본 논문은 대규모 언어 모델(LLM)을 활용한 다중 에이전트 시스템(MAS)의 설계를 자동화하는 새로운 프레임워크인 SELF-MAS를 제안합니다. 기존의 수동 설계 방식이나 검증 집합을 필요로 하는 자동 설계 방식과 달리, SELF-MAS는 메타 수준 설계를 통해 각 문제 인스턴스에 맞춤화된 MAS 구성을 반복적으로 생성, 평가 및 개선합니다. 검증 집합 없이 추론 시점에 자기 지도 방식으로 동적으로 에이전트를 구성하고 문제를 분해하며, 해결 가능성과 완전성에 대한 메타 피드백을 활용합니다. 수학, 대학원 수준 QA, 소프트웨어 엔지니어링 벤치마크에서 다양한 크기의 폐쇄형 및 오픈소스 LLM 백본을 사용한 실험 결과, SELF-MAS는 수동 및 자동 MAS 기준 모델보다 우수한 성능을 보이며, 다음으로 성능이 좋은 기준 모델보다 평균 7.44% 향상된 정확도를 달성했습니다. 이는 메타 수준 자기 지도 설계가 효과적이고 적응력 있는 MAS를 만드는 데 유망함을 보여줍니다.
