본 논문은 기존의 상향식(top-down) LLM 기반 에이전트 프레임워크의 한계를 극복하고자, 인간의 학습 과정을 모방한 하향식(bottom-up) 에이전트 패러다임을 제시합니다. 상향식 접근 방식은 에이전트가 시행착오(trial-and-reasoning) 메커니즘을 통해 경험으로부터 학습하고, 숙련된 기술을 획득하여 공유하고 확장하는 것을 특징으로 합니다. 이를 통해 정적 복제가 아닌 지속적인 진화가 가능하며, 다수의 에이전트가 배치될수록 다양한 경험을 통해 집단적 학습이 가속화되어, 특히 개방형 환경에 적합합니다. Slay the Spire와 Civilization V 게임에서 raw visual inputs를 통해 환경을 인지하고 마우스 출력을 통해 행동하는 에이전트를 통해 이 패러다임을 평가하였으며, 게임 특정 프롬프트나 API 없이 자율적인 상호작용을 통해 기술을 습득하는 것을 보여줍니다.
