LLM 에이전트의 작업 능력을 그래프로 최적화하는 기법 등장
원제 GraphSkillEvo: Evolutionary Optimization of Graph-Structured Agent Skills
추천 15댓글 2
Key Point
LLM 기반 에이전트의 성능을 좌우하는 스킬 최적화 문제에서 구조화된 표현 방식과 효율적인 탐색 기법을 제시하므로, 에이전트 개발자에게 실무적 영향이 있다.
핵심 요약
- LLM 에이전트의 성능을 높이는 스킬(작업 능력)을 기존의 비구조적 텍스트 형태에서 그래프 구조로 표현하는 방식을 제안했다.
- 그래프 구조에서 각 노드는 실행 단계와 지시사항을 담고, 엣지는 단계 간 문맥 의존적 전이를 나타낸다.
- 기존 방식의 문제점인 명확한 워크플로우 부재와 높은 중복성을 해결하고, 자연어 스킬의 방대한 탐색 공간을 축소한다.
- GraphSkillEvo라는 진화 알고리즘 프레임워크를 개발했으며, 변이와 교배 연산자로 여러 후보 스킬을 유지·결합한다.
- 5개 에이전트 벤치마크에서 기존 방법(SkillOpt)보다 평균 정확도를 GPT-5.4-nano에서 4.01%, GPT-5.4에서 1.76% 개선했다.