본 논문은 대규모 언어 모델(LLM) 기반 에이전트의 계획 능력 향상을 위한 새로운 패러다임인 "에이전트적 지식 있는 자기 인식(Agentic Knowledgeable Self-Awareness)"을 제안합니다. 기존의 에이전트 계획 접근 방식이 무분별하게 외부 지식과 피드백을 주입하는 것과 달리, 본 논문에서는 상황에 대한 자기 인식 능력을 통해 필요한 지식을 전략적으로 활용하는 인간의 인지 원리를 모방합니다. KnowSelf라는 데이터 중심 접근 방식을 제시하여, 특수 토큰을 이용해 상황 판단 기준을 설정하고, 두 단계의 학습 과정을 통해 상황에 따라 최적의 계획을 수행하도록 합니다. 실험 결과, KnowSelf는 다양한 기준 모델과 과제에서 외부 지식 사용을 최소화하면서도 우수한 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 에이전트의 계획 능력 향상에 새로운 접근 방식을 제시합니다.
◦
인간의 상황 인식 능력을 모방하여 효율적인 지식 활용을 가능하게 합니다.
◦
최소한의 외부 지식으로도 높은 성능을 달성할 수 있음을 보여줍니다.
◦
데이터 중심 접근 방식을 통해 LLM 에이전트의 자기 학습 능력을 강화합니다.
•
한계점:
◦
제안된 상황 판단 기준의 일반화 가능성에 대한 추가적인 연구가 필요합니다.
◦
다양한 복잡한 상황에 대한 적용 가능성과 로버스트니스에 대한 추가적인 검증이 필요합니다.
◦
특수 토큰 기반의 상황 판단 메커니즘의 한계를 극복하기 위한 추가적인 연구가 필요할 수 있습니다.
