EvoSOP는 LLM 에이전트가 원자적 동작을 재사용 가능한 표준운영절차(SOP)로 합성해 스스로 진화하도록 하는 프레임워크다. 기존 에이전트는 파일 입출력·단일 검색 같은 세분화된 원자 동작만 가진 정적 도구집합에 의존해, 반복되는 워크플로마다 저수준 로직을 재발명하느라 추론 부담과 실패율이 커졌다. EvoSOP는 실행 궤적에서 다단계 로직을 캡슐화한 상위 도구인 SOP를 추출하고, 구축·병합·평가·가지치기의 체계적 생애주기로 도구집합을 반복 최적화한다. 실험 결과 베이스라인 대비 과제 성공률을 크게 높이면서 상호작용 횟수를 대폭 줄였고, 반복적 도구 최적화가 신뢰할 수 있고 효율적인 도구 사용 패턴을 형성해 자기진화 에이전트로 가는 확장 가능한 경로를 제공함을 보였다.
- •원자 동작을 재사용 가능한 표준운영절차(SOP)로 합성해 자기진화하는 EvoSOP 프레임워크 제안
- •실행 굤적에서 다단계 로직을 캡슐화한 SOP를 추출해 호출 가능한 상위 도구로 활용
- •구축·병합·평가·가지치기 생애주기로 도구집합을 반복 최적화
- •베이스라인 대비 과제 성공률을 높이고 상호작용 횟수를 대폭 감소
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents
- 1.원자적 액션을 재사용 가능한 SOP(표준운영절차) 도구로 합성해 에이전트 자기진화를 구현하는 EvoSOP 제안
- 2.실행 궤적에서 SOP를 추출해 구축·병합·평가·가지치기 수명주기로 도구셋 반복 최적화
- 3.베이스라인 대비 과제 성공률 대폭 향상, 상호작용 라운드 수는 크게 감소
- 4.반복 도구 최적화가 신뢰적이고 효율적인 도구 사용 패턴을 형성함을 분석으로 확인
왜 중요한가?
정적 도구셋 탓에 에이전트가 반복 워크플로마다 저수준 로직을 재구성하던 비효율을, 검증된 다단계 절차를 상위 도구로 축적하는 방식으로 해소해 자기진화형 에이전트 개발의 확장 가능한 경로를 보여준다.
언급 프로젝트
본문 미리보기
arXiv:2607.07321v1 Announce Type: new Abstract: Tool utilization enables Large Language Model (LLM) agents to interact with the real world and resolve complex tasks. However, existing agent frameworks predominantly rely on static toolsets composed of granular atomic actions (e.g., basic file I/O or single-turn search), which forces agents to reinvent low-level logic for every recurring workflow, leading to increased reasoning overhead and failure rates. In this study, we propose that agents can
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
