대규모 언어모델(LLM) 에이전트가 실제 세계의 복잡한 작업을 수행하는 데 있어 외부 도구(tool)의 활용은 필수적입니다. 그러나 현재 LLM 에이전트들은 텍스트 기반의 암묵적 추론에 의존하여 도구 사용 계획을 세우기 때문에, 비효율적인 탐색과 불안정한 실행이라는 문제에 직면해왔습니다. 특히 복잡한 작업 환경에서는 이러한 한계가 더욱 두드러집니다.
이러한 문제를 해결하기 위해 연구팀은 '하이퍼에이전트(HyperAgent)'라는 새로운 프레임워크를 개발했습니다. 하이퍼에이전트는 도구 간의 관계를 스키마(schema) 수준에서 모델링하고, 이를 통해 '도구-스키마 하이퍼그래프(Tool-Schema Hypergraph)'를 구축합니다. 이 하이퍼그래프에서는 도구들이 필요한 입력 스키마 노드에서 출력 스키마 노드로 연결되는 하이퍼엣지(hyperedge)로 표현됩니다. 주어진 작업에 대해 하이퍼에이전트는 먼저 작업 관련 도구 컨텍스트 그래프를 추출하고, 이를 기반으로 스키마를 인지하는 작업 DAG(Directed Acyclic Graph)를 구성합니다. 실행 단계에서는 미해결 요구사항을 식별하고 현재 에이전트 상태에 따라 지원 도구를 검색하는 '결함 지향 확장(deficit-oriented expansion)'을 통해 각 하위 작업을 동적으로 실현합니다. 실험 결과, 하이퍼에이전트는 기존 에이전트 대비 작업 완료 성능을 향상시키면서도 불필요한 API 호출, LLM 상호작용, 토큰 소비를 줄이는 효율성을 보였습니다.
하이퍼에이전트의 등장은 LLM 에이전트의 신뢰성과 효율성을 한 단계 끌어올릴 중요한 발전으로 평가됩니다. 도구 사용 계획을 보다 구조적이고 명시적인 방식으로 접근함으로써, 에이전트가 복잡한 환경에서도 더욱 안정적으로 작동하고 자원을 절약할 수 있게 됩니다. 이는 LLM 에이전트가 실제 비즈니스 애플리케이션이나 개인 비서와 같은 다양한 분야에서 더욱 광범위하게 활용될 수 있는 기반을 마련할 것으로 기대됩니다. 특히, 도구 사용의 정확성과 효율성이 중요한 서비스 개발자들에게는 큰 이점을 제공할 것입니다.