Arbor는 크고 상태를 가진 행동 공간에서 작동하는 자율 에이전트를 위해 '구조화된 트리 탐색'을 인지 계층으로 도입한 멀티에이전트 프레임워크다. 기존 자율 최적화가 고립된 목표를 무상태로 평가한 것과 달리, Arbor는 점수가 매겨진 가설들의 명시적 탐색 트리를 에이전트 공유 작업기억으로 유지하며 실패를 진단 신호로 삼아 탐색을 재편한다. 풀스택 LLM 추론 최적화에 적용해, 최적화를 주도하는 Orchestrator와 근본원인 분석으로 안정성을 지키는 Critic이 견제와 균형을 이루는 구조를 썼다. 그 결과 벤더 최적화 베이스라인 대비 추론 처리량-지연 파레토를 최대 193% 개선했고, 하니스 없는 단일 에이전트는 +33%에서 정체된 뒤 몇 시간 만에 복구 불가로 붕괴했다. 여러 세대 하드웨어에서 실행 간 분산 2%p 이내로 재현성을 보였다.

• •구조화된 트리 탐색을 자율 에이전트의 인지 계층으로 도입한 멀티에이전트 프레임워크 Arbor
• •점수화된 가설 탐색 트리를 공유 작업기억으로 쓰고 실패를 진단 신호로 활용
• •Orchestrator-Critic의 견제·균형 구조로 다일간 자율 최적화 캐페인 수행
• •벤더 최적화 대비 추론 처리량-지연 파레토 최대 193% 개선
• •하니스 없는 단일 에이전트는 +33%에서 정체 후 몇 시간 내 붕괴, 하드웨어 무관·재현 입증