LLM 에이전트를 위한 도구 기반 환경 자동 합성 기법 ToolSpace
원제 ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents
추천 34댓글 1
Key Point
LLM 에이전트의 다중 도구 조합 능력 평가 방식이 혁신되고 있으며, 실행 기반 환경 합성이 기존 데이터 기반 방식보다 훨씬 효과적임을 보여주는 구체적 증거가 제시되었다.
핵심 요약
- LLM이 장기 작업을 수행하는 에이전트로 배포될 때 다양한 도구를 조합해 워크플로우를 실행하는데, 기존 MCP 환경 확장 방식은 데이터베이스와 시나리오부터 만들고 거기서 도구를 도출해 도구 인터페이스와 실제 환경이 맞지 않는 문제가 있다.
- ToolSpace는 이 순서를 역으로 바꿔, 실제 MCP 서비스 실행 기록과 오픈 에이전트 코퍼스에서 인접한 호출들의 데이터·상태·재시도 의존성을 LLM 판단이 아닌 결정론적 규칙으로 추출하고, 가중치 있는 도구 조합 그래프를 환경으로 클러스터링한다.
- 상태 변경 환경만 데이터베이스를 합성하고, 조회·무상태 도구는 기록된 반환값을 재사용하며, 상태 인식 랜덤 워크와 롤백으로 각 체인을 자연어 작업으로 디컴파일하고 초기 상태에서 성공 재실행되는 샘플만 보관한다.
- AutomationBench와 tau3-Bench Banking에 적용하면 난이도 높은 Pro 버전을 생성해 프론티어 모델 7개가 최대 38.2포인트 성능 저하를 보인다.
- Qwen3.6-35B-A3B의 장기 도구 사용 평균 점수는 23.0에서 41.0으로 올랐고 강화학습 적용 시 43.2, GLM-5.2는 44.6에서 56.6으로 향상돼 Claude Opus 5 수준에 도달했다.
- 실행에서 확인된 도구 연결 간선이 LLM 판단 기반보다 성능이 우수하며, 데이터와 환경 규모가 증가할수록 성능 개선이 계속된다.