쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 16일 (월)까지 4683건
8건 · "진화 알고리즘"조건 지우기 ×
001 18:11 ▲ 27 · 댓글 2 LLM 다중에이전트 팀 조직, 상호작용 규칙을 함께 진화시키는 프레임워크 LLM 기반 다중에이전트 시스템(MAS)은 복잡한 작업 해결을 위해 전문화된 에이전트 간 협력에 의존한다. AI · 머신러닝 · EvoTeam: Multi-Agent Collaboration via Evolving Teams
Key Point 다중에이전트 시스템의 협력을 진화시키는 새로운 접근법으로, 팀 조직과 상호작용 규칙을 동시에 개선하는 메커니즘이 기존 개별 에이전트 최적화의 한계를 극복한다.
핵심 요약
LLM 기반 다중에이전트 시스템(MAS)은 복잡한 작업 해결을 위해 전문화된 에이전트 간 협력에 의존한다. 기존 방식은 개별 에이전트의 프롬프트, 스킬, 실행 전략을 개선하지만 팀 협력 향상으로 직결되지 않는 문제가 있다. 최근 연구들은 진화를 협력 수준으로 확장해 집단 실행 경험으로 팀 조직과 에이전트 간 상호작용을 조정하고 있다. 전체 요약 8문장 읽기 → 002 15:11 ▲ 46 · 댓글 2 프롬프트 진화 알고리즘 비교하는 오픈소스 프레임워크 RSIHub AI 에이전트의 프롬프트, 스킬, 도구, 오케스트레이션을 실행 피드백으로 개선하는 Agent-evolution methods 연구가 늘고 있으나, 각 논문이 비슷한 실험 환경을 반복해서 구축해야 하는 문제가 있다. AI · 머신러닝 · RSIHub: A Composable Framework for Agent-Evolution Methods
Key Point Agent-evolution 연구자들이 각자 실험 환경을 처음부터 짜는 낭비를 없애고 방법 간 공정한 비교를 할 수 있는 표준 프레임워크가 등장했기 때문이다.
핵심 요약
AI 에이전트의 프롬프트, 스킬, 도구, 오케스트레이션을 실행 피드백으로 개선하는 Agent-evolution methods 연구가 늘고 있으나, 각 논문이 비슷한 실험 환경을 반복해서 구축해야 하는 문제가 있다. 이를 해결하기 위해 RSIHub라는 오픈소스 프레임워크를 개발했으며, 재사용 가능한 연산자와 변경 가능한 리소스를 조합한 레시피를 작성하면 실행·평가·복구·계보 추적을 자동으로 처리한다. AHE, Hyperagents, A-Evolve, GEPA 등 4가지 기존 방법을 RSIHub 핵심 코드 수정 없이 구현했으며, 각 방법의 특정 로직은 레시피와 연산자에만 담긴다. 전체 요약 6문장 읽기 → 003 03:11 ▲ 19 · 댓글 2 스스로 개선하는 AI, 살아있는 환경에서 진화한다 현재 대부분의 AI 시스템은 고정된 파라미터로 출시되어 외부 업데이트로만 개선되지만, 이상적인 시스템은 자신의 경험으로부터 계속 개선되는 '순환적 자기개선(RSI)' 능력을 가져야 한다. AI · 머신러닝 · Evolving with Open Worlds: Towards Recursive Self-Improvement for Future Forecasting
Key Point 모델이 외부 업데이트 없이 자신의 경험으로 지속적으로 개선되는 구조를 실제로 구현해 검증했으며, AI 훈련 패러다임의 근본적 전환을 제시한다.
핵심 요약
현재 대부분의 AI 시스템은 고정된 파라미터로 출시되어 외부 업데이트로만 개선되지만, 이상적인 시스템은 자신의 경험으로부터 계속 개선되는 '순환적 자기개선(RSI)' 능력을 가져야 한다. 미래 이벤트 예측에 기반한 자기진화 에이전트 시스템 'DeepEvolve'를 개발했으며, 에이전트가 지속적으로 변화하는 환경과 상호작용하면서 경험을 내재화·외재화하여 개선된다. 검증 가능한 작업을 합성하는 살아있는 환경과 각 예측 뒤의 추론 궤적을 능력으로 변환하는 순환진화 엔진으로 구성되며, 탐색을 예측으로부터 분리하여 파라미터 수준의 진화를 오염 위험이 있는 라이브 환경에 맞춘다. 전체 요약 8문장 읽기 → 004 09:11 ▲ 10 · 댓글 3 생물 진화 원리로 LLM 멀티에이전트 시스템 테스트 최적화 LLM 기반 멀티에이전트 시스템(MAS)은 복합 작업에 특화된 에이전트들을 조율하지만, 효과적인 워크플로우를 사전에 설계하기 어렵다. AI · 머신러닝 · Inherit-MAS: Test-Time Evolution of Multi-Agent Systems through Workflow and Execution Inheritance
Key Point 복합 작업을 처리하는 멀티에이전트 LLM 시스템의 워크플로우 최적화와 실행 효율성 문제를 동시에 해결한 새로운 접근법으로, 토큰 사용량을 대폭 줄이면서 성능을 높인다.
핵심 요약
LLM 기반 멀티에이전트 시스템(MAS)은 복합 작업에 특화된 에이전트들을 조율하지만, 효과적인 워크플로우를 사전에 설계하기 어렵다. Inherit-MAS는 워크플로우와 실행 단계에서 '상속'을 명시적으로 구현해 테스트 시점의 진화를 효율화했다. 메타 모델이 워커 에이전트 워크플로우를 합성하고(역할·통신·권한 선언), 별도의 판사 모델이 실행 결과를 평가하고 결함을 진단한다. 전체 요약 8문장 읽기 → 005 03:11 ▲ 21 · 댓글 2 비용 효율 중심 LLM 진화 알고리즘 FrugalEvo 공개 LLM 기반 진화 알고리즘의 기존 방식은 고정된 반복 횟수 내 성능 극대화에만 집중했으나, 실제 최적화는 단위 비용당 이득을 최대화해야 한다는 점에 착안했다. AI · 머신러닝 · FrugalEvo: Towards Cost-Aware LLM-Guided Program Evolution
Key Point 동일한 성능을 기존 대비 10~90배 저렴한 비용으로 달성하는 혁신적 비용 최적화 기법으로, LLM 기반 자동 프로그래밍의 실용성을 크게 높인다.
핵심 요약
LLM 기반 진화 알고리즘의 기존 방식은 고정된 반복 횟수 내 성능 극대화에만 집중했으나, 실제 최적화는 단위 비용당 이득을 최대화해야 한다는 점에 착안했다. FrugalEvo는 고성능·고비용 LLM이 해결 전략을 탐색하고, 저비용 LLM이 이를 구현·반복 개선하는 2단계 진화 프레임워크다. 프롬프트와 하니스의 접두사 공유를 극대화해 LLM 캐시 재사용율을 높이는 효율적 진화 과정을 설계했다. 전체 요약 7문장 읽기 → 006 06:11 ▲ 18 · 댓글 2 AI 에이전트 제어 로직 자동 최적화, MILO 프레임워크 AI 에이전트의 성능은 모델뿐만 아니라 실행을 제어하는 하니스 설계에 크게 좌우되는데, 이를 수작업으로 탐색하는 것이 비효율적이다. AI · 머신러닝 · MILO: Automated Harness Discovery via Orchestrated Multi-Agent Evolution
Key Point AI 에이전트의 프롬프트나 도구를 수작업으로 최적화하는 시대가 끝나고, 전체 제어 로직을 자동으로 발견·진화시키는 방법이 등장했으며, 기존 방법들보다 현저히 높은 성능 향상을 입증했다.
핵심 요약
AI 에이전트의 성능은 모델뿐만 아니라 실행을 제어하는 하니스 설계에 크게 좌우되는데, 이를 수작업으로 탐색하는 것이 비효율적이다. MILO는 에이전트 하니스와 그 발견 방법을 동시에 진화시키는 자동화 프레임워크로, 계층적 계보 메모리, 각 탐색 영역별 뮤테이터 에이전트, 그리고 검색 전략을 적응시키는 오케스트레이터로 구성된다. 버려진 변이를 부정 증거로 활용하는 계보 메모리, 전역 탐색 이력과 부모 피드백을 바탕으로 완전한 하니스를 재작성하는 뮤테이터 에이전트, 계보 이식과 종분화를 통해 검색을 적응시키는 오케스트레이터의 세 가지 메커니즘이 핵심이다. 전체 요약 7문장 읽기 → 007 15:11 ▲ 96 · 댓글 1 진화 알고리즘에 웹 검색 최적화 더하다 LLM 기반 진화 알고리즘이 부족한 지식으로 인해 진행이 막힐 때 웹 검색으로 관련 문서를 공급하면 도움이 되지만, 단순히 검색 도구를 추가하면 솔루션이 바뀔 때도 같은 페이지만 반복해서 반환하는 문제가 있다. AI · 머신러닝 · EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery
Key Point 큰 언어모델의 진화 알고리즘에서 웹 검색을 정교하게 제어해 지식 부족 문제를 해결하는 새로운 방법이 기존 기록을 경신했다.
핵심 요약
LLM 기반 진화 알고리즘이 부족한 지식으로 인해 진행이 막힐 때 웹 검색으로 관련 문서를 공급하면 도움이 되지만, 단순히 검색 도구를 추가하면 솔루션이 바뀔 때도 같은 페이지만 반복해서 반환하는 문제가 있다. EvoDuet은 모델 파라미터를 고정한 채 솔루션과 검색 쿼리를 동시에 진화시키는 이층 최적화 방법이다. 각 반복 단계마다 LLM이 지식 부족을 판단해 새 문서를 검색하거나 저장된 문서를 재사용하거나 검색 없이 진행할 수 있는 '검색 게이트'를 제공한다. 전체 요약 7문장 읽기 → 008 12:11 ▲ 15 · 댓글 2 LLM 에이전트의 작업 능력을 그래프로 최적화하는 기법 등장 LLM 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 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. 전체 요약 5문장 읽기 →