대규모 언어 모델 기반 다중 에이전트 시스템(MASs)이 협력적 지능을 통해 복잡한 작업을 해결하는 강력한 패러다임으로 등장했지만, 최적의 협력을 위한 에이전트의 구조적 구성 방식은 거의 연구되지 않았다. 본 논문은 특정 작업을 위한 토폴로지 인식 MASs 개발이라는 중요한 측면에 MAS 연구 커뮤니티의 초점을 맞추고자 한다. 시스템은 에이전트, 통신 링크, 통신 패턴이라는 세 가지 핵심 구성 요소로 구성되며, 이는 시스템의 조정 성능과 효율성을 결정한다. 이를 위해 에이전트 선택, 구조 프로파일링, 토폴로지 합성의 세 단계로 구성된 체계적인 프레임워크를 제시한다. 각 단계는 언어 모델, 강화 학습, 그래프 학습 및 생성 모델링과 같은 분야에서 새로운 연구 기회를 제공하며, 이를 통해 복잡한 실제 응용 프로그램에서 MAS의 잠재력을 최대한 발휘할 수 있다. 또한 다양한 시스템의 평가에 대한 잠재적인 과제와 기회를 논의한다. 본 논문의 관점과 프레임워크는 에이전트 AI 시대에 중요한 새로운 통찰력을 제공할 수 있을 것으로 기대한다.
