최근 발표된 논문 'Harness as a Language: A Minimalist Agent Framework With Maximal Expressivity'에서 JAZ라는 새로운 대규모 언어모델(LLM) 에이전트 프레임워크가 공개되었습니다. 이 프레임워크는 기존 에이전트 시스템이 장기 기억(long-term memory)이나 자가 개선(self-improvement)과 같은 고급 기능을 위해 복잡한 추가 시스템을 필요로 했던 것과 달리, 에이전트 루프(agent loop)의 핵심 기능만을 활용해 이러한 난제를 해결합니다.
JAZ는 'invoke'라는 단일 LLM 기반 기본 요소를 중심으로 설계되었습니다. 이 'invoke'는 LLM이 임의의 실행 가능한 코드를 작성하고 재귀적으로 자신을 호출할 수 있게 하며, LLM에게 보이는 모든 입력과 상호작용 기록이 코드 환경의 변수로 취급됩니다. 이는 마치 'invoke'가 런타임에 LLM이 구현을 제공하는 함수처럼 작동하게 하여, 프로그래머가 내장된 훅(hook)을 통해 제약 조건을 적용하고 모니터링할 수 있도록 합니다. 연구팀은 JAZ가 수동으로 설계된 도구나 외부 시스템 없이도 장기 기억을 요구하는 워크플로우에서 기존 MemGPT 기반의 Letta보다 8% 우수한 성능을 보였고, 자가 개선 작업에서는 ACE보다 4% 더 나은 결과를 저비용으로 달성했다고 밝혔습니다.
이러한 JAZ의 등장은 LLM 에이전트 개발의 패러다임을 바꿀 잠재력을 가지고 있습니다. 복잡한 시스템을 구축하는 대신, 최소한의 핵심 요소만으로도 고성능 에이전트를 구현할 수 있음을 보여주기 때문입니다. 이는 개발 비용과 시간을 절감하고, 더 유연하며 확장 가능한 에이전트 시스템 구축을 가능하게 할 것입니다. 특히, 다양한 산업 분야에서 맞춤형 AI 에이전트 도입을 가속화하고, 소규모 개발팀이나 1인 개발자도 복잡한 AI 솔루션을 구현할 수 있는 기회를 제공할 것으로 기대됩니다.