arXiv:2607.08319v1 cs.DB

GitLake: 에이전트 중심 레이크하우스를 위한 데이터용 Git

GitLake: Git-for-data for the agentic lakehouse

Weiming Sheng, Jinlang Wang, Manuel Barros, Aldrin Montana, Jacopo Tagliabue, Luca Bigon

제출 2026-07-09

한국어 초록

우리는 에이전트 우선 레이크하우스를 위한 데이터용 Git 설계인 GitLake를 제시한다. 이 시스템은 단일 테이블 Iceberg 스냅샷을 레이크하우스 전체 범위의 커밋, 브랜치, 머지로 끌어올려, 에이전트가 격리된 브랜치에서 작업하는 동안 사람이 변경 사항을 검토하고 게시할 수 있도록 한다. 파이프라인은 임시 브랜치에서 실행되고 최종 머지를 통해 게시되므로, 모든 출력이 원자적으로 가시화되거나 전혀 가시화되지 않는다. 마지막으로, 핵심 추상화에 대한 예비 Alloy 모델로부터 얻은 정확성 통찰과 프로덕션 운영 교훈을 보고한다.

원문 초록

We present GitLake, a Git-for-data design for an agent-first lakehouse. The system lifts single-table Iceberg snapshots into lakehouse-wide commits, branches, and merges, letting agents work on isolated branches while humans review and publish changes. Pipelines run on temporary branches and publish through a final merge, so all outputs become visible atomically or none do. Finally, we report production lessons as well as correctness insights from a preliminary Alloy model of our core abstractions.

요약

에이전트 우선 레이크하우스를 위해 Apache Iceberg의 단일 테이블 스냅샷을 레이크하우스 전체의 커밋·브랜치·머지로 끌어올린 Git-for-data 시스템 GitLake를 제안하며, 에이전트는 격리된 브랜치에서 자유롭게 작업하고 사람이 머지를 통해 프로덕션 게시를 승인하는 협업 구조를 구현한다. 파이프라인은 임시 브랜치에서 실행 후 최종 머지로 원자적으로 게시되어 "반쪽 기록" 문제를 방지하며, 수백만 건의 프로덕션 운영 경험과 Alloy 모델 기반의 정확성 검증 결과도 함께 보고한다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2607.08319v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22719v1cs.SE공통 태그 agentic systems

코드에서 요구사항으로: 기업 규모 비즈니스 규칙의 에이전트 기반 역공학

From Code to Requirements: Agentic Reverse Engineering of Business Rules at Enterprise Scale

기업용 소프트웨어 시스템의 비즈니스 요구사항은 구조화된 형태로 거의 기록되지 않으며, 로직은 대신 소스 코드, 설정 파일, 조직적 기억(institutional memory) 속에 존재한다. 이러한 시스템을 이전·확장·감사해야 할 때 공식적인 요구사항 산출물이 없으면 팀은 비용이 많이 들고 지식이 소실되는 수동 역공학에 내몰린다. 본 논문은 문서화되지 않은 기업 소프트웨어를 역공학하여 비즈니스 요구사항 문서(Business Requirements Documents, bRD)를 자율적으로 생성하는 에이전트 기반 프레임워크를 제시한다. 일곱 개의 전문 에이전트가 협력하여 사용자 여정을 발견하고 비즈니스 규칙을 추출하며, 코드·테스트 스위트·설정·가용 문서로부터 잠금(lock)된 bRD를 합성한다. 이 과정은 정적 분석 도구로 지원되고, 내장된 숙련 실무자 인지 모델이 안내하며, 통제된 에스컬레이션 지점에서 인간 검토자가 감독한다. 실제 기업 배포 환경의 실행 트레이스로 측정한 결과, 프레임워크는 서비스당 9분 미만으로 포괄적인 bRD를 생성하며, 추출된 규칙은 실제 프로덕션 결함 기록과 독립적으로 상호 검증되었다. 동일 목표 아키텍처로의 유사한 이전 마이그레이션에서는 납기에 2년 이상이 걸렸으나, 현재 프로그램에서 이 프레임워크는 IFPUG 복잡도 모델과 업계 벤치마크 인건비를 사용해 실제 저장소 메트릭에서 도출한 기준선 대비 98%를 넘는 비용 절감을 달성한다.

arXiv:2510.05592v2cs.AI공통 태그 agentic systems

효과적인 계획 및 도구 사용을 위한 In-the-Flow 에이전트 시스템 최적화

In-the-Flow Agentic System Optimization for Effective Planning and Tool Use

결과 지향(outcome-driven) 강화학습은 대규모 언어 모델(LLM)의 추론을 발전시켰지만, 지배적인 도구 증강(tool-augmented) 접근법은 전체 컨텍스트 하에서 사고와 도구 호출을 교차 배치하는 단일의 거대(monolithic) 정책을 학습하며, 이는 긴 수평선과 다양한 도구에 대해 확장성이 낮고 새로운 시나리오에 대한 일반화가 약하다. 에이전트 시스템은 작업을 전문화된 모듈로 분해함으로써 유망한 대안을 제공하지만, 대부분은 학습 없이(training-free) 운용되거나 다중 턴 상호작용의 실시간 동역학과 분리된 오프라인 학습에 의존한다. 우리는 진화하는 메모리를 통해 네 가지 모듈(플래너, 실행기, 검증기, 생성기)을 조율하고 다중 턴 루프 내에서 플래너를 직접 최적화하는 학습 가능한 in-the-flow 에이전트 프레임워크인 AgentFlow를 제안한다. 실시간 환경에서 온-정책 학습을 위해, 다중 턴 최적화를 처리 가능한 단일 턴 정책 업데이트의 시퀀스로 변환하여 긴 수평선의 희소 보상(sparse-reward) 크레딧 할당 문제를 해결하는 Flow 기반 Group Refined Policy Optimization(Flow-GRPO)을 제안한다. 이 방법은 검증 가능한 단일 궤적 수준(trajectory-level) 결과를 모든 턴에 전파하여 지역적 플래너 결정을 전역적 성공과 정렬하고, 그룹 정규화된 이점(group-normalized advantages)으로 학습을 안정화한다. 10개 벤치마크에서 7B 규모 백본을 사용한 AgentFlow는 검색 14.9%, 에이전트 14.0%, 수학 14.5%, 과학 4.1%의 평균 정확도 향상으로 최고 성능 기준선을 능가하며, GPT-4o와 같은 더 큰 독점 모델조차 넘어선다. 추가 분석은 in-the-flow 최적화의 이점을 확인하며, 향상된 계획, 강화된 도구 호출 신뢰성, 모델 크기 및 추론 턴 수에 따른 긍정적 스케일링을 보여준다.

arXiv:2605.28390v2cs.AI공통 태그 agentic systems

한 번 이상 산다: 계층적 스킬 메타 진화를 향하여

You Live More Than Once: Towards Hierarchical Skill Meta-Evolving

테스트 시점 스킬 진화(test-time skill evolving)는 배포된 에이전트 시스템을 향상시키는 새로운 패러다임으로 간주된다. 기존 연구는 주로 하드코딩된 스킬 진화 전략이나, 기반 LLM의 비용이 큰 매개변수 업데이트에 의존하는 매개변수 학습(parametric learning)에 초점을 맞춘다. 본 논문에서는 서로 다른 다운스트림 시나리오에서 에이전트 시스템의 지속적 개선을 위해 스킬 진화 프레임워크 자체의 테스트 시점 정제(test-time refinement)가 필요하며, 경량 알고리즘 적응(algorithmic adaptation)이 가능함을 보인다. 구체적으로, 우리는 에이전트의 작업 실행 추적(task execution traces)으로부터 메타-스킬(meta-skills)을 학습하여 스킬과 스킬 진화 전략을 공동 최적화하는 경량 계층적 스킬 메타 진화(hierarchical skill meta-evolving) 솔루션인 HiSME를 제안한다. 주류 에이전트 벤치마크에서의 실험은 메타 진화가 순수 스킬 진화보다 더 높은 품질의 스킬 라이브러리를 생성할 수 있으며, 서로 다른 시나리오에 대해 다양한 메타-스킬을 도출하여 향후 지속적 경험 학습(continual experience learning)을 촉진할 수 있음을 보여준다. 우리의 코드는 https://anonymous.4open.science/r/HiSME-BD45 에서 임시로 공개되어 있다.

arXiv:2607.14611v1cs.CR공통 태그 agentic systems

Bad Memory: 에이전틱 시스템에서 메모리로 인한 프롬프트 인젝션 위험 평가

Bad Memory: Evaluating Prompt Injection Risks from Memory in Agentic Systems

점점 더 많은 에이전틱 시스템이 메모리 파일, 행동 선호, 지식 베이스를 통해 세션 간 지속적인 상태를 유지하고 있다. 이는 에이전트를 더 유용하고 자기 개선적으로 만들지만, 악의적인 지시를 지속 파일에 내장하여 이후 행동에 영향을 미칠 수 있는 프롬프트 인젝션을 위한 새로운 공격 표면을 만들기도 한다. 본 연구에서는 샌드박스화된 합성 워크스페이스를 사용하여 메모리 기반 에이전틱 시스템에서의 프롬프트 인젝션 공격을 연구한다. Anthropic Claude Code와 OpenAI Codex 두 에이전틱 시스템을 Claude Haiku 4.5, Claude Opus 4.7, GPT-5.2, GPT-5.5 네 모델에 걸쳐 평가한다. 결과는 신뢰할 수 없는 외부 콘텐츠로 에이전트가 자신의 메모리 파일을 덮어쓰게 하기는 어렵지만, 해당 파일에 이미 심어 둔 페이로드는 현재 및 이후 세션을 성공적으로 공격할 수 있음을 보여준다. 공격 성공률과 페이로드 지속성은 시스템, 모델, 적대적 목표, 다중 세션 공격 시퀀스에 따라 크게 달라진다. 이러한 발견은 지속적 메모리가 프롬프트 인젝션의 위협 모델을 바꾼다는 점과, 유용한 에이전트 적응을 제거하지 않으면서 메모리 업데이트를 보호하는 방어를 촉구함을 보여준다.

arXiv:2607.13071v1cs.SE공통 태그 agentic systems

인식론적 실패로서의 Compaction: 에이전틱 LLM 도구가 강제 종료된 프로세스로부터 확인된 결과를 날조하는 방식

Compaction as Epistemic Failure: How Agentic LLM Tools Fabricate Confirmed Results from Killed Processes

에이전틱 LLM 코딩 도구는 긴 세션 기록을 compaction 요약으로 압축하며, 이후 세션이 이를 ground truth로 상속받는다. 본 논문은 Claude Code에서의 실패 모드를 문서화한다. 시간 초과된 명령(종료 코드 143)의 부분적 표준 출력이 compaction 요약에 확인된 결과로 기록되고, 재검증 없이 세션과 모델 버전 전반에 걸쳐 거짓 양성이 전파된다. 근본 메커니즘은 관측과 지속성(persistence)의 혼동으로, 터미널에 나타난 정보가 내구성 저장소에 기록된 정보와 동등한 것으로 취급된다. 이 발견은 LLM-as-judge 채점에서의 비결정성에 관한 선행 연구에서 보고된 LLM 자기 평가(self-evaluation) 실패 분석을 확장하며, 에이전틱 도구가 자신의 운영 결과를 보고할 때 유사한 신뢰성 결함을 보인다는 것을 보여준다. 이 실패는 데이터 처리, 과학적 계산, 또는 다단계 자동화를 위해 에이전틱 세션 연속성에 의존하는 모든 워크플로에 직접적인 함의를 갖는다.

arXiv:2607.12747v1cs.AI공통 태그 agentic systems

성공의 흐름으로부터 에이전트 실패 추적

Tracing Agentic Failure from the Flow of Success

LLM 기반 에이전트 시스템의 실패 귀속(failure attribution), 즉 실패 궤적에서 어떤 단계가 과제 실패를 유발했는지 식별하는 것은 이러한 시스템의 디버깅과 개선에 핵심적이다. 기존 접근법은 계산 비용이 큰 프롬프트 기반 파이프라인에 의존하거나, 단계 수준 오류 주석이 포함된 실패 궤적에 대한 사후 학습을 요구하는데, 이는 수집 비용이 크고 규모 확장이 어렵다. 우리는 실용적인 실패 귀속 모델이 경량이어야 하며 실패 데이터에 대한 단계 수준 감독 없이 학습 가능해야 한다고 주장한다. 이를 위해 비지도 실패 귀속(unsupervised failure attribution)을 다룬다. 즉, 성공 궤적만으로 학습하고 실패 궤적이 주어졌을 때 추론 시점에 오류 단계를 식별한다. 우리는 OAT를 제안하는데, 이는 신경 제어 미분방정식(neural controlled differential equations)을 사용한 일급 학습(one-class learning)으로 이 문제를 형식화하며, 잠재 공간에서 성공 궤적의 동역학 패턴을 모델링한다. 추론 시점에 실패 궤적의 각 단계는 성공 궤적에서 학습된 동역학으로부터의 편차에 기반한 이상 점수(anomaly score)를 부여받으며, 이는 오류 단계 집합을 형성하는 데 사용된다. 100개의 성공 궤적만으로 학습한 실험에서 OAT는 프롬프트 기반 베이스라인보다 200--5000 $\times$ 빠르며, 동시에 도메인 내 및 분포 외(out-of-distribution) 데이터셋에서 각각 F1 점수 +20% 및 +7%로 일관되게 우수한 성능을 보여, OAT가 에이전트 시스템 실패 진단을 위한 유망하고 효율적인 방향임을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.