본 논문은 대규모 언어 모델(LLM) 기반 자율 에이전트가 배포 후에도 지속적으로 경험을 통해 성장할 수 있도록 하는 새로운 학습 패러다임인 FLEX (Forward Learning with EXperience)를 제안한다. FLEX는 환경과의 상호작용을 통해 성공과 실패를 지속적으로 반영하여 구조화된 경험 라이브러리를 구축함으로써 확장 가능하고 상속 가능한 진화를 가능하게 한다. FLEX는 수학적 추론, 화학적 역합성, 단백질 적합성 예측에서 상당한 성능 향상을 보였으며, 경험적 성장의 명확한 스케일링 법칙과 에이전트 간 경험 상속 현상을 확인했다.
