Posts

멀티에이전트 시스템의 Micro-Meso-Macro 3중 피드백 루프 설계와 동적 가중치 조정

LangGraph StateGraph 기반 멀티에이전트 오케스트레이션과 Durable Execution 설계

LLM 에이전트의 구성, 협력, 진화를 다루는 Build-Collaborate-Evolve 프레임워크 소개

훈련이 아닌 추론 시점에서 더 많은 계산을 투입하여 성능을 끌어올리는 패러다임

OpenAI o1과 유사한 성능을 달성한 오픈소스 모델. 특히 R1-Zero는 순수 강화학습만으로 추론 능력이 자동 출현

기존 모델과 달리 사고 과정을 노출하지 않고, 내부적으로 깊은 추론 후 결과만 출력하는 '생각하는' AI

LLM의 내부 지식만 사용하는 대신, 외부 데이터베이스에서 관련 정보를 검색하여 응답 생성에 활용하는 기법

Multi-Agent Debate에 공유 지식 풀을 도입하여 토론 품질을 높이는 확장 기법

여러 AI 에이전트가 서로 토론하며 문제를 해결하는 방식. 다양한 관점과 상호 검증으로 더 나은 답에 도달한다

ToT, ReAct, Reflexion, MCTS를 통합한 에이전트 프레임워크

모델 자체 판단이 아닌, 외부 도구(검색, 코드 실행, 계산기)를 사용해 답변을 검증하고 개선하는 기법

같은 모델에게 피드백을 요청하고, 그 피드백을 바탕으로 답변을 반복 개선하는 기법

실패를 언어로 분석하고 메모리에 저장하여 같은 실수를 반복하지 않는 자기 개선 기법

Reasoning + Acting - 생각한 후 도구를 사용하고, 결과를 관찰하는 순환 구조

Let's think step by step - LLM에게 생각하는 과정을 보여주는 것만으로 성능이 2배 향상된다

Chain of Thought부터 OpenAI o1까지 - AI 에이전트의 주요 발전 타임라인 정리

하나의 경로가 아닌 여러 경로를 동시에 탐색하여 최적의 해결책을 찾는 추론 기법