멀티에이전트 시스템(MAS)에서는 한 에이전트의 작은 실수가 다른 에이전트로 전파돼 과제 전체가 실패로 이어지기 쉽다. 연구팀은 실행 중인 멀티에이전트 작업을 언제, 어떻게 수정할지 학습하는 프레임워크 ARIA(Agent Runtime Inspection and Amendment)를 제시했다. 4개 프레임워크·6개 벤치마크·8개 모델에서 수집한 2만4000여 개 궤적 중 검증된 수정 사례 3953건으로 데이터셋을 구축하고, 이를 학습해 실행 중 개입 시점과 수정 방법을 판단하는 소형 모델을 훈련시켰다. 사후 분석과 실시간 런타임 설정 모두에서 강력한 복구 성능을 보였고, 보지 못한 프레임워크와 모델에도 일반화됐다.
- •멀티에이전트 시스템의 국소적 오류가 전파되는 문제를 실행 중 개입으로 해결하는 ARIA 프레임워크
- •2만4000여 궤적에서 검증된 수정 사례 3953건으로 구성된 대규모 ARIA 데이터셋 최초 구축
- •임의의 MAS에 통합 가능하도록 설계, 어떤 궤적을 노출하는 시스템에도 적용 가능
- •훈련된 소형 모델이 처음 보는 프레임워크·모델에도 일반화되는 복구 성능 입증
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.
ARIA: Runtime Inspection and Amendment for Multi-Agent Systems
- 1.멀티에이전트 시스템(MAS)의 실행 중 오류를 실시간으로 진단·교정하는 프레임워크 ARIA 제시
- 2.4개 MAS 프레임워크·6개 벤치마크·8개 모델서 2만4천여 궤적 수집, 검증된 복구쌍 3,953개로 ARIA 데이터셋 구축
- 3.실행 검증된 복구 사례를 재사용 가능한 감독신호로 전환, 작은 모델이 언제·어떻게 개입할지 학습
- 4.사후 분석·실시간 개입 모두 강한 복구 성능, 처음 보는 프레임워크·모델에도 일반화됨을 확인
왜 중요한가?
국지적 오류가 전체 작업 실패로 번지는 멀티에이전트 시스템의 고질적 문제를 사후 재실행 대신 실시간 개입으로 해결하는 실전 지향적 방법을 제시해 MAS 운영 신뢰성 향상에 바로 적용할 수 있다.
언급 프로젝트
본문 미리보기
arXiv:2610.20780v1 Announce Type: new Abstract: In LLM-based multi-agent systems (MAS), a local mistake can propagate as other agents build on it, turning a correctable error into a failed task. Diagnosing completed runs or repeatedly re-executing them to search for corrections does not provide a learned policy for intervening while execution is still in progress. We present Agent Runtime Inspection and Amendment (ARIA), a framework for learning when and how to repair ongoing multi-agent execut
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안