 패러다임으로서 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)에 대한 최초의 체계적인 조사를 제공하며, 프로토콜 수준의 적응과 컨텍스트 인식 의사결정(context-aware decision making)을 연결하는 MCP의 능력을 강조합니다. 기존 문헌을 분석한 결과, 기존의 노력들이 암묵적으로 MCP 유사 아키텍처로 수렴하고 있음을 확인하였으며, 이는 단절된 솔루션에서 표준화된 통합 프레임워크로의 자연스러운 진화를 시사합니다. 본 연구는 적응 메커니즘, 컨텍스트 인식 프레임워크, 통합 모델, 통합 전략, MCP 기반 아키텍처를 포괄하는 5가지 범주의 분류 체계를 제안합니다. 연구 결과는 세 가지 핵심 통찰을 밝혀냅니다. 첫째, 기존 전송 프로토콜은 격리된 적응의 한계에 도달했습니다. 둘째, MCP의 클라이언트-서버 및 JSON-RPC 구조는 의미적 상호운용성(semantic interoperability)을 가능하게 합니다. 셋째, AI 기반 전송은 MCP에 고유하게 적합한 통합 패러다임을 요구합니다. 마지막으로, 본 서베이는 MCP를 차세대 적응형, 컨텍스트 인식, 지능형 전송 인프라의 기반으로 자리매김하는 연구 로드맵을 제시합니다.