Asking for What Was Never Requested: Horizontal and Vertical Proactivity in Agents
에이전트가 사용자 요청 너머의 필요한 정보를 스스로 식별하고 추적하는 '수평적/수직적 능동성' 학습 프레임워크 제안
논문이 다루는 내용
기존 에이전트는 사용자의 명시적 요청에만 반응하여, 작업 완수에 필요한 잠재적 정보 확보에 취약했습니다. 본 연구는 정보의 내용적 측면에서 능동성을 정의하며, 문맥 내 미언급 정보를 찾는 '수평적' 방식과 이전 증거를 통해 드러난 필요를 찾는 '수직적' 방식을 제안합니다. 이를 위해 필요 그래프(Need Graph)를 활용하여 모델 평가 없이도 능동성을 측정할 수 있는 체계를 구축했습니다. 학습 방법으로는 보상 모델 없이 질문자가 더 많은 증거를 확보할 수 있는 질문을 선택하도록 하는 Q&D(Questioner and Drafter) 방식을 제안합니다. 실험 결과, 제안된 방식은 훨씬 큰 모델보다 적은 질문으로도 더 많은 과업을 완수하며 효율적인 정보 수집 능력을 보여주었습니다.
핵심 결과
-
수평적(Horizontal) 및 수직적(Vertical) 프로액티비티(Proactivity) 개념 정립
-
모델 평가(Judge) 없이 트랜스크립트만으로 능동성을 측정하는 Need Graph 기반 평가 체계 구축
-
보상 모델 없이 질문의 가치를 학습하는 Q&D(Questioner and Drafter) 학습 알고리즘 제안
실무에서 볼 만한 점
단순히 명령을 수행하는 것을 넘어, 작업 완수에 필요한 '숨겨진 요구사항'을 스스로 파악하는 지능형 에이전트 설계의 핵심 가이드를 제공합니다.
읽을 때 확인할 점
-
멀티홉 QA 데이터셋을 활용하여 에이전트의 정보 수집 효율성 측정 실험
-
Q&D 프레임워크를 기존 RAG 기반 에이전트의 질문 생성 루프에 이식
-
사용자 개입 최소화와 작업 완수율 사이의 트레이드오프 분석