개별 지능에서 시스템 지능으로: LLM 에이전트에 필요한 Graph Engineering

들어가며

대규모 언어 모델은 텍스트를 생성하는 도구에서 계획을 세우고 외부 도구를 사용하며 장기 작업을 수행하는 에이전트로 발전하고 있습니다. 이 과정에서 여러 엔지니어링 패러다임이 등장했습니다. Prompt Engineering은 모델의 능력을 끌어내고, Context Engineering은 모델이 접근하는 정보를 관리합니다. Harness Engineering은 도구와 외부 자원을 정리하며, Loop Engineering은 성찰과 반복을 통해 지속적인 개선을 지원합니다.

하지만 실제 작업이 복잡해질수록 문제의 중심은 모델의 지식량이 아니라 작업 조직 방식으로 이동합니다. 하나의 목표 안에는 서로 다른 전문성, 의존 관계가 있는 하위 작업, 병렬 처리 가능한 단계, 독립적인 검증, 여러 단계에 걸쳐 유지해야 하는 상태가 동시에 존재할 수 있습니다. 단일 에이전트의 능력이나 컨텍스트를 확장하는 것만으로는 이러한 구조적 불일치를 해결하기 어렵습니다.

핵심 내용

• 시스템 지능의 부상: System Intelligence는 여러 지능형 구성 요소를 공동 목표에 맞춰 조직하고 조정해 일관된 전체로 만드는 시스템의 능력입니다.
• 에이전트 수만 늘려서는 부족함: 작업 배분, 역할 조정, 정보 교환, 중간 상태 관리가 명시적으로 설계되어야 합니다.
• 그래프를 공통 표현으로 사용: Graph Engineering은 작업, 에이전트, 시스템 상태를 명시적이고 동적인 그래프로 나타냅니다.
• 복잡한 실행을 표현: 그래프는 의존 관계, 병렬 실행, 전문 에이전트 간 협업, 검증과 재계획을 표현할 수 있습니다.
• 개별 행동에서 시스템 설계로 이동: 최적화의 대상이 단일 상호작용이나 한 에이전트의 행동에서 전체 구조로 확장됩니다.

그래프가 중요한 이유

에이전트의 작업 흐름은 단순한 직선형 순서가 아닙니다. 일부 하위 작업은 동시에 수행할 수 있지만, 다른 작업은 선행 결과가 나올 때까지 기다려야 합니다. 어떤 결과는 다음 단계에 전달되기 전에 별도의 에이전트가 검토해야 할 수도 있습니다. 그래프는 이러한 의존 관계와 각 작업을 담당하는 주체를 하나의 구조 안에서 표현하기에 적합합니다.

여기서 말하는 그래프는 미리 정해진 워크플로를 시각화한 정적인 도식에 그치지 않습니다. 실행 중 새로운 의존 관계가 발견되거나 작업이 실패하거나 추가 검증이 필요해지면, 시스템은 계획을 변경하고 업무를 재배분하거나 다른 전문 에이전트를 투입해야 합니다. Graph Engineering은 이러한 변화를 실행 과정의 일부로 다루는 동적이고 진화하는 구조를 지향합니다.

의미와 영향

이 접근법은 차세대 에이전트 개발을 시스템 아키텍처의 관점에서 바라보게 합니다. 앞으로 에이전트 플랫폼의 경쟁력은 기반 모델의 추론 능력뿐 아니라, 전문성·능력·신뢰성이 서로 다른 구성 요소를 통제 가능한 하나의 시스템으로 결합하는 능력에도 달려 있을 수 있습니다. 작업 표현, 에이전트 오케스트레이션, 상태 관리, 검증, 시스템 진화는 서로 연결된 설계 과제가 됩니다.

제공된 자료에 따르면 이 논문은 특정 제품이나 단일 벤치마크의 성능을 보고하기보다 관련 흐름을 정리하고 개념적 틀을 제시하는 서베이에 가깝습니다. 핵심 메시지는 더 강한 단일 에이전트를 만드는 데서 멈추지 말고, 목표를 구조화하고 실행을 조정하며 변화하는 상태를 보존할 수 있는 적응형 그래프 자체를 설계해야 한다는 것입니다.

출처: Hugging Face Daily Papers