GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis
실제 파일 기반의 증거 그래프를 활용하여 에이전트 학습용 고품질 작업 환경과 검증 루브릭을 자동 생성하는 프레임워크
논문이 다루는 내용
에이전트 학습을 위해서는 실제 파일과 검증 가능한 결과가 포함된 작업 데이터가 필요하지만, 기존 방식은 현실성이 부족하거나 검증이 어렵다는 문제가 있었습니다. 이를 해결하기 위해 GraphForge는 직업 기반 시드에서 시작하여 실제 파일들로 구성된 워크스페이스와 그 관계를 나타내는 증거 그래프를 구축합니다. 이 그래프를 바탕으로 작업 요구사항과 검증 루브릭을 파일에 직접 연결(anchoring)하여 데이터의 정합성을 확보합니다. 생성된 작업은 초기 실행 테스트와 수정 에이전트를 거쳐 정교하게 다듬어진 후 학습 데이터로 사용됩니다. 실험 결과, GraphForge로 학습된 모델은 OpenHands 및 Claude Code 환경의 주요 벤치마크에서 성능 향상을 입증했습니다.
핵심 결과
-
실제 파일 관계를 기반으로 작업(Task)과 검증(Verification)을 연결하는 증거 그래프 프레임워크 제안
-
직업 기반 시드와 자동 수정 루프를 통한 고품질/고현실성 학습 데이터 합성
-
루브릭 기반의 거부 미세조정(Rejection Fine-tuning)을 통한 에이전트 성능 최적화
실무에서 볼 만한 점
에이전트가 단순히 텍스트를 생성하는 것을 넘어, 실제 파일 시스템과 도구를 다루는 복잡한 워크플로우를 학습할 수 있는 데이터 파이프라인을 제공합니다.
읽을 때 확인할 점
-
제공된 데이터셋과 모델을 활용하여 특정 도메인(예: 데이터 분석, 코드 리팩토링)에 대한 에이전트 성능 테스트
-
증거 그래프 기반의 루브릭이 실제 에이전트의 추론 과정에 미치는 영향 분석
-
기존의 합성 데이터 생성 방식과 GraphForge 방식의 결과물 품질 비교 실험