산업 자산 운영 워크플로우의 지연 문제를 해결하기 위해 시간 의미론적 캐시와 MCP 워크플로우 최적화 두 가지 보완 레이어를 제안한다. MCP 워크플로우 최적화(디스크 지원 도구 탐색 캐싱 + 의존성 인식 병렬 실행)로 1.67배 속도 향상 및 중간값 지연 시간 40% 단축을 달성했다. 시간 의미론적 캐시 히트 시 중간값 30.6배 가속을 달성했다. 순수 의미 캐싱이 파라미터 풍부한 산업 쿼리에서 실패하는 구체적 원인도 분석했다.
- •MCP 워크플로우 최적화(디스크 캐시 + 병렬 실행)로 1.67배 속도 향상과 중간값 지연 시간 40% 단쳕.
- •시간 의미론적 캐시 히트 시 중간값 30.6배 가속을 달성했다.
- •순수 시맨틱 캐싱은 시간·자산·센서 파라미터에 의존하는 산업 쿠리에서 평가 정확성 실패를 일으크는 것으로 분석되었다.
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.
Evaluating Temporal Semantic Caching and Workflow Optimization in Agentic Plan-Execute Pipelines
- 1.산업용 에이전트 플랜-실행 파이프라인의 지연 시간 최적화를 위한 두 가지 보완적 접근법 제안
- 2.시간적 시맨틱 캐시: 캐시 히트 시 중앙값 30.6배 속도 향상 달성
- 3.MCP 워크플로우 최적화(디스크 캐싱 + 병렬 실행): 1.67배 속도 향상, 지연 40% 감소
- 4.파라미터가 풍부한 산업 쿼리에서 순수 시맨틱 캐싱의 구체적 실패 모드 분석
왜 중요한가?
MCP 기반 산업용 에이전트의 실시간 운영 요구를 충족하는 캐싱 최적화 전략을 제시하며, 에이전트 벤치마크 평가 방법론에 중요한 경고를 제공한다.
언급 프로젝트
본문 미리보기
arXiv:2605.20630v1 Announce Type: new Abstract: Industrial asset operations workflows are latency-sensitive because a single user query may require coordination over sensor data, work orders, failure modes, forecasting tools, and domain-specific agents. We evaluate this problem on AssetOpsBench (AOB), an industrial agent benchmark whose plan-execute pipeline exposes repeated overhead from tool discovery, LLM planning, MCP tool execution, and final summarization. Existing LLM caching techniques
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
