재귀적 스킬 추상화를 통한 웹 에이전트 성능 향상 기술
SCAFFOLD: Self-Improving Web Agents via Recursive Parametric Skill Abstraction
arXiv웹 환경의 복잡하고 장기적인 작업을 수행하는 에이전트 성능을 높이는 'SCAFFOLD'라는 자가 개선 프레임워크가 개발되었습니다.
- 성공 경험으로부터 파라미터화된 기술을 추출하고, 이를 재귀적으로 계층 조합하며 지식을 압축하여 활용하는 것이 핵심입니다.
- 기존 최고 성능의 에이전트 대비 최대 17.2% 높은 성공률을 보이며, 복잡하고 변화하는 웹 환경에 적응할 수 있음을 입증했습니다.
- SCAFFOLD는 웹 에이전트가 단순 작업 수행을 넘어 누적된 절차적 지식을 활용하는 차세대 AI 개발 가능성을 제시합니다.
웹 는 시각적으로 풍부하고 장기적인 인터페이스를 탐색해야 하지만, 기존의 대부분의 에이전트들은 각 작업을 독립적으로 학습하며 축적된 절차적 지식을 활용하지 못했습니다. 최근 스킬 증강 프레임워크들이 일부 진전을 보였으나, 이들은 스킬 라이브러리를 평면적이거나 2단계 캐시로 취급하여 중복성을 압축하거나 스킬을 재귀적으로 조합하는 원칙적인 메커니즘이 부족했습니다.
SCAFFOLD는 이러한 문제를 해결하기 위해 개발된 자가 개선 프레임워크입니다. 이 시스템은 성공적인 궤적으로부터 화되고 실행 가능한 스킬을 유도하며, 상위 레벨의 스킬이 하위 레벨의 스킬을 호출하는 재귀적으로 구성된 계층 구조를 유지합니다. 또한 최소 설명 길이(MDL) 기준과 행동 동등성 검사를 통해 라이브러리를 압축하고, 주기적으로 스킬 증강 궤적을 모델 로 추출하여 추상화를 내재화합니다.
WebArena, VisualWebArena, 그리고 Online-Mind2Web의 테스트 환경에서 SCAFFOLD는 가장 강력한 스킬 증강 기반 모델 대비 성공률을 $11.1$--$17.2$ 절대 포인트 향상시키는 성능을 보였습니다. 특히 다섯 번의 자가 개선 반복 동안 라이브러리 붕괴 없이 단조적인 성능 향상을 입증했습니다.
용어 풀이
- 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
- 파라미터
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.
- 가중치
- 학습으로 정해진 모델 내부의 숫자 값. 내려받는 모델 파일의 본체예요.