최근 공개된 논문 'SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery'에서 연구진은 AI 코딩 에이전트가 개방형 문제(open-ended problems)를 해결하는 새로운 방식을 제시했습니다. 기존의 장기 실행 코딩 에이전트(long-running coding agents)는 특정 접근 방식에 고착되어 다른 더 나은 해결책을 놓치는 경향이 있었는데, SwarmResearch는 이러한 한계를 극복하기 위해 여러 에이전트가 협력하는 시스템을 도입했습니다.
SwarmResearch는 '오케스트레이터-서브 에이전트(orchestrator-subagent)' 구조를 채택합니다. 여기서 '셰퍼드 에이전트(Shepherd Agent)'는 전체적인 맥락(global context)을 파악하고, 여러 '탐색 에이전트(Search Agents)'를 지휘합니다. 각 탐색 에이전트는 자신만의 로컬 맥락(local context)을 가지고 독립적인 깃 브랜치(git branch)에서 작업을 수행하며 다양한 솔루션을 탐색합니다. 이 방식은 단일 에이전트가 하나의 프로그램 상태에만 집중하는 대신, 여러 에이전트가 병렬적으로 다양한 시도를 할 수 있게 하여 더 넓은 탐색 공간을 확보합니다.
연구 결과, SwarmResearch는 개방형 최적화(open-ended optimization) 작업에서 최신 대규모 언어모델(LLM) 기반 진화 및 다중 에이전트(multi-agent) 기술보다 15개 중 13개 작업에서 더 우수하거나 동등한 솔루션을 발견했습니다. 이는 더 높은 수준의 탐색(higher-level exploration) 덕분입니다. 또한, SwarmResearch는 검색 깊이에 따라 병렬 처리 수준을 조절하는 오케스트레이터 기반 스케일링을 통해 고정된 직렬 및 병렬 에이전트 방식보다 더 나은 성능의 솔루션을 찾아냈습니다. 이는 AI가 복잡한 문제 해결 과정에서 마치 인간 팀처럼 협력하며 창의적이고 효율적인 방식으로 접근할 수 있음을 시사하며, 향후 AI 기반 소프트웨어 개발 및 연구 분야에 큰 영향을 미 미칠 것으로 기대됩니다.