DynaFlow, 고정형 멀티에이전트 협업을 동적 오케스트레이션으로 전환

들어가며

멀티에이전트 시스템의 핵심 문제는 단순히 더 많은 모델을 호출하는 데 있지 않다. 어떤 문제에서 협업이 필요한지, 작업을 어떻게 분할할지, 앞 단계의 결과가 뒤 단계의 추론에 실제로 반영되는지가 더 중요하다. 기존 시스템은 고정된 역할, 연결 구조, 사전 정의된 템플릿에 의존하는 경우가 많다. 구현과 통제는 쉽지만, 문제의 난도와 정보 흐름이 달라질 때 유연성이 제한될 수 있다.

DynaFlow는 실행 가능한 자유 형식 워크플로 생성을 메인 에이전트의 행동 공간에 넣는다. 메인 에이전트는 현재 문제를 분석한 뒤 직접 답할지, 하위 에이전트를 호출할지 판단하고, 필요하면 해당 과제에 맞는 프로그램을 생성해 여러 하위 에이전트를 조정한다.

핵심 내용

• 필요에 따른 협업: 간단한 문제에는 직접 답하고, 분해·검색·교차 검증이 필요한 문제에는 협업을 시작한다.
• 순차 및 병렬 실행: 하위 에이전트를 차례로 또는 동시에 실행하고, 중간 결과를 구조화된 방식으로 전달한다.
• 검증을 실행 과정에 포함: 앞 단계의 출력은 최종 결과에 단순히 합쳐지는 것이 아니라 후속 단계에서 확인·수정·재사용된다.
• 추론 중 계획 조정: 실행 결과와 추적 정보를 다음 행동에 반영해 협업 방식을 바꿀 수 있다.
• 오케스트레이션과 실행 능력의 분리: 메인 에이전트만 지도 미세조정하고 하위 에이전트는 고정해, 학습 목표를 조정 능력에 맞춘다.

학습은 증류된 궤적을 이용한 지도 미세조정으로 시작한다. 이후 근거가 부족한 전제, 편향된 검증, 정보 흐름의 결함이 포함된 사례를 걸러내 추가 개선을 진행한다. 이는 워크플로가 실행되는지만 보는 것이 아니라, 정보가 단계 사이에서 올바르게 전달되고 검증이 실제로 기여하는지도 평가하려는 설계다.

결과와 영향

수학적 추론, 과학 질문 응답, 다중 홉 검색을 포함한 6개 벤치마크에서 DynaFlow는 Forced 모드 기준 88.08%의 종합 정확도를 기록했다. 같은 Qwen3.5-27B 백본을 사용한 가장 강력한 평가 기준선보다 10.90%포인트 높은 수치다. 워크플로 분석에서는 학습 이후 상위 단계의 출력을 더 명시적으로 활용하고, 검증하고, 정제하는 행동이 증가한 것으로 나타났다.

이 연구의 의미는 멀티에이전트 시스템의 최적화 초점을 에이전트 수에서 정보 흐름의 설계로 옮긴 데 있다. 효과적인 협업 시스템이라면 중간 결과가 추적 가능하고, 검증 가능하며, 후속 단계에서 재사용될 수 있어야 한다. 동시에 동적 오케스트레이션은 새로운 평가 과제를 만든다. 메인 에이전트가 불필요하게 위임할 수도 있고, 협업이 도움이 되는 상황에서 직접 답할 수도 있기 때문이다. 두 경우의 비용을 분리하려면 직접 응답과 강제 워크플로를 반사실적으로 비교하는 평가가 필요하다.

DynaFlow는 정적인 멀티에이전트 구조에서 과제 단위의 프로그램 생성으로 나아가는 방향을 보여준다. 모든 에이전트를 동시에 개선하기보다, 중심 에이전트가 문제를 파악하고 실행을 조직하며 피드백을 활용하도록 학습시키는 접근이다. 이는 보다 적응적이고 해석 가능한 에이전트 협업을 설계하는 데 참고가 될 수 있다.

출처: Hugging Face Daily Papers