쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 16일 (월)까지4683건
4건 · "스킬 최적화"조건 지우기 ×
001▲ 11 · 댓글 2AI 에이전트가 자신의 개선 방법을 스스로 최적화한다언어 에이전트가 재사용 가능한 스킬에 절차적 지식을 저장하는데, 기존 스킬 최적화 방법들은 사람이 설계한 고정된 절차를 따르거나 각 작업마다 메타스킬을 재학습한다.AI · 머신러닝 · Skill^{infty}: Recursive Self-Improvement for Agent Skill Optimization

Key PointAI 에이전트가 문제 해결 방법 자체를 자동으로 개선할 수 있는 체계가 나왔으며, 이는 AGI로 향하는 재귀적 자기개선의 실질적 구현 사례다.
핵심 요약
- 언어 에이전트가 재사용 가능한 스킬에 절차적 지식을 저장하는데, 기존 스킬 최적화 방법들은 사람이 설계한 고정된 절차를 따르거나 각 작업마다 메타스킬을 재학습한다.
- Skill^∞는 메타 에이전트가 메타스킬을 따라 작업 스킬을 최적화하고, 동일한 절차로 메타스킬 자신도 최적화하는 재귀적 자기개선(RSI) 방식을 제시한다.
- 최적화 과정은 에이전트가 주도하며, 실행 추적을 진단하고 후보를 제안하며 독립적 검토를 요청하고 탐색 예산을 배분하는 단계들을 정의한다.
전체 요약 6문장 읽기 → 002▲ 53 · 댓글 2에이전트 스킬을 기존 지식으로 최적화하는 RASO 기법 제안에이전트 스킬은 주어진 환경에서 작업을 효과적으로 수행하도록 안내하는 재사용 가능한 자연어 도구로, 최근 다양한 도메인과 환경을 대상으로 많은 공개 스킬이 축적되고 있다.AI · 머신러닝 · Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation

Key Point수백만 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.
전체 요약 6문장 읽기 → 003▲ 115 · 댓글 26LLM이 스스로 컨텍스트를 관리하는 새로운 모델 등장Context Language Models(CLM)은 언어 모델이 자체 컨텍스트를 원시적으로 관리할 수 있도록 설계되었다.AI · 머신러닝 · Context Language Models

Key Point컨텍스트 관리를 모델 스스로 학습하도록 함으로써 에이전트 시스템의 효율성과 확장성을 크게 개선할 수 있는 새로운 구조를 제시하기 때문이다.
핵심 요약
- Context Language Models(CLM)은 언어 모델이 자체 컨텍스트를 원시적으로 관리할 수 있도록 설계되었다.
- 컨텍스트를 파일처럼 취급하여 모델이 이를 자유롭게 업데이트하도록 함으로써, 중요한 정보 유지 방식을 스스로 학습하게 한다.
- 다중 에이전트 시스템에서 여러 에이전트의 컨텍스트가 파일 형태로 공존할 수 있다.
전체 요약 9문장 읽기 → 004▲ 15 · 댓글 2LLM 에이전트의 작업 능력을 그래프로 최적화하는 기법 등장LLM 에이전트의 성능을 높이는 스킬(작업 능력)을 기존의 비구조적 텍스트 형태에서 그래프 구조로 표현하는 방식을 제안했다.AI · 머신러닝 · GraphSkillEvo: Evolutionary Optimization of Graph-Structured Agent Skills

Key PointLLM 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.
전체 요약 5문장 읽기 →