EvolveMAS: A Unified Self-Evolution Framework for Decentralized Multi-Agent Systems

이 논문은 중앙 통제 없이 상호작용하는 다중 에이전트가 파라미터 갱신 없이 경험으로 적응하는 문제를 전용 메모리 에이전트와 교차 에피소드 지식 증류로 풀었다.

이 논문은 한마디로 분산 다중 에이전트 시스템에서 에이전트가 상호작용 경험만으로 스스로 적응하게 하는 통합 자가진화 프레임워크 EvolveMAS를 제안했다. 각 주 에이전트에는 메모리를 관리하는 전용 MemoryAgent가 붙어 주 에이전트의 추론 맥락 밖에서 구조화 메모리를 유지한다. 에피소드 안의 온라인 적응과 에피소드 사이의 지식 진화를 함께 운영해 협동, 혼합 동기, 적대 설정을 한 프레임워크로 다룬다.

핵심 요약

• EvolveMAS는 각 주 에이전트에 전용 MemoryAgent를 붙여 주 에이전트의 추론 맥락 밖에서 격리된 구조화 메모리를 관리하게 했다.
• 다섯 벤치마크와 여섯 평가 설정에서 EvolveMAS는 규격화 평균 점수 77.2로 가장 강한 개별 설정 기준 대비 9.7점, Self-Memory 대비 7.7점 높았다.
• 협동 설정에서 BBH 83.0, HumanEval 97.0을 기록해 각각 기준 79.0, 95.7을 넘었다.
• 적대 설정 늑대 게임에서 늑대 기만 성공 70.0으로 최고 경쟁 방법보다 13점 높았다.
• LLM-Deliberation 절제 실험에서 외부 MemoryAgent는 만장일치율을 24.0%에서 74.0%로 올리고 교차 에피소드 지식 추가로 86.0%까지 올렸다.
• 메모리 관리로 7번째 에피소드에서 맥락 점유율을 0.62%로 유지해 원문 이력을 맥락에 실은 대비 6.54%보다 낮았다.

논문 링크

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