Deep Research Agents: A Systematic Examination And Roadmap

이 논문은 딥 리서치(DR) 에이전트에 대한 체계적 검토와 로드맵을 제공하여, 핵심 구성요소를 정의하고 아키텍처를 분류하며 향후 과제를 제시한다.

이 논문은 딥 리서치(DR) 에이전트에 대한 체계적 검토와 로드맵을 제공하여, 핵심 구성요소를 정의하고 아키텍처를 분류하며 향후 과제를 제시한다. 복잡한 정보 연구 과제를 위해 동적 추론, 적응적 계획, 반복적 도구 사용을 통합하는 AI 시스템 개발의 산발적 노력을 통합하여, 이 분야에 대한 구조화된 이해를 제공한다.

핵심 요약

• 기존 LLM과 RAG를 넘어 동적 추론, 적응적 계획, 반복적 도구 사용을 통합하는 새로운 부류의 AI 시스템에 대한 명확한 정의와 분류 체계가 부재하다.
• 산발적인 연구 노력을 통합 프레임워크로 모아 공통 아키텍처 패턴과 기반 기술을 이해할 필요가 있다.
• 기존 평가 벤치마크는 고급 AI 연구 에이전트의 완전한 엔드투엔드 역량을 충분히 평가하지 못하는 한계가 있다.
• 이 논문은 딥 리서치(DR) 에이전트를 형식적으로 정의하고, 정적 워크플로와 동적 워크플로, 단일 에이전트와 멀티 에이전트 시스템을 구분하는 통합 분류 프레임워크를 제안한다.
• 정보 획득 전략(API 대 브라우저 기반), 다양한 도구 사용 역량(코드 인터프리터, 멀티모달 처리), 긴 맥락 최적화를 위한 메모리 메커니즘을 포함한 기반 기술을 체계적으로 분석한다.
• SFT, RL, 비모수적 지속 학습 같은 현재의 튜닝 패러다임을 평가하고, 주요 산업 구현 사례를 검토하며, DR 에이전트를 위한 기존 벤치마크를 비판적으로 평가한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.