구체화된 LLM 에이전트들이 조직화된 팀 내 협동을 학습하다

대규모 언어 모델(LLMs)은 광범위한 세계 지식과 언어 관련 업무 능력을 바탕으로 추론, 계획 및 의사결정의 필수 도구로 부상하고 있습니다. 따라서 LLMs는 다중 에이전트 시스템 내에서 자연어 상호작용을 통해 협력을 촉진할 수 있는 엄청난 잠재력을 지니고 있습니다. 그러나 LLM 에이전트는 과도하게 보고하거나 모든 지시에 따르는 경향이 있어 다중 에이전트 협력 시 정보 중복과 혼란을 초래할 수 있습니다. 인간 조직에서 영감을 받아, 본 논문은 이러한 문제를 완화하기 위해 프롬프트 기반의 조직 구조를 LLM 에이전트에 부여하는 프레임워크를 제안합니다. 구체화된 LLM 에이전트와 인간-에이전트 협력 실험을 통해, 지정된 리더십이 팀 효율성에 미치는 영향을 강조하고, LLM 에이전트가 보여주는 리더십 특성과 자발적인 협력 행동을 조명합니다. 나아가, 비판-반영(Criticize-Reflect) 과정을 통해 LLM의 잠재력을 활용하여, 통신 비용을 줄이고 팀 효율성을 향상시키는 새로운 조직 구조를 제안하는 향상된 조직 프롬프트를 개발합니다.