최근 자율 에이전트 '스파이어 에이전트(Spire Agent)'가 인기 덱빌딩 로그라이크 게임 '슬레이 더 스파이어(Slay the Spire)'에서 뛰어난 성과를 보이며 주목받고 있습니다. 이 에이전트는 복잡하고 장기적인 의사결정이 필요한 게임에서 대규모 언어모델(LLM)의 한계를 극복하기 위해, LLM의 추론 능력과 도메인 특화 도구(domain-specific tools)의 정밀한 계산 및 예측 능력을 결합한 하이브리드 접근 방식을 채택했습니다. 이를 통해 현재 약 40%의 실행에서 3막에 도달하고, 10%가량은 최종 4막까지 도달하는 등 상당한 수준의 게임 플레이를 보여주고 있습니다.
'슬레이 더 스파이어'는 50개 이상의 층과 수백 가지의 상호 연결된 의사결정으로 이루어져 있어, 숙련된 플레이어조차도 최고 난이도(Ascension 20 Heart, A20H) 클리어가 매우 어려운 게임입니다. 덱 구성, 전투 선택, 체력 관리, 경로 선택 등 초반의 작은 결정이 최종 보스전까지 영향을 미치며, 무작위 요소와 희박한 보상으로 인해 실패 원인 분석도 쉽지 않습니다. 기존 LLM 단독 에이전트들은 이러한 복잡한 계산과 일관된 장기 전략 유지에 어려움을 겪었으나, 스파이어 에이전트는 '전투 도구(Combat Tool)'가 몬스터의 행동을 시뮬레이션하고 최적의 수를 계산하며, '승리 경로(Winning Path)' 도구가 덱 구성과 생존 전략을 통합적으로 판단하는 등 도메인 특화 도구들이 정밀한 작업을 수행합니다. LLM은 이러한 도구들 사이에서 전체적인 논리적 판단과 미묘한 트레이드오프(trade-off)가 필요한 의사결정을 담당하는 '접착제(glue)' 역할을 합니다.
이러한 하이브리드 에이전트 아키텍처는 단순히 게임을 잘 플레이하는 것을 넘어, 복잡한 현실 세계 문제 해결에 LLM을 적용하는 새로운 가능성을 제시합니다. LLM이 모든 것을 직접 처리하기보다, 특정 도메인의 전문 지식과 계산 능력을 가진 도구들과 협력하여 약점을 보완하고 강점을 극대화하는 방식입니다. 이는 자율 에이전트가 금융, 의료, 공학 등 정밀한 계산과 장기적 계획이 필수적인 다양한 분야에서 실용적으로 활용될 수 있음을 시사합니다. 또한, 모든 게임 플레이 기록을 저장하고 재현 가능하게 만들어 지속적인 에이전트 개선과 정책 검증에 활용하는 '진화 에이전트(EvolveAgent)' 개념은 AI 시스템의 안정성과 신뢰성을 높이는 데 중요한 기여를 할 것으로 기대됩니다.