Agensh, 중앙 조정자 없이 1,024개 에이전트의 자율 협업 확장

들어가며

멀티에이전트 시스템의 장점은 단순히 여러 모델을 동시에 실행하는 데 있지 않다. 복잡한 작업을 여러 조각으로 나누고 병렬 처리해 완료 시간을 줄이는 것이 핵심이다. 하지만 기존 구조는 대체로 중앙 오케스트레이터가 작업 배분, 진행 상황 추적, 충돌 조정을 담당한다. 에이전트 수가 늘어나면 이 중앙 조정자가 시스템 확장의 병목이 될 수 있다. Agensh는 중앙 제어 지점을 제거하고 에이전트 조직이 스스로 협업하도록 설계했다.

협업을 만드는 기반 구조

Agensh는 각 에이전트에 고정된 역할을 미리 부여하지 않는다. 대신 여러 워커가 협업 루프를 반복한다. 워커는 현재 컨텍스트를 모으고, 필요한 하위 작업을 찾거나 직접 맡은 뒤 행동한다. 이후 발견한 내용을 공유하고, 기존 결과를 검증하며, 유효한 진전을 전체 작업에 병합한다. 이 과정은 비동기적으로 진행되므로 모든 에이전트가 중앙 조정자의 순차적인 지시를 기다릴 필요가 없다.

시스템은 세 가지 요소로 구성된다.

• 공유 작업 공간: 제안된 작업, 진행 중인 작업, 완료된 작업을 기록해 에이전트가 처리할 일을 발견하게 한다.
• 메시지 인터페이스: 워커들이 결과와 판단, 진행 상황을 서로 전달하도록 한다.
• 공유 컨텍스트: 재사용 가능한 발견과 작업 의도를 보관해 중복 탐색을 줄이고 새로 참여한 에이전트가 상황을 파악하도록 돕는다.

핵심은 더 복잡한 관리 계층을 추가하는 것이 아니다. 프로젝트 상태를 충분히 공개해 각 에이전트의 지역적 판단에서 협업 패턴이 생겨나도록 하는 데 있다.

프로그래밍 과제에서 확인된 확장 효과

논문은 GPT-5.6-sol(high)을 사용해 ProgramBench에서 가장 어려운 5개 과제를 대상으로 Agensh를 평가했다. 에이전트 수를 1개에서 128개로 늘리자 평균 최종 테스트 통과율은 19.31%에서 28.78%로 상승했다. 이는 상대적으로 약 49% 개선된 수치다. 연구진은 더 큰 조직이 비슷한 통과율에 더 빨리 도달하는 경향도 관찰했다.

pandoc 과제에서는 확장 폭이 더 컸다. 에이전트 수를 1개에서 1,024개로 늘리자 최종 테스트 통과율이 33.89%에서 55.06%로 올라갔다. 워커의 실행 궤적을 분석한 결과, 조직이 커질수록 서로 다른 자율 협업 방식이 점차 나타나고 일정한 형태로 자리 잡는 모습도 확인됐다.

의미와 남은 과제

Agensh는 에이전트 시스템을 확장하려면 반드시 더 강력한 중앙 플래너가 필요한 것은 아니라는 방향을 제시한다. 공유 상태, 통신, 지역적 자율성을 결합하면 조직적 지능이 형성될 가능성이 있다. 장시간이 걸리는 코딩 작업이나 분할 가능한 문제에서는 중앙 조정자의 부담을 낮추고 병렬 작업의 기회를 늘릴 수 있다.

다만 현재 결과는 특정 프로그래밍 벤치마크와 모델 설정에서 얻어졌다. 따라서 모든 작업으로 일반화할 수는 없다. 에이전트가 많아질수록 통신량, 상태 관리, 결과 검증 부담도 커진다. 중복 작업과 정보 충돌, 운영 비용을 어떻게 통제할지가 실험실 밖의 배포를 좌우할 핵심 과제다.

출처: Hugging Face Daily Papers