Recursive Multi-Agent Systems

Paper ID: 2604.25917 • 119 Upvotes

Agent Multi-Agent System Recursion Optimization RAG Reasoning Benchmark Evaluation Inference

📝 핵심 요약

RecursiveMAS는 다중 에이전트 시스템을 재귀적으로 연결하여 협업 효율성을 높이고, 다양한 분야에서 성능 향상과 자원 절약을 동시에 달성하는 새로운 프레임워크다.

📖 상세 내용

최근 재귀적 언어 모델은 모델의 반복적인 개선을 통해 추론 능력을 향상시키는 새로운 방법으로 주목받고 있다. 본 연구에서는 이러한 재귀적 확장 원리를 다중 에이전트 시스템에 적용하여 에이전트 협업 자체를 확장하고자 한다. 이를 위해 RecursiveMAS라는 프레임워크를 제안하며, 이는 이질적인 에이전트들을 재귀적으로 연결하여 잠재 공간에서 사고를 생성하고 상태를 전달한다. 또한, 전체 시스템의 공동 최적화를 위해 내-외부 루프 학습 알고리즘을 개발하여 안정적인 학습을 보장한다. 실험 결과, RecursiveMAS는 다양한 벤치마크에서 기존 방식 대비 평균 8.3%의 정확도 향상, 1.2~2.4배의 추론 속도 향상, 34.6~75.6%의 토큰 사용량 감소를 달성했다.

🔑 주요 내용 (Key Points)

다중 에이전트 시스템을 위한 재귀적 프레임워크 RecursiveMAS 제시
에이전트 간 협업을 위한 잠재 공간 기반의 RecursiveLink 모듈 개발
전체 시스템 공동 최적화를 위한 내-외부 루프 학습 알고리즘 개발

💡 실무적 가치 (Relevance)

RecursiveMAS는 복잡한 문제 해결을 위해 여러 에이전트의 협업이 필요한 상황에서, 개발자가 시스템 성능을 향상시키고 자원 사용량을 줄이는 데 도움을 줄 수 있다. 특히, 에이전트 간의 효율적인 정보 교환 및 협업 전략 학습에 유용하다.

✅ 추천 액션 (Actionable Items)

RecursiveMAS 프레임워크를 활용하여 기존 다중 에이전트 시스템에 적용해보기
RecursiveLink 모듈을 통해 에이전트 간 잠재 공간 기반의 정보 교환 실험해보기
내-외부 루프 학습 알고리즘을 사용하여 시스템 전체의 공동 최적화 시도해보기

View on Hugging Face View PDF (arXiv)