대규모 언어 모델(LLM)은 텍스트와 다양한 형태의 콘텐츠를 빠르게 생성하는 데 뛰어나지만, ACID 속성 보장과 실시간 중단 복구를 요구하는 트랜잭션 스타일의 계획에는 취약합니다. 본 논문에서는 적응형 LLM 에이전트 시스템(ALAS)을 제시하는데, 이는 (i) 자체 검증 부재, (ii) 컨텍스트 침식, (iii) 다음 토큰 근시안, (iv) 지속적인 상태 부족 등 네 가지 기본적인 LLM의 결함을 해결하는 프레임워크입니다. ALAS는 각 계획을 역할 특화 에이전트로 분해하고, 자동 상태 추적 기능을 갖추게 하며, 경량 프로토콜을 통해 조정합니다. 중단이 발생하면 에이전트는 이력 인식 로컬 보상을 적용하여 비용이 많이 드는 전역 재계획을 피하고 캐스케이드 효과를 제한합니다. 실제 대규모 작업장 스케줄링 벤치마크에서 ALAS는 정적 순차적 계획에 대한 새로운 최고 결과를 설정하고 예상치 못한 중단이 있는 동적 반응 시나리오에서 탁월한 성능을 보여줍니다. 이러한 성과는 원칙에 입각한 모듈화와 표적 보상이 LLM을 사용한 확장 가능하고 탄력적인 계획을 가능하게 함을 보여줍니다.
