SwarmResearch는 장기 실행 코딩 에이전트가 하나의 고수준 접근에 조기 수렴해 더 나은 대안을 놓치는 문제를 겨냥한 오케스트레이터-서브에이전트 하니스다. 단일 장기 에이전트에 컨텍스트를 누적하고 편집 가능한 프로그램 상태를 하나만 노출하는 하니스 설계가 수렴 편향의 원인이라는 가설 아래, 전역 컨텍스트를 가진 Shepherd 에이전트가 각자 git 브랜치에서 지역 컨텍스트로 작동하는 Search 에이전트 군집을 조율하도록 설계했다. 개방형 최적화 과제 15개 중 13개에서 최신 LLM 유도 진화·멀티에이전트 기법 대비 더 좋거나 대등한 해를 찾았으며, 탐색 깊이에 따라 병렬성을 적응적으로 조절해 직렬·병렬 에이전트의 고정 스케일링보다 우수했다. 자율 연구·코드 최적화 에이전트의 탐색 다양성 확보에 하니스 설계가 결정적임을 보여준다.
- •단일 장기 에이전트의 컨텍스트 누적과 단일 프로그램 상태 노출이 조기 수렴의 원인이라는 가설 제시
- •전역 컨텍스트의 Shepherd 에이전트가 git 브랜치별 Search 에이전트 군집을 조율하는 구조
- •개방형 최적화 과제 15개 중 13개에서 최신 LLM 유도 진화·멀티에이전트 기법 대비 우수 또는 동등
- •탐색 깊이별 적응적 병렬성 조절로 고정 스케일링보다 나은 해 발견
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.
SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery
- 1.SwarmResearch 공개: Shepherd 오케스트레이터가 git 브랜치별 Search 에이전트 군집을 조율하는 하네스
- 2.단일 장기 에이전트의 문맥 누적·단일 프로그램 상태 편집이 접근법 조기 수렴을 유발한다고 진단
- 3.개방형 최적화 15개 과제 중 13개에서 최신 LLM 진화·멀티에이전트 기법 대비 동등 이상 성능
- 4.탐색 깊이별로 병렬도를 적응 조절해 고정 직렬·병렬 스케일링보다 우수한 해 발견
왜 중요한가?
autoresearch류 장기 실행 코딩 에이전트가 한 접근법에 갇혀 저수준 수정만 반복하는 '탐색 붕괴' 문제를 하네스 설계 차원에서 짚고, 전역 문맥의 조율자가 지역 문맥 에이전트들을 지휘하는 구조로 해결했다. 에이전트 스케일링을 단순 병렬 확장이 아닌 적응형 조율로 보는 관점 전환이다.
언급 프로젝트
본문 미리보기
arXiv:2607.02807v1 Announce Type: new Abstract: Long-running coding agents such as autoresearch can persistently discover optimizations for open-ended problems. However, they tend to converge onto a single high-level approach, then proceed with low-level edits while missing other superior approaches to the problem. We hypothesize two harness-level design choices contribute to this behavior: accumulating context in a single long-running agent and only exposing a single program state to edit. We
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
