Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation
기존의 방대한 스킬 라이브러리를 활용하여 에이전트의 작업 수행 능력을 효율적으로 최적화하는 RAG 기반 프레임워크 제안
논문이 다루는 내용
에이전트 스킬은 특정 환경에서 작업을 수행하기 위한 재사용 가능한 자연어 지침입니다. 기존의 스킬 최적화 방식은 이미 축적된 방대한 스킬 데이터 대신 비용이 많이 드는 에이전트 롤아웃(rollout)에만 의존하는 한계가 있었습니다. 이를 해결하기 위해 외부 스킬 코퍼스를 사전 지식으로 활용하는 RASO 프레임워크를 제안합니다. RASO는 Cross-Harness Adaptation을 통해 도메인과 환경이 다른 기존 스킬을 타겟 작업에 맞게 적응시킵니다. 초기 스킬 생성(RASI)과 피드백 기반 업데이트(RASU)의 두 단계로 구성되어 효율적인 최적화를 수행합니다. 실험 결과, RASO는 다양한 벤치마크에서 기존 방식보다 우수한 성능을 입증했습니다.
핵심 결과
-
외부 스킬 코퍼스를 활용한 Retrieval-Augmented Skill Optimization (RASO) 프레임워크 제안
-
도메인 및 환경 차이를 극복하는 Cross-Harness Adaptation 기술 적용
-
초기화(RASI)와 반복적 업데이트(RASU)를 통한 효율적인 스킬 최적화 프로세스 구축
실무에서 볼 만한 점
에이전트 학습 시 매번 처음부터 학습하는 대신, 기존에 잘 만들어진 스킬들을 검색/활용함으로써 학습 비용을 획기적으로 줄일 수 있습니다.
읽을 때 확인할 점
-
기존에 보유한 에이전트 스킬 데이터셋을 RAG용 코퍼스로 구축해보기
-
도메인이 다른 환경에서 기존 스킬이 얼마나 잘 전이되는지 성능 테스트하기
-
실행 피드백(Execution Feedback)을 검색 쿼리로 변환하는 로직 실험하기