SAAG는 에이전트 함수 호출 평가를 레지스트리 적합성, 구조적 완전성, 인자 근거(grounding)의 3단계로 분해하는 캐스케이드 진단 프레임워크다. 기존 벤치마크는 올바른 함수를 고르고도 인자 값을 환각하는 경우와 스키마만 맞춘 잘못된 선택을 하나의 이진 점수로 뭉뚱그려 실패 원인 진단이 불가능했다. 단계별 진단 신호는 정답 유출 없이 표적 수정(self-repair)을 유도하며, Glaive 함수 호출 데이터셋 기반 벤치마크에서 4B 미만 로컬 모델 3종, 레지스트리 크기 5·10·15로 검증했다. 구조화된 피드백은 단일 패스 추론이나 이진 피드백 대비 인자 정밀도를 일관되게 높이고 값 환각을 줄였지만, 엔드투엔드 F1 향상은 제한적이고 모델 의존적이었다. 에이전트 호출 신뢰성을 진단·개선하려면 단계 분해형 평가가 필요함을 시사한다.

• •에이전트 호출 평가를 레지스트리 적합성·구조적 완전성·인자 근거의 3단계로 분해해 실패 모드를 구분 진단
• •단계별 진단 신호로 정답 값 유출 없이 반복적 자가 수정(self-repair) 가능
• •Glaive 함수 호출 데이터셋 기반, 4B 미만 로컬 모델 3종과 레지스트리 크기 5·10·15에서 평가
• •구조화된 피드백이 인자 정밀도를 높이고 값 환각을 감소시켰으나 엔드투엔드 F1 향상은 모델 의존적으로 제한적