본 논문은 대규모 언어 모델(LLM) 기반 에이전트 시스템의 효율적인 평가를 위한 경량 예측 모델인 'Agentic Predictor'를 제안합니다. Agentic Predictor는 코드 아키텍처, 텍스트 프롬프트, 상호작용 그래프 특징을 통합하는 다중 관점 워크플로우 인코딩 기법을 사용하여 에이전트 시스템의 다중 관점 표현 학습을 활용합니다. 도메인 간 비지도 사전 학습을 통해 예측 정확도를 높이고, 훈련에 필요한 워크플로우 평가 수를 크게 줄입니다. 실험 결과, 세 가지 도메인에 걸친 벤치마크에서 기존 최첨단 방법보다 예측 정확도와 워크플로우 유용성 모두에서 우수한 성능을 보였습니다. 이는 LLM 기반 에이전트 워크플로우 설계를 간소화하는 데 성능 예측기의 잠재력을 보여줍니다.
