대규모 언어 모델(LLM) 기반의 멀티 에이전트 시스템은 복잡한 작업 해결의 새로운 지평을 열었지만, 경직된 에이전트 스케줄링과 비효율적인 조정 전략으로 인해 잠재력이 제한되고 있다. 본 논문에서는 멀티 에이전트 시스템의 효율적인 협업을 위해 설계된 상태 인식 라우팅 프레임워크인 STRMAC을 제안한다. STRMAC은 상호작용 기록과 에이전트 지식을 개별적으로 인코딩하여 라우터를 구동하며, 각 단계에서 가장 적합한 단일 에이전트를 적응적으로 선택하여 효율적이고 효과적인 협업을 수행한다. 또한, 효율적인 시스템 훈련을 위해 고품질 실행 경로의 수집을 가속화하는 자체 진화 데이터 생성 방식을 도입했다. 실험 결과, STRMAC은 어려운 협업 추론 벤치마크에서 최첨단 성능을 달성하여 기본 모델보다 최대 23.8% 향상된 성능을 보였고, 전수 검색에 비해 데이터 수집 오버헤드를 최대 90.1% 줄였다.
