대규모 언어 모델(LLM)이 Model Context Protocol(MCP) 프레임워크 내에서 외부 도구를 호출하여 복잡한 작업을 자동화하는 과정에서, 대규모 MCP 서비스 환경에서 수많은 이질적인 도구들 중에서 대상 기능을 효율적이고 정확하게 매칭하는 것이 핵심 과제로 부각되었습니다. 기존 방식의 문제점을 해결하기 위해, 본 논문은 데이터 생성 지향적 멀티 에이전트 협업 도구 호출 프레임워크인 Z-Space를 제안합니다. Z-Space는 의도 파싱 모델을 통한 사용자 쿼리의 구조적 의미 이해, 튜닝이 필요 없는 융합된 부분 공간 가중 알고리즘 기반의 도구 필터링 모듈(FSWW)을 통한 세밀한 의미 정렬, 멀티 스텝 작업의 동적 계획 및 오류 허용 실행을 지원하는 추론 실행 에이전트를 포함하는 멀티 에이전트 협업 아키텍처를 구축합니다. 이 프레임워크는 Eleme 플랫폼의 기술 부서에 배포되어 대규모 테스트 데이터 생성 시나리오에 활용되었으며, 생산 데이터 분석 결과 도구 추론에서 평균 토큰 소비량을 96.26% 감소시키고 92%의 도구 호출 정확도를 달성하여 지능형 테스트 데이터 생성 시스템의 효율성과 신뢰성을 크게 향상시켰습니다.
시사점, 한계점
•
시사점:
◦
대규모 언어 모델 기반의 자동화된 작업 수행에서 도구 선택의 효율성과 정확성을 향상시키는 새로운 프레임워크 제시.
◦
융합된 부분 공간 가중 알고리즘을 활용한 도구 필터링 모듈(FSWW)의 효과 입증.
◦
실제 서비스 환경(Eleme 플랫폼)에 적용되어 대규모 데이터 생성 시나리오에서 성능 개선을 확인.
◦
도구 추론 과정에서 토큰 소비량 감소 및 도구 호출 정확도 향상을 통해 LLM 기반 시스템의 비용 효율성 및 신뢰성 증대.
