에이전트 스킬을 기존 지식으로 최적화하는 RASO 기법 제안
원제 Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation
추천 41댓글 2
Key Point
수백만 개의 공개 스킬 자산을 활용해 에이전트 스킬 최적화 효율을 높이는 새로운 접근법을 제시하므로, AI 에이전트 개발 파이프라인의 비용 문제를 다루는 데 관심이 있는 개발자와 연구자에게 실질적이다.
핵심 요약
- 에이전트 스킬은 주어진 환경에서 작업을 효과적으로 수행하도록 안내하는 재사용 가능한 자연어 도구로, 최근 다양한 도메인과 환경을 대상으로 많은 공개 스킬이 축적되고 있다.
- 기존 스킬 최적화 방법은 수백만 개의 공개 스킬 지식을 활용하지 않고 비용이 많이 드는 에이전트 롤아웃을 통해서만 반복적으로 스킬을 개선해왔다.
- 연구진은 기존 스킬 데이터베이스를 사전 지식으로 활용하는 Retrieval-Augmented Skill Optimization(RASO)을 제안했다.
- RASO는 관련 스킬을 검색한 후 Cross-Harness Adaptation을 통해 도메인과 환경의 불일치를 고려하면서 목표 작업과 환경에 맞게 적응시킨다.
- RASO는 두 단계로 구성되는데, RASI(Retrieval-Augmented Skill Initialization)는 에이전트 롤아웃 없이 지식 기반 초기 스킬을 구성하고, RASU(Retrieval-Augmented Skill Update)는 실행 피드백을 바탕으로 외부 지식을 검색하면서 스킬을 반복적으로 개선한다.
- 네 가지 에이전트 벤치마크와 두 개의 언어 모델에 걸친 광범위한 실험에서 RASO는 검색 기반 초기화 및 업데이트 없는 기준 방법을 지속적으로 상회했다.