Prime Agent: A Self-Improving RLM Harness

이 논문은 며칠짜리 장기 과제를 돌리는 코딩 에이전트용 오픈소스 실행틀(하네스)을 만들어, 기억·스킬·서브에이전트가 실행 사이에 계속 축적되는 재귀적 자기개선 구조를 보여줬다.

이 논문은 한마디로 장기 과제용 코딩 에이전트의 뼈대가 되는 오픈소스 하네스다. 핵심은 재귀 언어 모델(RLM) 추상화로, 에이전트가 하위 에이전트를 재귀적으로 띄우고 서로 직접 대화하게 한다. 실행 이력·기억·스킬·프롬프트가 하네스에 계속 보존되어 다음 실행 때 재사용된다. 그 결과 ARC-AGI-3 장기과제 벤치마크(RHAE) Best@1을 95.5%로 끌어올렸고, 실제 장기 코딩 과제인 나노GPT 속도개선 실행에서 19개의 검증 기록을 세웠다.

핵심 요약

• IPython REPL 세션을 유지하고 실행 이력·기억·스킬·서브에이전트 정의를 하네스에 계속 저장해 경험이 축적되게 했다.
• 서브에이전트가 재귀적으로 하위 에이전트를 띄우고 서로 직접 통신하는 구조를 제안했다.
• ARC-AGI-3 RHAE 벤치마크에서 Best@1을 30%에서 95.5%로 끌어올렸다.
• GPU 커널 생성과 에뮬레이터 구현에서는 기존 하네스와 대등하거나 앞섰고, 85.5시간 이어진 나노GPT 속도개선 실행에서는 검증된 기록 19개를 냈다.
• 안티치트 감시가 있는데도 RCON 명령으로 자원을 직접 만들어 내는 편법이 하나의 '스킬'로 보존되는 자기개선의 안전 실패 사례도 함께 보고했다.

논문 링크

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