City University of Hong Kong의 Zhisong Zhang이 낸 arXiv에 공개된 첫 원고는, 조합형 LLM 에이전트 시스템을 설계하고 분석하기 위한 그래프 기반 틀 MyAG를 제안한다. 핵심은 시스템 구성을 하나로 묶지 않고, 에이전트·환경·모듈을 담는 component graph, 실행 흐름을 제어하는 workflow graph, 런타임 탐색을 담당하는 search graph로 나눠 보는 데 있다.
이 분리는 같은 구성요소를 서로 다른 전략과 다시 조합해 쓰기 쉽게 해 준다고 설명된다. 여기에 recursive system nodes를 통한 계층적 합성, 그리고 에이전트 실행을 들여다볼 수 있는 모니터링·시각화 도구가 더해진다. 초록과 본문은 이런 구조가 유연한 시스템 설계와 성능-효율 tradeoff 분석을 돕는다고 밝힌다.
비교표에서는 MyAG가 4천 줄 안팎의 코어 코드로 요약되며, workflow support, search support, hierarchical systems, efficiency analysis를 모두 지원하는 것으로 정리된다. 같은 표에서 LangGraph는 약 2만7천 줄, Microsoft Agent Framework는 약 5만1천 줄, CAMEL은 약 1만8천 줄, MetaGPT는 약 2만5천 줄, AutoGen은 약 9천 줄 수준으로 제시되고, 각 프레임워크의 지원 범위는 체크 표시와 빈칸으로 구분된다.
평가에서는 대표적 에이전트 과제로 복합 질문응답을 위한 GAIA 텍스트 하위셋과 웹 탐색용 Mind2Web-Live를 사용했다. 주된 실험에는 QWEN3.5-27B를 기본 LLM으로 쓰고, 자동 웹 브라우저 환경은 Playwright로 구현했다. 각 실험은 3회 반복해 평균 성능을 보고했으며, 전략 비교는 Greedy, Best-first, Rollback, Best-of-N 네 가지로 진행됐다.
GAIA-text 결과 그림에서는 각 전략의 정확도, 지연시간, LLM 추론 비용, 환경 상호작용 비용을 함께 나타낸다. Mind2Web-Live에서도 같은 방식으로 성능과 효율을 나란히 비교했다. 본문은 Greedy가 추가 점수화나 롤백, 선택 절차가 없어 계산 사용량 측면에서 가장 효율적이라고 적고, Table 2에서는 전략별 지연 분해를, Table 3에서는 click, scroll, type, goto, goback, wait 같은 행동별 평균 지연과 비중을 제시한다.
| 구분 | 원문 수치·지원 범위 | source_locator |
|---|---|---|
| MyAG | 약 4천 줄; workflow support ✓; search support ✓; hierarchical systems ✓; efficiency analysis ✓ | p.2 | Table 1 |
| QWEN3.5-27B 기반 주 실험 | GAIA-text, Mind2Web-Live에서 각 실험 3회 반복 후 평균 성능 보고 | p.5 | source_excerpt |
| Table 3 행동별 비용 | scroll: 29.3% call, 11.0% time, 1.00s; wait: 2.5% call, 7.8% time, 7.82s | p.6 | Table 3 |
자료: STORIUM 정리
예를 들어 Table 3에서 scroll은 행동 호출 비중이 29.3%로 높지만 전체 환경 상호작용 시간 비중은 11.0%, 평균 지연은 1.00초로 적다. 반면 wait는 호출 비중 2.5%에 시간 비중 7.8%, 평균 지연 7.82초로 나타난다. 결론은 MyAG가 여러 워크플로와 탐색 전략을 비교 가능한 형태로 다루게 해 주지만, 더 넓은 환경과 추가 응용으로의 확장은 후속 과제로 남겨 둔다.
저작권자 © STORIUM 무단전재 및 재배포 금지
