arXiv:2610.01256v1 cs.AI

DeFA: LLM 에이전트를 위한 의존성 기반 실패 귀인 프레임워크

DeFA: Dependency-Guided Failure Attribution for LLM Agents

Bo Deng, Xinlei Zheng, Yi Wei, Kang Zhou, Chongyang Tao, Renzhao Liang, Xuanren Chen, Lifan Guo, Chi Zhang

제출 2026-10-01

저자 비고

arXiv Comments

DeFA: Dependency-Guided Failure Attribution for LLM Agents

한국어 초록

대규모 언어 모델(LLM) 에이전트의 실행 중 발생하는 오류와 눈에 보이는 결과 사이에는 많은 단계가 존재할 수 있어, 결정적인 오류를 국소화하려면 각 단계의 내용과 단계 간 의존성을 모두 이해해야 합니다. 본 논문에서는 에이전트의 실패 귀인(failure attribution)을 위한 의존성 기반 프레임워크인 DeFA를 소개합니다. DeFA는 먼저 프로토콜 관계와 의미론적 의존성을 결합하여 전체 궤적에 걸친 사건 의존성 그래프를 구축합니다. 그런 다음 작업 요구사항을 위반할 수 있는 사건을 식별하고 그 원인과 후속 영향을 추적하여 실패 전파 그래프를 구성합니다. 마지막으로 DeFA는 단계별 증거와 실패 전파 과정에서 각 단계가 수행한 역할을 활용하여 결정적 오류, 책임 에이전트, 오류 범주를 식별합니다. 긴 궤적을 지원하기 위해 DeFA는 실행 과정을 세그먼트로 분할하고 현재 세그먼트의 상세한 내용과 다른 세그먼트의 요약을 결합함으로써 로컬 진단에서도 전체 실행 문맥에 접근할 수 있도록 합니다. Who and When 및 Who and When Pro 텍스트 하위 집합 전반에서, DeFA는 평가된 모든 백본에서 가장 높은 책임 에이전트 및 정확한 단계 정확도를 달성했으며, Pro에서는 분류 체계 기반 방법 중 가장 높은 실패 모드 정확도를 기록했습니다. 이미지 및 비디오 궤적에 대한 추가 실험은 멀티모달 실패 귀인에 대한 적용 가능성을 보여줍니다. 절제 연구(ablation)는 세그먼트 분할, 사건 의존성 그래프, 실패 전파 그래프의 기여도를 뒷받침합니다. Trace2Skill의 스킬 진화에 DeFA의 진단 피드백을 활용했을 때 기본 파이프라인 대비 다운스트림 작업 정확도가 6~15%p 향상되어, 이러한 진단이 후속 작업에서 에이전트의 개선을 지원할 수 있음을 입증합니다.

원문 초록

Errors in LLM agent executions and their visible consequences can be separated by many steps, making decisive-error localization a matter of understanding both step content and step dependencies. We introduce DeFA, a dependency-guided framework for agent failure attribution. DeFA first combines protocol relations and semantic dependencies into an event dependency graph spanning the trajectory. It then identifies events that may violate task requirements and traces their sources and subsequent effects to construct a failure propagation graph. Finally, DeFA uses step evidence and the steps' roles in failure propagation to identify the decisive error, responsible agent, and error category. To support long trajectories, DeFA partitions executions into segments and combines the current segment's detailed content with summaries of the other segments, giving local diagnosis access to global execution context. Across Who and When and the Who and When Pro text subset, DeFA achieves the highest responsible-agent and exact step accuracy with all evaluated backbones, and the highest failure-mode accuracy among taxonomy-aligned methods on Pro. Further experiments on image and video trajectories demonstrate its applicability to multimodal failure attribution. Ablations support the contributions of segmentation, the event dependency graph, and the failure propagation graph. Using DeFA's diagnostic feedback for skill evolution in Trace2Skill improves downstream task accuracy by 6-15 percentage points over the native pipeline, showing that the diagnoses can also support agent improvement on subsequent tasks.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.01256v1

함께 살펴볼 논문

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

arXiv:2610.10942v2cs.AI공통 태그 Large Language Model, llm agents

StoreBench: 자율 운영자 에이전트의 평가 및 학습을 위한 라이브 커머스 환경

StoreBench: A Live-Commerce Environment for Evaluating and Training Autonomous Operator Agents

강화학습(RL) 환경은 이제 사후 학습(post-training)에서 대규모 언어 모델(LLM)의 역량을 향상시키는 주요 수단이 되었으나, 대부분의 에이전트 벤치마크는 여전히 정적입니다. 즉, 에이전트가 행동할 때만 환경이 변화하고, 보상은 최종적인 판정으로 주어지며, 통과 기준은 자의적으로 설정됩니다. 본 논문에서는 에이전트가 프로덕션 수준의 상거래 백엔드에서 중간 규모의 온라인 의류 매장을 운영하며 불확실성 속에서 장기 계획 수립 및 경제적 판단력을 시험받는 라이브 커머스 환경인 StoreBench를 소개합니다. 고객은 24시간 내내 주문하고, 공급업체는 가격을 재책정하거나 공급에 실패하며, 시장 충격은 부분적인 예고만 있거나 예고 없이 발생합니다. 에이전트는 실제 인간 운영자가 사용하는 것과 동일한 29개의 판매자 도구를 통해 행동하며, 취해진 행동의 함수로 시뮬레이션 시간을 계산하는 윈도우 기반 운영 예산 하에서 작동하므로 모델 지연 시간이 시뮬레이션 시간에 영향을 미칠 수 없습니다. 통과 임계값은 스크립트 기반 앵커 정책을 기준으로 보정되었고, 보상은 다양한 보상 해킹 목록에 대비해 강화되었으며, 일련의 행동이 주어지면 모든 에피소드가 동일하게 재현됩니다. 본 연구에서는 추론 노력을 일치시킨 상태에서 세 가지 월드 시드에 걸쳐 30~45일 및 시뮬레이션된 1년 전체에 해당하는 11개 시나리오를 바탕으로 7개의 프론티어 LLM을 평가합니다. 평균적으로 스크립트 기반 스마트 트리아지(smart-triage) 정책에 필적하는 모델은 없었습니다. 최고 성능을 보인 DeepSeek-V4-Pro는 휴리스틱의 97% 대비 49%의 태스크-시드 셀을 통과했습니다. 동일한 도구와 예산을 사용하여 작업한 인간 전문가는 모든 모델보다 높은 점수를 기록했습니다(평균 종합 점수 0.708 대 0.700). Claude Code 하네스 기반의 시뮬레이션된 1년 전체에 걸쳐 대다수 모델은 극적인 성능 향상을 보입니다. GRPO 사후 학습 실행에서 서로 다른 5개의 태스크로만 학습된 Qwen3.5-27B는 홀드아웃(held-out) 평가 태스크에서의 평균 종합 점수를 0.136에서 0.373으로 향상시켰습니다. 본 연구에서는 학습 분할용 예시 태스크 5개, 샘플 궤적 10개, 점수 측정 및 검증 툴링을 공개하며, 벤치마크 오염을 방지하기 위해 전체 환경과 평가 스위트는 비공개로 유지합니다.

arXiv:2610.13438v1cs.AI공통 태그 Large Language Model, llm agents

롤아웃 시점 개입: 정책의 한계를 넘어 에이전트 강화학습 잠재력 끌어내기

Rollout-Time Intervention: Unlocking Agentic Reinforcement Learning Beyond Policy Limits

강화학습(RL)은 상호작용 환경에서 더 강력한 추론, 계획 및 도구 사용을 가능하게 함으로써 대규모 언어 모델(LLM) 에이전트를 개선하기 위한 핵심 패러다임으로 부상했습니다. 그러나 기존의 에이전트 강화학습 방법은 온-정책(on-policy) 추론 병목 현상으로 인해 근본적인 한계를 지닙니다. 즉, 작업이 모델의 현재 역량 범위를 벗어나면 유효한 궤적이 극도로 희소해져 학습(training)이 붕괴되는 경우가 빈번합니다. 본 연구에서는 정책 고유의 탐험(exploration) 역량을 넘어 성공적인 궤적을 이끌어내도록 설계된 기법인 롤아웃 시점 개입(Rollout-Time Intervention, RTI)을 제안합니다. RTI는 롤아웃 중에 보상 측면의 증거(즉, 평가 루브릭)를 활용하여 오류가 발생한 궤적을 성공적인 궤적으로 변환함으로써, 정책이 자체적으로는 거의 풀지 못하는 작업에 대해 효과적인 학습 신호를 제공합니다. 비록 개입 궤적이 본질적으로 오프-정책(off-policy)에 해당하지만, 과도한 분포 변화(distributional shift)를 보이는 궤적을 걸러내면 정책 최적화(optimization)를 효과적으로 이끌 수 있음을 확인했습니다. 5개 벤치마크에 걸친 광범위한 평가를 통해 RTI가 기존 강화학습 베이스라인을 일관되게 능가하며, 사후학습된 정책이 실질적으로 훨씬 더 강력한 최신 LLM의 성능에 근접하고, 더 중요하게는 기존의 역량 한계를 뛰어넘도록 지원함을 입증했습니다. 코드는 https://github.com/Alibaba-NLP/qqr 에서 이용할 수 있습니다.

arXiv:2610.13455v1cs.AI공통 태그 Large Language Model, llm agents

에이전틱 대규모 언어 모델

Agentic Large Language Models

대규모 언어 모델(LLM)은 전 세계적으로 큰 반향을 일으키고 있습니다. 인간의 언어로 소통하고 세상을 추론하는 능력 덕분에 LLM은 글쓰기, 질의응답 등 다양한 작업에 널리 활용되는 도구가 되었습니다. 모델이 제공하는 답변은 이미 우리의 결정과 행동에 영향을 미치고 있습니다. 만약 LLM이 세상에서 직접 행동할 수 있다면 어떻게 될까요? LLM끼리 서로 상호작용할 수 있다면 어떤 일이 일어날까요? 에이전틱 LLM은 대규모 언어 모델의 역량과 현실 세계에서 행동하는 능력을 결합합니다. 이 책에서는 에이전틱 LLM이 어떻게 작동하고, 행동하며, 상호작용하는지, 그리고 이것이 사용자로서 우리에게 무엇을 의미하는지 논의합니다.

arXiv:2610.13886v1cs.AI공통 태그 Large Language Model, llm agents

X-AgentRed: 진화하는 다중 서비스 생태계에서 개인용 에이전트의 레드팀 테스팅

X-AgentRed: Red-Teaming Personal Agents in Evolving Multi-Service Ecosystems

개인용 에이전트(personal agent)는 도구를 활용하여 웹과 애플리케이션 전반의 서비스와 연결되는 경우가 점점 늘어나고 있습니다. 에이전트의 행동 효과가 여러 서비스에 걸쳐 누적되고 상호작용함에 따라, 무해한 사용자 요청을 수행하는 과정에서도 의도치 않거나 유해한 결과가 발생할 수 있습니다. 이러한 복합적인 실패를 선제적으로 식별하려면 다양한 서비스 간 경로를 체계적으로 탐색해야 합니다. 기존의 레드팀 테스팅(red-teaming) 방식은 과업 및 환경 설명으로부터 잠재적으로 유해한 경로를 식별하도록 대규모 언어 모델(LLM)에 단순히 프롬프트를 제공하거나, 인간 또는 LLM이 지정한 유해 목표를 겉보기에 무해한 행동 조합으로 분해하는 방식을 주로 사용합니다. 그러나 생성 결과는 학습(training) 중에 습득한 패턴으로 편향되어 익숙한 도구 조합을 선호하고 새로운 교차 서비스 상호작용을 충분히 탐색하지 못할 가능성이 있습니다. 이를 해결하기 위해, 도구 의존성 그래프를 통해 유해한 도구 호출 경로를 발견하고 실행 피드백을 활용해 이를 확장 및 개선하는 자기 진화형 레드팀 테스팅 프레임워크인 X-AgentRed를 제안합니다. 레드팀 테스팅 에이전트는 각 도구의 효과, 잠재적 유해요소 및 실행 전제 조건을 분석하여 한 도구의 효과가 다른 도구의 실행 전제 조건을 어떻게 충족하는지 포착하는 방향성 그래프를 구축합니다. 이 그래프에서 추출된 레시피는 에이전트가 유해한 결과를 초래할 수 있는 현실적인 시나리오로 구체화됩니다. 실행 피드백은 도구 대체를 통해 유해성을 유발하는 경로를 다변화하고, 실패한 경로의 차단된 단계에서 전제 조건을 개선하여 추가 실행을 가능하게 함으로써 자기 개선을 실현합니다. 4개의 프론티어 에이전트 모델 전반에 걸쳐 X-AgentRed는 STAC 대비 1.77배의 유해 경로 발견율을 달성하고 더 다양한 도구 집합을 탐색하여 평균 2.99배의 도구 커버리지를 보였습니다.

arXiv:2610.10629v1cs.AI공통 태그 Large Language Model, llm agents

유일하게 변경 가능한 표면으로서의 하네스: 측정된 승인 게이트를 갖춘 신용 파이프라인 내 LLM 에이전트의 규제 준수 경계 자기 진화

The Harness as the Only Mutable Surface: Compliance-Bounded Self-Evolution of LLM Agents in Credit Pipelines, with a Measured Admission Gate

자기 개선형 대규모 언어 모델(LLM) 에이전트(agent)는 변경된 규칙에 맞춰 신용 파이프라인을 적응시킬 수 있지만, 스스로를 재작성하는 에이전트는 감독관이 검토해야 할 인공물인 명명된 변경 사항, 기록된 테스트, 승인 내역을 훼손합니다. 본 논문에서는 모델(model) 가중치를 고정한 채 런타임 하네스(지시문 텍스트, 도구 호출 로직, 원시 함수 구성)로만 자기 진화를 국한해야만 모든 적응이 원인 및 테스트가 첨부된 diff가 되어 검토 가능해진다고 주장합니다. 이러한 경계를 기반으로 구축되고 배포 전에 해시 체인 기록을 작성하는 하나의 승인 게이트를 갖춘 이중 루프 엔진을 제시하며, 언어 모델 대신 시뮬레이션된 에이전트와 시드 검색 제안기를 사용하여 시뮬레이션 환경에서 이 게이트를 측정합니다. 세 가지 심각도에 걸친 세 가지 유형의 감독 재해석에 대해 각각 10개의 시드를 적용한 결과, 게이트 루프는 7,449개의 후보 변경 사항 중 144개를 승인했으며, 이 중 홀드아웃된 이력 데이터에서 오류를 악화시킨 변경은 없었고, 모든 저심각도 및 중심각도 셀에서 미탐지 플래그를 증가시키지 않으면서 위양성률을 오라클 수준으로 복구했습니다. 게이트를 비제한적 시스템이 적용하는 검사(최근 트레이스에서 보이는 오류 감소)로 대체했을 때 동일한 루프가 309개의 유해한 변경을 승인했고 90회 실행 중 49회에서 미탐지 플래그가 10% 이상으로 유지되었습니다. 즉, 선별 기준이 느슨해졌기 때문에 위양성이 감소한 것이었습니다. 시프트 이전 라벨로 평가했을 때 게이트는 모든 후보를 거부했으므로, 재해석은 이력 데이터를 재라벨링하는 규칙으로 인코딩되어야 합니다. 모수적 시프트 및 범위 시프트는 국소적으로 복구되었으나 구조적 시프트는 원시 함수 교체로만 복구되었으며, 가장 높은 구조적 심각도에서는 게이트의 고정된 허용 오차로 인해 절반의 시드에서 올바른 교체가 차단되었습니다. 마지막으로 본 연구의 메커니즘을 고위험 신용 평가에 대한 EU AI 법의 조항에 매핑하고, 2026년 4월 미국 모델 위험 지침이 에이전트형 AI를 적용 범위에서 제외하고 있음을 언급합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.