본 논문은 SagaLLM이라는 새로운 구조화된 다중 에이전트 프레임워크를 제시합니다. 기존의 LLM 기반 에이전트 프레임워크는 컨텍스트 인식 유지와 계획 일관성 확보에 어려움을 겪는다는 점을 지적하며, SagaLLM은 부적절한 자체 검증, 컨텍스트 협소화, 거래 속성 부족, 에이전트 간 조정 부족이라는 네 가지 기본적인 한계를 해결합니다. 특수한 컨텍스트 관리 에이전트와 검증 프로토콜을 구현하여 복잡한 계획 프로세스 전반에 걸쳐 중요한 제약 조건과 상태 정보를 보존함으로써, 중단 발생 시에도 강력하고 일관된 의사 결정을 가능하게 합니다. REALM 벤치마크의 선택된 문제를 사용하여 순차적 및 반응적 계획 시나리오에서 컨텍스트 유지 및 적응적 추론에 대한 평가를 수행하며, Claude 3.7, DeepSeek R1, GPT-4o, GPT-o1 등 최첨단 LLM을 사용한 실험을 통해 SagaLLM의 분산 인지 아키텍처가 계획 일관성, 제약 조건 적용 및 중단 상황에 대한 적응성을 크게 향상시킨다는 것을 보여줍니다.
