대규모 언어 모델 기반의 멀티 에이전트 시스템은 다양한 분야에서 뛰어난 성능을 보이지만, 기존 자동 설계 방식은 질의 복잡성과 도메인 요구 사항에 따라 리소스 할당을 조절하지 못하는 단점이 있습니다. 본 논문은 AutoMaAS를 소개하며, 이는 신경망 구조 검색 원리를 활용하여 동적 연산자 수명 주기 관리 및 자동 머신 러닝 기술을 통해 최적의 에이전트 구성을 자동 발견하는 자기 진화형 멀티 에이전트 아키텍처 검색 프레임워크입니다. AutoMaAS는 성능-비용 분석 기반 자동 연산자 생성, 융합 및 제거, 실시간 파라미터 조정을 통한 동적 비용 인식 최적화, 지속적인 아키텍처 개선을 위한 온라인 피드백 통합, 의사 결정 추적 메커니즘을 통한 향상된 해석 가능성 등 4가지 핵심 혁신을 포함합니다. 여섯 개의 벤치마크에 대한 광범위한 실험을 통해 AutoMaAS는 최첨단 방법론에 비해 1.0-7.1%의 성능 향상과 3-5%의 추론 비용 감소를 달성했습니다. 또한, AutoMaAS는 데이터셋과 LLM 백본 간의 뛰어난 전이성을 보여주며, 대규모 언어 모델 시대의 자동화된 멀티 에이전트 시스템 설계에 대한 새로운 패러다임을 제시합니다.
