프린스턴 대학교와 UC 샌디에이고 연구팀은 최근 AI 에이전트가所谓的 'skill'을 활용할 때 성능 향상의 주요 요인이 추가 지식이 아니라 구조화된 워크플로우에 있다고 밝혔다. 연구진은 다양한 벤치마크에서 skill을 부여한 에이전트와 그렇지 않은 에이전트를 비교하여, 워크플로우가 더 정교해질 때 작업 성공률이 크게 상승하는 현상을 관찰했다. 즉, 에이전트가 보유한 사실 지식의 양이 늘어나는 것보다, 주어진 작업을 순차적으로 나누고 각 단계에 적절한 skill을 연결하는 방식이 성능을 좌우한다는 뜻이다. 이 발견은 기존에 널리 퍼져 있던 '더 많은 지식이 더 나은 성능'이라는 직관을 뒤집는 결과로 주목받고 있다.

스킬이 에이전트에 미치는 영향

스킬은 essentially 에이전트가 외부 도구나 모듈을 호출하여 특정 sub‑task를 수행할 수 있게 하는 함수형 인터페이스로 볼 수 있다. 연구팀은 이 인터페이스가 에이전트의 내부 reasoning 과정을 외부화함으로써, 복잡한 계획을 더 작은 블록으로 나누어 실행할 수 있게 한다고 설명했다. 따라서 에이전트는 방대한 사실 저장소를 늘리는 대신, 잘 정의된 skill 라이브러리를 통해 작업 흐름을 재조합함으로써 유연성을 높일 수 있다. 이러한 메커니즘은 특히 다단계 추론이나 도구 사용이 필요한 과제에서 명확한 성능 향상을 가져왔다.

스킬 라이브러리 확장의 딜레마

skill의 수가 증가함에 따라 새로운 문제가 나타난다. 에이전트가 주어진 목표에 가장 적합한 skill 조합을 찾는 탐색 공간이 기하급수적으로 커져, 최적의 워크플로우를 선택하는 데 드는 계산 비용이 급증한다. 실험 결과, skill 라이브러리가一定 규모를 넘어설 때 에이전트는 올바른 skill을 잘못 선택하거나 불필요한 단계를 추가하는 경향이 보여 작업 성공률이 오히려 하락했다. 이를테면, 50개의 skill을 보유한 에이전트는 200개의 skill을 가진 에이전트보다 특정 계획 수립 작업에서 더 높은 정확도를 기록하기도 했다.

왜 중요한가

이번 연구는 AI 에이전트 설계에서 단순히 지식 양을 늘리는 것보다, 어떻게 skill을 구조화하고 관리할 것인가에 초점을 맞춰야 함을 시사한다. 개발자는 skill 라이브러리의 크기를 적절히 제한하고, 탐색 효율을 높일 수 있는 인덱싱이나 메타러닝 기법을 도입해야 할 필요가 있다. 장기적으로는 skill 선택 과정을 자동화하는 메타‑컨트롤러나 강화 학습 기반 스케줄러가 에이전트의 확장성을 결정짓는 핵심 요소가 될 가능성이 크다. 따라서 향후 AI 시스템은 지식 축적과 skill 관리 사이의 균형을 맞추는 방향으로 진화할 것으로 예상된다.

#AI 에이전트#skill#워크플로우#Princeton#UC San Diego#에이전트 성능

출처: The Decoder · 이 기사는 오픈 기자가 원문 보도를 참고해 재구성했습니다.