기존 자동 에이전트 설계 방법은 후보 에이전트 중심으로 라운드별 경험을 정리해 수리 진행 상황이 암묵적으로만 남아, 수리 대상 선정이 비효율적이고 부분 진전이 느리게 통합되며 효과 없는 개입이 다음 라운드로 전파되는 문제가 있었다. 연구진은 수리 진행을 명시적이고 지속적인 '이슈 상태'로 이월해 최적화를 이끄는 '이슈 중심 에이전트 최적화'를 제안하고, 이를 구현한 프레임워크 'ADIAS'를 소개했다. 지속적 이슈 상태는 안정적인 이슈 식별자, 생애주기 상태, 근거, 개입-결과 이력을 유지하며, 이슈 기반 최적화는 이 상태를 활용해 수리 대상과 수정 방향을 함께 제시한다. 5개의 상호작용 벤치마크에서 ADIAS는 최강 기준선 대비 평균 25.2% 성능을 향상시켰고, 지속적 이슈 상태를 제거하거나 후보 중심 정책으로 대체하면 최대 40.7%까지 성능이 하락했다.

• •기존 후보 중심 에이전트 설계는 수리 진행 상황이 암묵적으로만 남아 비효율적이었다.
• •ADIAS는 수리 진행을 명시적 '이슈 상태'로 이월하는 이슈 중심 최적화를 제안한다.
• •지속적 이슈 상태는 식별자, 생애주기, 근거, 개입-결과 이력을 유지·관리한다.
• •5개 상호작용 벤치마크에서 최강 기준선 대비 평균 25.2% 성능이 향상됐다.
• •이슈 상태를 제거하면 성능이 최대 40.7%까지 하락해 핵심 메커니즘임이 확인됐다.