최근 발표된 연구 논문은 여러 대규모 언어모델(LLM) 에이전트가 협업하는 시스템에서 발생하는 비효율적인 통신 문제를 해결하는 새로운 방법을 제시했습니다. 기존의 에이전트 시스템들은 통신 방식을 미리 고정하거나 모든 에이전트가 서로에게 메시지를 보내는(full broadcast) 방식으로 작동했는데, 이는 토큰 비용, 지연 시간, 정보 중복, 오류 전파 등의 문제를 야기하며 비효율적이었습니다.
이 연구는 에이전트 선택과 통신을 협력 게임(cooperative game)으로 모델링하고, 각 에이전트의 활성화 비용을 분리하여 작업별 순 효용(net utility)을 최대화하는 방안을 모색했습니다. 핵심 아이디어는 '한계 가치 활성화 규칙(marginal-value activation rule)'과 '탐욕적 라우터(greedy router)'를 도입하는 것입니다. 이는 실행 전과 도중에 샤플리 값(Shapley values)을 추정하여 어떤 에이전트와 소통할 가치가 있는지 예측함으로써 불필요한 에이전트의 활성화를 줄입니다. 합성 실험 결과, 이 탐욕적 라우팅 방식은 무차별 대입(brute-force) 최적 효용의 99.5%를 달성하면서도 평균 8개 에이전트 중 1.96개만 활성화하여, 전체 브로드캐스트 방식의 38.8% 효율에 비해 월등한 성능을 보였습니다.
이러한 동적 연합 형성 및 통신 가격 책정 모델은 다중 에이전트 LLM 시스템의 실제 적용 가능성을 크게 높일 것으로 기대됩니다. 에이전트 간의 효율적인 협업은 비용 절감뿐만 아니라 시스템의 응답 속도와 정확도를 향상시키는 데 기여할 것입니다. 특히, 복잡한 작업을 수행하기 위해 다양한 전문성을 가진 AI 에이전트들이 유기적으로 결합되어야 하는 미래 AI 시스템 개발에 중요한 기반 기술이 될 것입니다. 이는 AI 서비스의 상용화와 확장에 필수적인 요소로 작용할 것입니다.