쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 16일 (월)까지4683건
6건 · "스킬 학습"조건 지우기 ×
001▲ 28 · 댓글 2에이전트의 변화하는 도구에 대한 적응력을 평가하는 벤치마크 공개AI 에이전트가 진화하는 도구 생태계에 얼마나 잘 적응하는지 평가하기 위해 Δτ-Bench라는 실행 가능한 벤치마크를 소개했다.AI · 머신러닝 · Δτ-Bench: Pushing Agents Toward a Moving Capability

Key PointLLM 기반 에이전트가 실무 환경에서 마주하는 도구 변화에 얼마나 적응할 수 있는지 보여주는 새로운 평가 기준으로, 기존 벤치마크의 한계를 직접 드러내고 해결책을 제시했기 때문이다.
핵심 요약
- AI 에이전트가 진화하는 도구 생태계에 얼마나 잘 적응하는지 평가하기 위해 Δτ-Bench라는 실행 가능한 벤치마크를 소개했다.
- 이 벤치마크는 1,588개의 검증된 멀티턴 작업과 42개 도메인, 6개의 연속적인 생태계 상태를 포함하며, 도구가 사라지거나 교체되고 더 효율적인 대안이 등장하는 현실을 모델링한다.
- 기존 벤치마크는 에이전트가 효율적인 도구 사용 경로를 주동적으로 발견하고 축적된 절차적 지식을 신속하게 수정할 수 있는지 검사하지 않는다.
전체 요약 6문장 읽기 → 002▲ 15 · 댓글 1다중 에이전트 팀에서 어떤 스킬을 개선할지 판단하는 GRSE 알고리즘협력하는 언어 모델 에이전트는 재사용 가능한 스킬을 수정해 가중치 업데이트 없이 개선할 수 있으나, 공유 팀 보상을 책임 있는 에이전트와 스킬로 추적해야만 한다.AI · 머신러닝 · Which Agent's Skill Should Change? Group-Relative Credit Assignment for Evolving Multi-Agent Teams

Key Point멀티 에이전트 시스템에서 실제로 성능을 올린 스킬을 정확히 찾아내는 것이 학습 효율을 크게 좌우하기 때문에, 기존 방법의 신용 할당 문제를 해결하는 GRSE의 접근이 의미 있다.
핵심 요약
- 협력하는 언어 모델 에이전트는 재사용 가능한 스킬을 수정해 가중치 업데이트 없이 개선할 수 있으나, 공유 팀 보상을 책임 있는 에이전트와 스킬로 추적해야만 한다.
- 기존 방법은 각 실행 경로에 나타난 스킬을 신용 할당하지만, 나타남이 책임은 아니므로: 성공한 실행에서 활성화된 해로운 스킬도 긍정적 신용을 받는다.
- GRSE(Group-Relative Skill Evolution)는 비교를 통해 행동 신용을 할당하며, GRPO에서 영감을 받아 같은 스킬 라이브러리 하에서 각 질문을 여러 번 실행하고 실행들을 대조해 에이전트-스킬 쌍을 신용하며 실패를 구조화된 진단한다.
전체 요약 6문장 읽기 → 003▲ 47 · 댓글 2LLM 에이전트가 스킬을 배우고 다시 쓰게 하는 대화형 학습법에이전트 스킬은 LLM 에이전트가 한 세션에서 배운 작업 지식을 다른 작업에 재사용하게 하는 기능이지만, 한 번의 성공으로는 절차의 모든 사용 조건을 검증하기 어렵다.AI · 머신러닝 · Socratic Skill Learning: Interleaving Teaching and Practice for Transferable Agent Skills

Key PointLLM 에이전트가 작업별 스킬을 효과적으로 학습하고 재사용하는 방법이 개발되면서, 생성형 AI의 작업 자동화 능력이 실무 환경으로 한 걸음 더 나아갔다.
핵심 요약
- 에이전트 스킬은 LLM 에이전트가 한 세션에서 배운 작업 지식을 다른 작업에 재사용하게 하는 기능이지만, 한 번의 성공으로는 절차의 모든 사용 조건을 검증하기 어렵다.
- Socratic Skill Learning(SSL)은 전문가 교수(Educator)와 학생(Student)을 짝지어, 학생이 환경을 직접 조작하고 제안받은 절차를 스스로 검증·수정하며 스킬을 작성하도록 한다.
- 연구팀은 35개 작업 계열과 408개 실행 가능한 사례로 구성된 SkillTransferBench를 만들어 스킬 재사용을 평가했다.
전체 요약 8문장 읽기 → 004▲ 44 · 댓글 2인간의 GUI 경험에서 재사용 가능한 에이전트 스킬을 자동 추출컴퓨터 사용 에이전트는 복잡한 GUI 작업을 수행할 수 있지만 인간의 도메인 지식이 필요한 낯선 소프트웨어와 워크플로우는 여전히 어려운 과제다.AI · 머신러닝 · Work2Skill: Capturing Human GUI Experience for Reusable Agent Skill Induction

Key Point복잡한 GUI 작업을 수행하는 AI 에이전트가 인간의 실제 워크플로우 지식을 자동으로 학습하고 재사용할 수 있는 새로운 방법론이며, 멀티모달 데이터셋도 함께 공개돼 향후 에이전트 연구의 기반을 제공한다.
핵심 요약
- 컴퓨터 사용 에이전트는 복잡한 GUI 작업을 수행할 수 있지만 인간의 도메인 지식이 필요한 낯선 소프트웨어와 워크플로우는 여전히 어려운 과제다.
- Work2Skill은 인간의 GUI 경험을 캡처하여 재사용 가능한 에이전트 스킬을 자동으로 유도하는 프레임워크를 제시한다.
- WorkRecorder는 화면 녹화, 마우스·키보드 이벤트, 접근성 트리 정보를 정렬하여 인간의 경험을 수집하는 인프라를 제공한다.
전체 요약 7문장 읽기 → 005당일 +412AI 에이전트 팀 관리 플랫폼 Paperclip 오픈소스 공개Node.js 서버와 React UI로 구성된 Paperclip은 여러 AI 에이전트를 기업처럼 조직하고 운영하는 오픈소스 플랫폼이다.AI · 머신러닝 · paperclipai/paperclip · TypeScript

Key Point여러 AI 에이전트를 실제 기업처럼 조직하고 관리해야 하는 개발자·창업가에게 필요한 기반 플랫폼이 오픈소스로 공개되었으며, 예산 관리와 승인 게이트 같은 실무적 통제를 제공한다.
핵심 요약
- Node.js 서버와 React UI로 구성된 Paperclip은 여러 AI 에이전트를 기업처럼 조직하고 운영하는 오픈소스 플랫폼이다.
- OpenClaw, Claude Code, Codex, Cursor, Bash, HTTP 등 어떤 에이전트든 온보딩할 수 있으며, 각 에이전트는 역할, 직책, 보고 라인, 권한, 월별 예산을 할당받는다.
- 태스크 기반 티켓 시스템으로 작업을 정의하면 에이전트들이 자동 실행하고, 승인 게이트로 결과를 검토한다.
전체 요약 13문장 읽기 → 006▲ 112 · 댓글 3깃허브 코드에서 AI 에이전트용 스킬 자동 추출Code2Skill이라는 파이프라인으로 19,769개 깃허브 저장소의 코드를 자동 분석해 100만 개 이상의 검증된 스킬 데이터베이스를 구축했다.AI · 머신러닝 · Grounded Skill Synthesis from Code at Scale for Agentic Intelligence

Key Point에이전트 AI에 필요한 재사용 가능한 스킬을 스케일로 자동 확보할 수 있는 새로운 경로를 제시하며, 기존 방법의 한계를 보완하는 동시에 성능 개선을 입증했다.
핵심 요약
- Code2Skill이라는 파이프라인으로 19,769개 깃허브 저장소의 코드를 자동 분석해 100만 개 이상의 검증된 스킬 데이터베이스를 구축했다.
- 추출한 스킬에는 원자적 작업, 복합 워크플로우, 반복 패턴이 포함되며 소스 코드 재구성과 비교로 검증된다.
- 이 방식은 환경 상호작용이 필요 없으면서도 실행 가능한 증거를 제공한다는 점에서 기존 궤적 기반 방식과 다르다.
전체 요약 5문장 읽기 →