대규모 언어모델(LLM) 기반 에이전트가 복잡하고 긴 작업을 처리하는 데 있어 새로운 접근 방식이 제시되었습니다. 기존에는 '에이전트 스킬(Agent Skills)'이라는 재사용 가능한 기능 묶음을 에이전트의 컨텍스트(Context)에 직접 로드하여 사용했지만, 작업이 길어질수록 컨텍스트 창에 정보가 너무 많이 쌓여 추론(inference) 품질이 저하되는 문제가 발생했습니다. 이에 연구진은 스킬 패키지를 '하위 에이전트(Subagents)'로 호출하는 대안을 탐구했습니다.
하위 에이전트 방식은 스킬 지침을 메인 에이전트의 컨텍스트에 직접 넣는 대신, 각 하위 작업 해결을 전담하는 독립적인 컨텍스트 창을 생성합니다. 이는 마치 주 에이전트가 여러 명의 전문 비서를 고용하여 각기 다른 작업을 맡기는 것과 유사합니다. 연구 결과에 따르면, 스킬 패키지가 명확한 입출력(input-output) 계약을 가지고 있고 절차적 지식을 잘 인코딩할 때 하위 에이전트 실행이 에이전트 스킬 실행보다 뛰어난 성능을 보였습니다. 물론, 메인 에이전트와 하위 에이전트 간의 조정을 위한 추가 토큰(token) 소모라는 통신 오버헤드(overhead)가 발생하지만, 긴 작업에서 얻는 이점이 더 크다는 것을 시사합니다.
이 연구는 재사용 가능한 지식의 효과가 단순히 내용뿐만 아니라, 어떻게 조직되고 호출되는지에 따라 크게 달라진다는 중요한 통찰을 제공합니다. 이는 LLM 에이전트의 확장성과 신뢰성을 높이는 데 핵심적인 역할을 할 것으로 보입니다. 특히, 복잡한 비즈니스 프로세스 자동화, 소프트웨어 개발, 장기적인 연구 프로젝트 등 다양한 분야에서 LLM 에이전트의 활용도를 크게 향상시킬 잠재력을 가지고 있습니다. 개발자들은 이제 에이전트 시스템을 설계할 때 스킬을 단순히 로드하는 것을 넘어, 독립적인 하위 에이전트 구조를 고려함으로써 더욱 견고하고 효율적인 시스템을 구축할 수 있을 것입니다.