본 논문은 대규모 언어 모델 기반 자율 에이전트의 다중 에이전트 협업이 개별 에이전트보다 우수한 성능을 보이는 현상에 착안하여, 에이전트의 지속적인 추가가 성능 향상으로 이어지는지 연구합니다. 방향성 비순환 그래프(DAG)를 이용하여 다중 에이전트 협업 네트워크(MacNet)를 구성하고, 자율적인 작업 해결을 위해 에이전트 간 상호 작용적 추론을 위상적으로 조율합니다. 실험 결과, MacNet은 1000개 이상의 에이전트 간 협업을 효과적으로 지원하며, 불규칙적인 토폴로지가 규칙적인 토폴로지보다 성능이 우수함을 보여줍니다. 또한, 에이전트 규모가 커짐에 따라 전반적인 성능이 로지스틱 성장 패턴을 따르는 협업적 스케일링 법칙을 확인하고, 기존 신경망의 등장보다 협업적 등장이 더 빨리 발생함을 발견했습니다. 이는 에이전트 확장이 상호 작용적 반성 및 개선 과정에서 다차원적 고려를 촉진하여 더 포괄적인 결과물을 생성하기 때문일 것이라고 추측합니다. 코드는 GitHub에서 공개됩니다.
시사점, 한계점
•
시사점:
◦
다중 에이전트 협업을 통해 개별 에이전트의 성능을 뛰어넘는 성능 향상을 달성할 수 있음을 보여줌.
