Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems

시안교통대학교와 시드니대학교를 비롯한 여러 기관의 연구진이 'LIFE 진행' 프레임워크를 사용하여 대형 언어 모델(LLM) 기반 멀티 에이전트 시스템(MAS)에 대한 포괄적 서베이를 제공한다.

시안교통대학교와 시드니대학교를 비롯한 여러 기관의 연구진이 'LIFE 진행' 프레임워크를 사용하여 대형 언어 모델(LLM) 기반 멀티 에이전트 시스템(MAS)에 대한 포괄적 서베이를 제공한다. 이 프레임워크는 개별 에이전트 역량, 멀티 에이전트 협업, 실패 원인 규명, 자기 진화를 통합하여 이들 간의 인과적 상호의존성을 부각하고, 지속적 개선을 위한 폐루프 시스템을 옹호한다.

핵심 요약

• 개별 LLM 에이전트는 다양한 역할과 환경에 걸친 지속적 협응, 적응, 다단계 과제에서 한계에 부딪힌다.
• LLM 기반 에이전트에 관한 기존 연구는 개별 역량, 멀티 에이전트 협업, 자기 진화를 개별 주제로 따로 다루는 식으로 파편화되어 있어, 이들의 상호의존성에 대한 총체적 이해를 가로막는다.
• 긴밀하게 결합된 멀티 에이전트 시스템에서 오류 전파와 연쇄적 실패는 자동으로 진단하기 어려우며, 현재 시스템에는 진단적 통찰을 구조적 자기 개선으로 전환하는 메커니즘이 없다.
• 운영 생애주기를 인과적으로 연결된 네 단계, 즉 역량 기반 구축(Lay), 협업을 통한 에이전트 통합(Integrate), 원인 규명을 통한 결함 발견(Find), 자율적 자기 개선을 통한 진화(Evolve)로 구조화하는 'LIFE 진행' 프레임워크를 제시한다.
• 개별 에이전트 구성 요소, 멀티 에이전트 협업 메커니즘, 실패 원인 규명 방법, 자기 진화 메커니즘에 대한 분류 체계를 포함하여 각 단계를 체계적으로 검토하고 정형화한다.
• 실패 진단이 협업 재구성이나 에이전트 행동 개선과 같은 구조적 적응에 직접 반영되는 '폐루프 자기 개선 프레임워크'를 제안하고 분석한다.

논문 링크

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