서브 에이전트와 스킬 비교: 장기 과제 수행을 위한 지식 활용
Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks
arXivLLM 에이전트가 장기적이고 복잡한 과제를 해결할 때, 기존의 스킬 기반 방식 대신 서브 에이전트를 활용하는 새로운 접근법을 제시했습니다.
- 서브 에이전트는 각 하위 작업을 독립적인 컨텍스트 창에서 처리하여 문맥 누적으로 인한 성능 저하 문제를 해결하며 명확한 입출력 계약을 가진 스킬에 효과적입니다.
- 이는 복잡하고 단계가 많은 업무를 수행하는 차세대 에이전트 시스템 설계 시, 지식의 구조화와 호출 방식이 성능에 결정적인 영향을 미친다는 중요한 기준을 제시합니다.
- 다만, 서브 에이전트 간의 협업 과정에서는 주 에이전트와 서브 에이전트 간 조정에 필요한 추가적인 통신 오버헤드(토큰)가 발생할 수 있습니다.
언어 모델() 기반 가 복잡하고 긴 호흡의 과제를 해결하기 위해 재사용 가능한 지식을 효과적으로 활용하는 방안에 대한 연구가 진행되었다. 기존에는 스킬 패키지 형태로 재사용 가능한 기능을 정의하고, 이를 에이전트 컨텍스트에 로드하여 사용했다. 그러나 과제의 범위(task horizon)가 커질수록 에 정보가 누적되면서 추론 품질이 저하되는 한계가 발생한다.
이에 대한 대안으로 스킬 패키지를 메인 컨텍스트에 로드하는 대신, 서브 에이전트 형태로 호출하여 사용하는 방식을 제안했다. 이 방식은 개별 하위 작업을 해결하기 위해 독립적인(fresh) 컨텍스트 창을 생성한다는 특징이 있다. 연구 결과에 따르면, 스킬 패키지가 명확한 입출력 계약(input-output contracts)을 노출하고 절차적 지식이 인코딩되어 있을 경우, 서브 에이전트 실행 방식이 기존의 에이전트 스킬 실행보다 우수한 성능을 보였다.
다만, 이 접근법에는 추가적인 통신 오버헤드가 발생한다는 트레이드오프가 존재한다. 메인 에이전트와 서브 에이전트 간에 조정하기 위해 추가 (extra tokens)이 필요하기 때문이다. 따라서 재사용 가능한 지식의 효용성은 단순히 내용뿐만 아니라, 이를 어떻게 구조화하고 호출하는 방식에 따라 결정된다는 점을 보여준다.
용어 풀이
- LLM
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.
- 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
- 컨텍스트 창
- 모델이 한 번에 읽고 참고할 수 있는 입력의 최대 길이. 보통 토큰 수로 나타내요.
- 토큰
- AI 모델이 글을 처리하는 단위. 단어보다 작은 조각이며 사용량과 요금을 셀 때 기준이 돼요.