본 논문은 협업 작업을 수행하는 대규모 언어 모델(LLM) 에이전트의 효과를 높이기 위해 동적 작업 라우팅, 양방향 피드백, 병렬 에이전트 평가라는 세 가지 핵심 메커니즘을 통해 적응성을 가능하게 하는 조정 프레임워크를 제안한다. 이 프레임워크는 에이전트가 신뢰도와 작업 부하에 따라 작업을 재할당하고, 구조화된 비판을 교환하여 출력을 반복적으로 개선하며, 고유한 불확실성을 가진 하위 작업에 대해 경쟁하고, 평가자에 의해 가장 적합한 결과를 선택할 수 있도록 한다. 이 프레임워크를 모듈형 아키텍처로 구현하여 정적 및 부분적 적응형 기준선보다 사실적 적용 범위, 일관성, 효율성에서 상당한 향상을 보였다.
