AgentCoord: LLM 기반 다중 에이전트 협업을 위한 조정 전략 시각적 탐색

대형 언어 모델(LLM) 기반 다중 에이전트 협업을 통한 자동 작업 해결의 잠재력은 최근 연구 커뮤니티와 산업계에서 광범위한 관심을 받고 있습니다. 여러 에이전트를 자연어로 조정하는 것은 일반 사용자를 위한 에이전트 기술 민주화에 유망한 경로를 제공하지만, 기존 조정 프레임워크에서는 조정 전략 설계가 여전히 어렵습니다. 이러한 어려움은 협업 과정을 명시하는 자연어의 본질적 모호성 및 탐색 중 방대한 텍스트 형태의 콘텐츠에서 핵심 정보(예: 에이전트 관계, 작업 의존성, 결과 대응)를 추출하는 데 필요한 높은 인지 부하에서 기인합니다. 본 연구에서는 다중 에이전트 협업에서 조정 전략 설계를 용이하게 하는 시각적 탐색 프레임워크를 제시합니다. 먼저 LLM 기반 다중 에이전트 조정 전략에 대한 구조화된 표현을 수립하여 자연어의 모호성을 규칙화합니다. 이 구조를 기반으로 사용자의 일반 목표를 실행 가능한 초기 조정 전략으로 변환하는 세 단계 생성 방법을 고안했습니다. 사용자는 생성 과정의 어느 단계에서든 개입하여 LLM과 일련의 상호작용을 활용하여 대안 전략을 탐색할 수 있습니다. 만족스러운 전략이 확인되면 협업을 시작하고 시각적으로 향상된 실행 결과를 검토할 수 있습니다. 우리는 AgentCoord라는 프로토타입 인터랙티브 시스템을 개발하고 공식 사용자 연구를 수행하여 우리의 접근법의 실현 가능성과 효과를 입증했습니다.