LLM 에이전트를 위한 재귀적 하네스 자동개선 프레임워크
원제 Harness^2: Recursive Agent Harnessing for an Open World
추천 77댓글 1
Key Point
하네스 개선의 일반화 가능성이 높아져 더 많은 LLM 에이전트 애플리케이션에서 성능 향상을 기대할 수 있기 때문이다.
핵심 요약
- LLM 에이전트의 성능은 모델뿐 아니라 실행 하네스에도 의존하는데, 미지의 과제가 많은 실제 환경에서는 신뢰할 수 있는 검증기가 없어 하네스를 개선하기 어렵다.
- Harness²는 과제 수준과 하네싱 수준에서 두 단계 재귀를 통해 이 문제를 해결하는 프레임워크다.
- 과제 수준 재귀는 Propose-Probe-Compose 단계에서 대비 학습으로 최적 하네스를 찾으며, 병렬·순차 재귀로 더 확장할 수 있다.
- 하네싱 수준 재귀는 이 과정의 경험을 수집해 지속적 개선 하네스를 업데이트하므로 미래의 새로운 과제에도 더 잘 적응한다.
- GLM-5와 Gemini 3.5 Flash에 적용한 결과, WorkBuddy-Bench에서 11.5점, JobBench에서 4.5점, LAB에서 11.8%포인트 향상되었고, 과제 수준 재귀 예산을 늘리면 추가 개선이 가능하다.