LLM 기반 멀티 에이전트 시스템의 출현적 행동 연구는 중요한 과제이나, 통제된 실험을 위한 원칙적인 방법론의 부족으로 진척이 더디다. 이 문제를 해결하기 위해, 에이전트의 정책을 구성(Configuration), 기억(Memory), 도구(Tools)로 분해하는 형식적인 방법론이자 모듈식 프레임워크인 Shachi를 제안한다. LLM 추론 엔진이 이러한 구성 요소를 조율한다. 이 원칙적인 아키텍처는 기존의 취약하고 임시적인 에이전트 설계를 넘어, 특정 아키텍처 선택이 집단 행동에 어떻게 영향을 미치는지 체계적으로 분석할 수 있게 한다. 10가지 과제 벤치마크에서 방법론을 검증하고, 실제 미국 관세 충격을 모델링하여 에이전트 행동이 적절한 기억 및 도구로 구성된 인지 아키텍처에서만 관찰된 시장 반응과 일치함을 보여줌으로써 접근 방식의 외부 타당성을 확립한다. 이 연구는 LLM 에이전트를 구축하고 평가하기 위한 엄격하고 오픈 소스 기반을 제공하여, 보다 누적적이고 과학적으로 근거한 연구를 촉진하는 것을 목표로 한다.
