MonoScale: Scaling Multi-Agent System with Monotonic Improvement

작성자

Haebom

카테고리

Empty

저자

Shuai Shao, Yixiang Liu, Bingwei Lu, Weinan Zhang

💡 개요

본 논문은 LLM 기반 멀티 에이전트 시스템(MAS)의 성능 확장에 있어 발생하는 라우터의 콜드스타트 문제를 해결하기 위한 MonoScale 프레임워크를 제안합니다. MonoScale은 새로운 에이전트 통합 시 발생하는 성능 저하를 방지하기 위해, 에이전트 특화 학습 태스크를 생성하고 성공 및 실패 상호작용에서 증거를 수집하여 자연어 메모리로 변환하는 방식으로 작동합니다. 이를 통해 에이전트 풀이 확장될 때에도 성능이 단조롭게 증가하는 것을 보장하며, GAIA와 Humanity's Last Exam 데이터셋에서 기존 방식보다 우수한 성능을 입증했습니다.

🔑 시사점 및 한계

•

LLM 기반 MAS에서 에이전트 풀 확장에 따른 성능 안정성을 확보하는 새로운 방법론을 제시합니다.

•

'기존 에이전트 경험 기반 학습'을 통해 신규 에이전트 온보딩 시 발생하는 학습 문제를 효과적으로 완화합니다.

•

현재 제안된 MonoScale은 학습 태스크 생성 및 메모리 업데이트 과정에서 추가적인 계산 비용이 발생할 수 있으며, 복잡하고 다양한 에이전트 환경에서의 일반화 성능에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage