본 논문은 멀티 에이전트 시스템에서 대규모 언어 모델(LLM)을 전문 역할에 최적으로 할당하는 문제를 해결하기 위해 MALBO(Multi-Agent LLM Bayesian Optimization)라는 체계적인 프레임워크를 제시한다. 이 프레임워크는 과제 정확도와 추론 비용 사이의 Pareto front를 식별하는 것을 목표로, 다중 목표 베이지안 최적화(MOBO)를 사용하여 LLM 기반 에이전트 팀의 효율적인 구성을 자동화한다. 연속적인 특징 공간 표현을 통해 샘플 효율적인 탐색을 수행하고, 무작위 검색보다 비용을 45% 이상 절감하면서도 성능을 유지하는 결과를 보여주었다. 또한, 동질적인 기반선과 비교하여 최대 65.8%의 비용 절감을 달성하는 특화된 이질적인 팀을 식별했다.
