오픈소스 AI 에이전트 런타임인 투라(Tura)가 대규모 언어모델(LLM) 기반 에이전트의 효율성과 성능을 혁신적으로 개선했다고 발표했습니다. 투라는 반복적인 컨텍스트와 모델 왕복을 줄여 토큰 사용량을 최대 77.5% 절감하면서도, 딥스위(DeepSWE) v1.1 벤치마크에서 작업 성공률을 16.7% 향상시키는 인상적인 결과를 보여주었습니다. 이는 AI 에이전트 개발 및 운영 비용을 크게 줄이면서도 더 나은 결과를 얻을 수 있음을 의미합니다.
투라의 핵심은 두 가지 독특한 전략에 있습니다. 첫째, 기존 에이전트들이 여러 개의 작은 도구(tool)를 모델에 노출하고 반복적인 도구 호출 루프를 사용하는 것과 달리, 투라는 '매크로 CLI 명령어(Macro CLI Command)'라는 하나의 매크로 도구를 사용합니다. 이를 통해 에이전트가 여러 단계의 실행 트리를 한 번의 LLM 턴(turn)으로 처리할 수 있게 하여 대화 오버헤드를 줄이고 토큰 사용량을 대폭 절감합니다. 예를 들어, 일반적인 에이전트가 다섯 번의 LLM 턴이 필요한 작업을 투라는 하나의 구조화된 매크로 워크플로우로 처리합니다. 둘째, '역방향 추론(Backward Reasoning)' 방식을 도입했습니다. 대부분의 에이전트가 현재 상태에서 목표로 순방향 추론하는 반면, 투라는 목표 상태에서 시작하여 현재 상태로 역추적하며 추론 과정을 개선합니다. 이는 LLM의 통계적 편향을 극복하고 더 창의적이고 덜 일반적인 해결책을 찾도록 돕습니다.
이러한 투라의 성과는 AI 에이전트 개발 및 활용의 새로운 지평을 열 것으로 보입니다. 토큰 사용량 절감은 곧 비용 절감으로 이어져, 스타트업이나 개인 개발자도 고성능 AI 에이전트를 더 쉽게 구축하고 운영할 수 있게 합니다. 또한, 향상된 성공률은 AI 에이전트가 더 복잡하고 중요한 실제 업무를 처리할 수 있는 가능성을 높여줍니다. 특히 소프트웨어 개발, 데이터 분석 등 장기적인 작업(long-horizon task)에서 에이전트의 신뢰성과 효율성을 크게 개선할 수 있어, 다양한 산업 분야에서 AI 에이전트의 도입을 가속화할 잠재력을 가지고 있습니다.