ReAct 방식 LLM 에이전트가 문제마다 같은 추론 루틴을 반복 재발견하면서도 그 루틴을 일시적 스크래치패드에 가둬두는 비효율을 해결하는 'Reasoning Primitive Induction' 기법이다. 성공한 ReAct 궤적을 채굴해 반복되는 추론 동작을 군집화하고, 가장 빈번한 동작을 타입이 지정된 의사 도구(pseudo-tool)들의 간결한 라이브러리로 변환하는 단일 패스 방법이다. 각 의사 도구는 호출 시 LLM이 해석하는 자연어 docstring으로 정의되며, 표준 ReAct 루프가 이를 조합한다. 핵심 결과는 유도된 라이브러리가 그 궤적을 생성한 에이전트 자신을 능가한다는 점으로, RuleArena NBA에서 +44%p(30→74), MuSR 팀 배정 +30%p(38→68), NatPlan 회의 계획 +22%p(7→29)를 기록했다. 더 낮은 추론 비용으로 전문가 작성 분해 및 AWM을 능가했다.
- •성공한 ReAct 궤적에서 반복 추론 동작을 채굴·군집해 의사 도구 라이브러리로 변환하는 단일 패스 기법
- •각 의사 도구는 호출 시 LLM이 해석하는 자연어 docstring으로 정의
- •유도된 라이브러리가 그 궤적을 생성한 에이전트 자신을 능>가
- •RuleArena NBA +44%p, MuSR 팀 배정 +30%p, NatPlan 회의 계획 +22%p 향상
- •제로샷 CoT·전문가 분해·AWM 대비 더 낮은 추론 비용으로 동등 이상 성능
Inducing Reasoning Primitives from Agent Traces
- 1.LLM 에이전트 추론 루틴 학습
- 2.ReAct 에이전트 효율성 개선
- 3.추론 기본 요소 자동 생성
왜 중요한가?
LLM 에이전트가 반복적인 추론 과정을 효율적으로 학습하고 재활용하도록 하여, AI 에이전트의 성능과 문제 해결 능력을 크게 향상시킵니다.
🏷️ 언급 프로젝트
이 기사의 '추론 원시 유도' 기술은 ReAct 스타일 LLM 에이전트의 반복적인 추론 과정을 효율적으로 학습하고 재활용하는 방법을 제시합니다. 국내 AI 개발사들이 더 고도화된 지능형 에이전트를 구축하고 서비스 운영 효율을 높이는 데 있어, 이러한 기술은 에이전트의 학습 능력과 문제 해결 능력을 한 단계 끌어올릴 잠재력을 가집니다.
본문 미리보기
arXiv:2606.02994v1 Announce Type: new Abstract: ReAct-style LLM agents often rediscover the same reasoning routines across problems, yet leave those routines trapped in transient scratchpads. We introduce Reasoning Primitive Induction, a single-pass method that mines successful ReAct traces, clusters recurrent reasoning moves, and converts the most frequent moves into a compact library of typed pseudo-tools. Each pseudo-tool is specified by a natural-language docstring interpreted by an LLM at
전체 내용이 궁금하다면?
원문을 직접 읽어보세요