AgentRec: 인간 피드백 기반의 똑똑한 에이전트 추천 시스템 등장!

Joshua Park과 Yongfeng Zhang이 개발한 AgentRec은 Sentence-BERT를 활용하여 자연어 프롬프트를 기반으로 LLM 에이전트를 추천하는 시스템입니다. 92.2%의 높은 정확도와 300밀리초 미만의 빠른 속도를 자랑하며, 합성 데이터셋과 코드를 오픈소스로 공개하여 활용성을 높였습니다.

⚡️ AgentRec: 똑똑한 에이전트 추천 시스템이 온다!

멀티 에이전트 시스템에서 어떤 에이전트가 특정 작업에 가장 적합한지 결정하는 것은 중요한 문제입니다. 최근, Joshua Park과 Yongfeng Zhang 연구팀이 Sentence-BERT(SBERT)를 기반으로 한 혁신적인 에이전트 추천 아키텍처 AgentRec을 발표하여 주목받고 있습니다.

AgentRec은 자연어 프롬프트를 입력받아 다양한 LLM(대규모 언어 모델) 에이전트 중 가장 적합한 에이전트를 추천합니다. 놀라운 점은 **92.2%**라는 높은 상위 1개 정확도를 달성했으며, 각 분류에 걸리는 시간은 300밀리초 미만이라는 점입니다. 이는 기존의 분류 방법보다 훨씬 빠르고 효율적입니다.

기존 방식과의 차별점은 무엇일까요? AgentRec은 단순히 분류하는 것을 넘어, 다음과 같은 장점을 가지고 있습니다.

• 계산 비용이 저렴: 빠른 속도로 에이전트를 추천합니다.
• 새로운 클래스에 적응적: 새로운 에이전트가 추가되어도 쉽게 적용할 수 있습니다.
• 해석 가능성: 추천 과정이 투명하고 이해하기 쉽습니다.
• 강화 학습을 통한 제어 가능성: 인간의 피드백을 통해 모델을 미세 조정하여, 원하는 성능을 얻을 수 있습니다.

AgentRec은 자연어 프롬프트를 SBERT를 이용하여 의미 벡터로 변환하고, 같은 에이전트에 속한 문장 벡터 간의 거리를 최소화하도록 미세 조정합니다. 여기에 인간 피드백 기반 강화 학습을 통해 인간의 가치에 맞춰 모델을 조정합니다. 결과적으로 코사인 유사도를 측정하여 가장 가까운 이웃을 기반으로 에이전트를 분류합니다.

이 놀라운 연구는 합성 데이터셋을 생성함으로써 가능해졌으며, 연구팀은 AgentRec 시스템과 함께 이 데이터셋을 https://github.com/joshprk/agentrec 에서 오픈소스로 공개하여 누구나 활용하고 발전시킬 수 있도록 했습니다.

AgentRec은 멀티 에이전트 시스템의 효율성을 획기적으로 높일 뿐만 아니라, 인간 중심 AI 개발의 중요한 발걸음을 보여주는 사례입니다. 앞으로 이 기술이 어떻게 발전하고 활용될지 기대됩니다!