산업용 추천 전략 반복은 대규모 A/B 실험에 크게 의존하지만, 전통적 튜닝은 전문가가 전략 설계·실험 구성·결과 분석·파라미터 조정을 반복해야 해 노동집약적이고 시간이 오래 걸린다. 기존 RAG 에이전트는 과거 전략을 검색해 부담을 일부 덜어주지만 경험을 평면적으로 조직해 비즈니스 시나리오·추천 단계·최적화 목표·실험 맥락 간 계층적 관계를 놓치고, 이는 검색 불일치와 제한된 교차 시나리오 전이로 이어진다. 저자들은 폐루프형 A/B 에이전트인 A/B Agent를 제안하며, 과거 전략 지식 조직, 자율적 목표 인식 전략 생성, 실험 기반 전략 자기진화라는 세 요소로 구성된다. 과거 전략을 계층적 경험 트리로 조직하고 다중 경로 Tree-RAG로 전이 가능한 근거를 검색해 실행 가능한 전략을 생성하며, 온라인 A/B 피드백을 지속 분석해 자율 튜닝과 경험 트리 갱신을 유도한다. 실제 숏폼 영상 전자상거래 추천 시스템에서 GMV 4.829% 개선을 포함해 모든 가드레일 지표에서 긍정적 성과를 확인했다.

• •산업용 추천 전략 반복을 자동화하는 폐루프형 A/B 에이전트 'A/B Agent' 제안
• •과거 전략 지식 조직·자율적 목표인식 전략 생성·실험 기반 자기진화 3요소로 구성
• •과거 전략을 계층적 경험 트리로 조직하고 다경로 Tree-RAG로 전이 가능한 근거 검색
• •온라인 A/B 피드백 지속 분석으로 자율 튜닝과 경험 트리 갱신을 유도해 자기진화
• •실제 숫폼 영상 전자상거래 추천 시스템에서 GMV 4.829% 개선, 모든 가드레일 지표에서 긍정적 성과