LLM 에이전트 자기 조직화: 역할 제거로 효율성 14% 향상
고정된 역할과 계층 구조가 없는 LLM 에이전트 시스템이 기존 코디네이터 기반 접근법보다 품질 지표 Q에서 14% 더 높은 성능을 보였습니다(p < 0.001). 8개 모델과 최대 256개 에이전트로 25,000개 작업을 대상으로 한 실험에서 에이전트들은 독립적으로 전문성을 결정하고, 불필요한 작업을 거절하며, 성능 저하 없이 확장되었습니다. 에이전트가 순차적으로 작업하며 선행 에이전트의 결과에 접근하는 순차 프로토콜이 가장 높은 성능을 제공했습니다.
실험 규모와 방법론
실험은 API 검증(L1)부터 CEO 대 법무 대 CFO와 같은 적대적 시나리오(L4)까지 네 가지 복잡도 수준에 걸쳐 25,000개 이상의 작업을 포함했습니다. Claude, GPT-5.4, GPT-4o, GPT-4.1-mini, DeepSeek v3.2, GLM-5, Gemini-3-flash, GigaChat 2 Max 등 8개 모델이 테스트되었습니다. 에이전트 수는 4개에서 256개까지 다양했으며, 총 토큰 소비량은 10억 개를 초과했습니다.
솔루션 품질은 정확성, 완전성, 일관성, 적용 가능성, 미션 정렬 등 다섯 가지 기준으로 판단 모델에 의해 평가되었습니다. Q 지표는 0.25에서 1.0까지 범위를 가집니다.
8개의 조정 프로토콜이 비교되었으며, 그중 4개는 생체 모방 프로토콜입니다. 초점은 수평적 조정에 맞춰졌습니다: 개별 인스턴스의 수직적 강화 없이 에이전트 그룹이 통합 시스템을 형성하는 방식입니다.
조정 프로토콜과 효과성
동일한 모델, 작업, 에이전트 수로 네 가지 주요 프로토콜이 테스트되었습니다:
- 코디네이터: 중앙 Agent-0이 역할을 할당하고, 다른 에이전트들은 병렬로 실행합니다.
- 순차: 에이전트들이 차례로 작업하며, 각 에이전트는 이전 에이전트들의 특정 결과를 분석하고 역할 및 참여를 결정합니다.
- 브로드캐스트: 에이전트들이 의도를 알린 후, 다른 에이전트들의 알림을 기반으로 조정합니다.
- 공유: 공유 메모리를 통한 완전한 독립성.
GPT-4.1-mini에서의 결과(N=8):
| 프로토콜 | 품질 Q |
|--------------|-----------|
| 순차 | 0.724 |
| 코디네이터 | 0.640 |
| 브로드캐스트 | 0.510 |
| 공유 | 0.503 |
최고와 최저 간 차이는 44%였습니다(Cohen’s d = 1.86). Claude에서 복잡 작업에 N=16일 때, 순차 프로토콜은 Q=0.875를 달성했으며, 코디네이터는 0.767이었습니다(+14%, p < 0.001).
순차 프로토콜이 우수한 이유는 의도나 일반 기록이 아닌 실제 완료된 결과에 접근할 수 있기 때문입니다.
역할과 전문성 역학
수백 개 작업에 8개 에이전트가 5006개의 고유 역할을 생성했으며, 그중 54%는 한 번만 사용되었습니다. 64개 에이전트에서는 5010개 역할(0.1% 차이)이었습니다. 에이전트들은 고정 프로필 없이 각 작업의 맥락에 맞춰 기능을 적응시킵니다.
순차 프로토콜에서 역할은 동적으로 변화하며 분산 네트워크를 형성합니다. 코디네이터에서는 모든 연결이 Agent-0을 통과합니다 — 단일 장애 지점입니다.
자기 제거와 자원 최적화
순차 프로토콜의 에이전트들은 자발적으로 작업을 거절합니다: "모든 핵심 포인트가 다뤄졌으니, 가치를 더하지 않겠습니다." 비활성 에이전트 60개 중 38개가 자기 제거였습니다. 이로 인해 Q가 0.875로 향상되었으며, 강제 참여 시 0.767이었습니다.
Claude는 8.6%의 의식적 거절을 보여줍니다 — 최적 수준입니다. 시스템 자체가 필요한 참여자 수를 결정하여 토큰을 최소화합니다.
확장 시:
| N 에이전트 | Q | 토큰 |
|----------|--------|----------|
| 8 | 0.954 | 3164 |
| 64 | 0.949 | 3537 |
| 256 | 0.967 | — |
비용은 N이 8배 증가함에 따라 11.8% 증가했으며, 약 45%의 에이전트가 자기 제거했습니다.
모델 비교와 비용
복잡 작업에서:
- Claude Sonnet 4.6: Q=0.875, 높은 비용.
- DeepSeek v3.2: Q=0.829(Claude의 약 95%), 비용 약 1/24.
- GLM-5: Q=0.800, 비용 약 1/20.
DeepSeek은 적대적 작업에서 Claude보다 6.0% 우수하며, 미션 정렬은 4.00/4.00입니다.
추세: 강력한 모델(Claude, DeepSeek)은 자율성으로부터 이익을 얻습니다(+3.5–10.6%). 주요 특성:
- 추론 — 사고 연쇄 능력.
- 자기 성찰 — 역량 평가.
- 지시 따르기 — 프로토콜 준수.
- 구조화된 출력 — 안정적인 형식.
작업 복잡도 적응
Q는 L1에서 L4로 감소합니다(-37.7%), 그러나 계층 구조는 자발적으로 심화됩니다(1.22 → 1.56). 에이전트들은 지시 없이 구조를 구축합니다.
핵심 요약
- 순차 프로토콜은 실제 선행 결과 접근으로 Q를 14% 증가시킵니다.
- 에이전트들은 수천 개의 고유 역할을 생성하며, 고정 프로필 없이 맥락에 적응합니다.
- 자발적 자기 제거는 자원을 최적화합니다: N=256에서 45%의 에이전트가 참여하지 않습니다.
- DeepSeek v3.2는 Claude 품질의 95%를 비용의 1/24로 달성합니다.
- 자율성은 고급 추론과 자기 성찰 기능을 가진 강력한 모델에서 효과적입니다.
— Editorial Team
아직 댓글이 없습니다.