AI 에이전트 도구 탐색 효율화 시스템 'Cartograph'
Cartograph: Federated Tool Discovery with Operator-Attested Retrieval for AI Agents
arXivAI 에이전트가 방대한 도구 목록을 탐색할 때 발생하는 높은 비용 문제를 해결하기 위해, 'Cartograph'라는 연합형 프록시 시스템이 개발되었습니다.
- 이는 운영자 인증 카드와 다층 클러스터 분석(Rift), 서버 선행 순위 매기기를 결합하여 수백 개의 도구 중 필요한 핵심 기능만 효율적으로 노출합니다.
- 결과적으로 검색 토큰 사용량을 획기적으로 줄이고, 도구 설명의 출처를 기록함으로써 AI 시스템의 신뢰도와 탐색 성능을 크게 향상시킵니다.
- 전반적인 지연 시간 증가는 미미하지만(평균 0.8%), 카드 생성 방식이 혼합될 경우 검색 성능 저하가 발생할 수 있다는 점은 유의해야 합니다.
(MCP)은 가 도구를 발견하고 호출할 수 있게 하지만, 연결된 카탈로그가 커질수록 모든 정의를 로드하는 것이 비용이 많이 듭니다. Cartograph는 이러한 문제를 해결하기 위해 개발된 연합형 MCP 프록시입니다. 이 시스템은 에이전트에게 노출되는 도구 탐색 방식을 $O(n)$의 전체 카탈로그 순회에서 $O(k)$의 점진적 공개 방식으로 변경합니다.
Cartograph는 세 가지 메커니즘을 결합하여 작동합니다. 첫째, 배포 운영자가 통제하는 Ed25519 서명 기반의 '운영자 인증 능력 카드'를 사용합니다. 둘째, 밀도 클러스터링, 쿼리 마진 분석, 진단으로 구성된 3계층의 'Rift' 분석을 수행합니다. 셋째, 도구보다 서버를 먼저 순위 매기는 2단계 검색 방식을 적용하여 효율성을 높입니다.
실제 테스트 결과에 따르면, 22개 서버와 374개의 도구를 가진 환경에서 Cartograph는 374개의 정의 대신 단 3개의 프록시 도구만 노출했습니다. 49쿼리 기반의 에서는 R@5가 0.816을 기록하여 Jaccard 키워드 기준선(0.592)보다 높았습니다. 또한, 측정된 상위 5개 발견 교환은 전체 카탈로그 기준으로 필요한 42,450 토큰 대비 475 토큰만을 사용했습니다.
용어 풀이
- Model Context Protocol
- AI가 외부 도구·데이터와 연결되는 방식을 정한 공개 표준. Anthropic이 처음 공개했어요.
- AI 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
- 토큰
- AI 모델이 글을 처리하는 단위. 단어보다 작은 조각이며 사용량과 요금을 셀 때 기준이 돼요.
- 벤치마크
- 모델 성능을 같은 조건에서 비교하려고 만든 시험 문제 모음.