Raven: 진화하는 에이전트 하니스를 조합하는 시스템

들어가며

대규모 언어 모델은 단순한 질의응답을 넘어 장시간 실행되는 복잡한 워크플로를 처리하는 방향으로 발전하고 있습니다. 이런 작업에서는 모델의 추론 능력뿐 아니라 도구 사용, 계획 수립, 메모리, 피드백, 실패 복구를 포함한 주변 시스템이 중요합니다. Raven은 이 전체 구조를 ‘하니스’로 보고, 도메인마다 더 복잡한 하니스를 수작업으로 만드는 대신 전용 하니스를 자동으로 구축·개선하고 조합하자는 방향을 제시합니다.

조합 가능한 지능 단위

Raven은 실행 가능한 모델과 하니스의 결합을 하나의 모듈형 지능 단위로 취급합니다. 각 단위는 특정 모델, 도메인, 작업 유형에 맞게 구성될 수 있으며 상위 시스템에서 다시 조정됩니다. 하나의 에이전트가 모든 능력을 갖추도록 요구하기보다, 큰 목표를 여러 하위 작업으로 나누고 적합한 전문 에이전트에 배정하는 방식입니다.

주요 구성 요소는 다음과 같습니다.

• Host Agent: 전체 목표를 해석하고 하위 작업을 분해하며, 전문 에이전트를 선택하고 의존성을 조정한 뒤 결과를 통합합니다.
• Host Archive: 이전 작업에서 얻은 경험을 저장해 이후 실행에서 활용할 수 있게 합니다.
• EverOS: 여러 작업에 걸친 실행 맥락과 경험의 관리를 지원합니다.
• Skill Forge: 유용한 경험을 재사용 가능한 절차나 스킬로 변환합니다.

핵심은 단순히 여러 에이전트를 병렬 실행하는 데 있지 않습니다. Raven은 하니스 자체를 개선 대상으로 삼고, 성공적인 작업 흐름을 스킬로 축적해 다른 에이전트나 미래의 작업에서 재사용하려 합니다.

의미와 과제

많은 에이전트 시스템은 특정 모델, 도구 체계 또는 도메인을 중심으로 최적화됩니다. 범위가 명확한 작업에서는 효과적일 수 있지만, 도메인을 넘나드는 워크플로에서는 시스템별 유지 비용과 범용 하니스의 한계가 커집니다. Raven은 전문 모듈이 도메인 적합성을 담당하고 Host Agent가 전체 조정을 맡는 방식으로 이 문제에 접근합니다.

논문은 공유된 자원 예산 아래에서 여러 능력을 조합하면 신뢰할 수 있는 작업 범위를 넓힐 수 있는 조건도 이론적으로 논의합니다. 이는 경쟁의 기준을 단일 에이전트의 성능에서, 제한된 자원으로 여러 불완전한 능력을 얼마나 효율적으로 조직하는지로 옮깁니다.

또한 경험을 스킬로 축적하는 순환 구조가 중요합니다. 경험이 반복 가능한 절차로 변환된다면 시스템 개선은 개별 프롬프트를 고치는 작업을 넘어 워크플로 수준의 학습으로 발전할 수 있습니다.

다만 현재 제공된 자료는 구조와 전반적인 성능 향상 주장을 중심으로 하며, 구체적인 벤치마크, 자원 조건, 제거 실험, 개선 폭은 제시하지 않습니다. 자동 생성 하니스의 신뢰성, 조정 오버헤드, 오류 전파, 경험 검색 품질은 논문 전문과 공개 코드로 추가 검증해야 합니다.

Raven은 ‘하나의 만능 에이전트’를 만드는 방식에서 상호 운용 가능한 에이전트 생태계를 구축하는 방식으로의 전환을 보여줍니다. 실제 가치는 하니스 생성의 안정성, 스킬의 작업 간 전이, 그리고 협업 이득이 추가적인 계획·실행 비용을 넘어서는지에 달려 있습니다.

출처: Hugging Face Daily Papers