본 논문은 SagaLLM이라는 새로운 구조화된 다중 에이전트 프레임워크를 제시합니다. SagaLLM은 기존 LLM 기반 에이전트 프레임워크의 네 가지 주요 한계점(부적절한 자체 검증, 맥락 협소화, 거래 속성 부족, 부족한 에이전트 간 조정)을 해결하기 위해 고안되었습니다. 특수한 맥락 관리 에이전트와 검증 프로토콜을 구현하여 복잡한 계획 과정에서 중요한 제약 조건과 상태 정보를 유지함으로써, 중단 발생 시에도 강력하고 일관성 있는 의사 결정을 가능하게 합니다. REALM 벤치마크의 선택된 문제를 사용하여 순차적 및 반응적 계획 시나리오에서 맥락 유지 및 적응적 추론에 대한 과제를 중점적으로 평가하였습니다. Claude 3.7, DeepSeek R1, GPT-4o, GPT-o1과 같은 최첨단 LLM을 사용한 실험 결과, 이러한 모델들은 인상적인 추론 능력을 보이지만 복잡한 계획 작업 중, 특히 예상치 못한 변화에 적응할 때 전역적 제약 조건 인식을 유지하는 데 어려움을 겪는다는 것을 보여줍니다. 반면 SagaLLM의 분산 인지 아키텍처는 다양한 시나리오에서 계획 일관성, 제약 조건 적용 및 중단에 대한 적응성이 크게 향상됨을 보여줍니다.
