대규모 언어 모델(LLM) 에이전트가 복잡한 작업을 수행하는 데 필요한 절차적 지식, 즉 ‘스킬(Skill)’을 자동으로 생성하는 프레임워크가 arXiv에 공개됐다. Yuyang Zhang, Xinyuan Han, Xudong Jiang, Run Wang이 발표한 W2S(Workflow-to-Skill) 연구는, 고품질 스킬을 사람이 직접 작성하는 데 드는 높은 비용 문제를 해결하기 위해 에이전트의 실행 기록에서 스킬을 자동 구성하는 방법론을 제안한다. 학습 시연, 에이전트 궤적, 도구 호출 이력, 실행 로그 등 이질적인 상호작용 증거를 입력으로 삼는다.
연구의 핵심 기여는 RWSA라는 워크플로 지향 중간 표현(intermediate representation)의 도입이다. RWSA는 스킬을 워크플로 구조(Workflow structure), 실행 의미(execution Semantics), 런타임 첨부물(runtime Attachments) 세 요소로 분해한다. 이 표현은 작업 분해 방식, 제어 흐름, 검증 절차, 안전성, 롤백 처리, 상태 관리까지 포착한다. 논문은 실행 추적(trace)을 단순히 압축 가능한 텍스트가 아니라 실행 가능한 런타임 명세로 다뤄야 한다고 강조한다. 실제 추적 데이터는 단편적이고 중복이 많으며 드물지만 안전상 중요한 행동이 누락되기 쉽기 때문이다.
W2S 프레임워크는 추적 데이터를 구간으로 분리하고, 로컬 스킬 초안을 유도한 뒤 공유 구조를 정렬하고 분기를 조율하며 중복을 제거하는 단계로 구성된다. 이 과정에서 증거와 신뢰도 주석을 보존한다. 70개 스킬을 대상으로 한 실험에서 W2S는 요약 방식 및 프롬프팅 기반 기준선 대비 행동 재현 일관성을 10.5% 향상시켰다.
LLM 에이전트가 기업 업무 자동화와 소프트웨어 개발 보조 도구로 빠르게 확산되는 가운데, 에이전트가 새 도메인에서 효과적으로 작동하려면 해당 도메인의 절차 지식을 스킬 형태로 갖춰야 한다. 이를 수작업으로 작성하는 방식은 확장성에 근본적인 한계가 있다. W2S처럼 기존 실행 기록에서 스킬을 자동 생성하는 접근은 에이전트 도입 비용을 낮추고 전문 지식의 재사용성을 높이는 방향으로 AI 에이전트 생태계 발전에 기여할 전망이다.
