이전 시행 기록으로 AI 에이전트 성능 끌어올리기

핵심 요약

• 상호작용 작업에서 반복 시도는 다음 실행에 도움이 되는 사실, 유용한 작업, 실패 사례를 드러낸다.
• ReGE는 이러한 기록된 경험을 새로운 시도의 지침으로 변환하는 프레임워크다.
• 주요 구현인 ReGE-Syn은 단일 코치 호출로 제한된 실행 기록과 사용 가능한 결과물을 과제별 발견사항과 제안된 행동, 관련 함정을 연결한 자율적 지침으로 종합한다.
• 학생 에이전트는 과제의 초기 환경 상태에서 시작해 현재 관측에 맞춰 이 지침을 적용한다.
• 소스 생성, 종합, 학생 실행 모두 매개변수 업데이트나 더 강한 교사 없이 동일한 기본 모델을 사용한다.
• 4개 벤치마크에서 ReGE는 GPT 기준 정확도를 평균 9.9 포인트, Claude 기준 8.8 포인트 향상시켰다.
• BrowseComp-Plus 일치 부분집합에서 ReGE-Syn은 GPT 기준 지침 구성 토큰을 적응형 AggAgent 대비 98.2% 감소, Claude 기준 95.5% 감소시켰고 성공 사례를 보였다.
• 구성과 실행 토큰 합계는 소스 생성을 제외하고 입력과 출력을 포함해 각각 15.7%와 35.4% 감소했다.
• BrowseComp-Plus 절제 실험은 프로세스 정보 접근이 학생 단계 감소와 연관되며, 결합 종합이 직접 이력이나 독립 요약보다 훨씬 짧은 지침을 생성함을 보여준다.
• 에이전트 군집 같은 병렬 에이전트 시스템의 실행 기록을 통합하는 저비용 방식을 제안한다.