AI 에이전트(Agent)의 설계 및 개선 과정은 반복적인 수정, 평가, 피드백 요약으로 이루어집니다. 하지만 기존 방식은 주로 '후보 에이전트 중심(candidate-centric)'으로 진행되어, 에이전트의 결함 수정 진행 상황이 명확하게 기록되지 않아 비효율을 초래했습니다. 이러한 문제를 해결하기 위해, ADIAS(Automated Design of Interactive Agentic Systems)라는 새로운 프레임워크가 '문제 중심(issue-centric)' 최적화 방식을 제안하며 에이전트 설계 효율을 크게 높였습니다.
ADIAS는 수리 진행 상황을 명시적인 '영구적인 문제 상태(explicit persistent issue state)'로 유지하여 최적화 과정을 안내합니다. 이는 매 라운드마다 후보 에이전트의 이력에서 문제를 다시 도출하는 대신, 문제의 정체성, 생명 주기 상태, 증거, 그리고 개입-결과 이력을 안정적으로 관리합니다. 이 '문제 중심 최적화'는 수리 대상과 수정 방향을 동시에 제안하여, 전체 코드 수정(full-code modification)에 집중할 수 있도록 돕습니다. 다섯 가지 상호작용 벤치마크에서 ADIAS는 가장 강력한 기존 방식보다 평균 25.2% 더 뛰어난 성능을 보였으며, 네 가지 백본 모델(backbone model) 전반에 걸쳐 일관된 개선을 달성했습니다. 특히, 영구적인 문제 상태를 제거하거나 문제 중심 수정을 후보 중심 정책으로 대체했을 때 성능이 최대 40.7% 하락하는 것으로 나타나, ADIAS의 핵심 메커니즘이 성능 향상에 결정적인 역할을 했음을 입증했습니다.
이러한 '문제 중심' 접근 방식은 AI 에이전트 개발의 패러다임을 바꿀 잠재력을 가집니다. 기존의 비효율적인 반복 과정을 줄여 개발 시간과 비용을 절감하고, 더욱 견고하고 신뢰할 수 있는 에이전트를 만들 수 있게 합니다. 이는 고객 서비스 챗봇, 자동화된 소프트웨어 개발 도구, 복잡한 시뮬레이션 환경 등 다양한 분야에서 AI 에이전트의 활용도를 높이는 데 기여할 것입니다. 개발자들은 이제 에이전트의 문제점을 더 명확하게 파악하고, 효율적으로 해결함으로써 AI 기술의 실제 적용을 가속화할 수 있을 것으로 기대됩니다.