대규모 비전-언어 모델(VLM)의 발전으로 GUI 에이전트 연구가 활발해졌지만, 장기적 태스크 처리에는 어려움이 있다. 단일 에이전트 모델은 높은 수준의 능력과 낮은 수준의 실행 능력의 균형을 맞추기 어려우며, 태스크 상태에 대한 인식이 부족하여 진행 손실이 발생한다. 이러한 문제를 해결하기 위해, 본 논문에서는 staged execution-feedback 강화 학습 알고리즘을 제안한다. 고수준 스케줄링 모델 훈련에 초점을 맞춰, 전략적 계획 및 태스크 분할을 담당하는 Coordinator, 문맥 압축 및 정보 관리를 통해 태스크 상태를 유지하는 State Tracker 두 에이전트를 훈련시킨다. Coordinator-Executor-State Tracker (CES) 다중 에이전트 프레임워크를 구축하여, 모든 저수준 Executor 모델과 통합될 수 있도록 설계했다. CES는 태스크 스케줄링 및 상태 관리를 통해 Executor가 장기적 태스크를 해결하도록 돕는다. 실험 결과, CES는 시스템의 계획 및 상태 관리 능력을 향상시켰으며, 훈련된 고수준 스케줄링 모듈은 다양한 Executor의 장기적 능력을 향상시키는 일반화 가능한 plug-and-play 모듈임을 확인했다.
