[논문 리뷰] The Landscape of Emerging AI Agent Architectures for Reasoning, Planning, and Tool Calling: A Survey

Tula Masterman, Sandi Besen외 2명|arXiv (Cornell University)|2024. 04. 17.

Multi-Agent Systems and Negotiation인용 수 19

한 줄 요약

이 설문은 최근 AI 에이전트 아키텍처(단일 에이전트 및 다중 에이전트)를 중심으로 추론, 계획 및 도구 호출에 초점을 맞추고 설계 선택, 패턴 및 향후 방향을 논의합니다.

ABSTRACT

This survey paper examines the recent advancements in AI agent implementations, with a focus on their ability to achieve complex goals that require enhanced reasoning, planning, and tool execution capabilities. The primary objectives of this work are to a) communicate the current capabilities and limitations of existing AI agent implementations, b) share insights gained from our observations of these systems in action, and c) suggest important considerations for future developments in AI agent design. We achieve this by providing overviews of single-agent and multi-agent architectures, identifying key patterns and divergences in design choices, and evaluating their overall impact on accomplishing a provided goal. Our contribution outlines key themes when selecting an agentic architecture, the impact of leadership on agent systems, agent communication styles, and key phases for planning, execution, and reflection that enable robust AI agent systems.

연구 동기 및 목표

• AI 에이전트 구현의 현재 기능과 한계를 설명한다.
• 단일 에이전트 및 다중 에이전트 아키텍처와 그들의 설계 패턴을 요약한다.
• 에이전트 아키텍처를 선택하기 위한 핵심 주제와 리더십 및 의사소통의 역할을 식별한다.
• 향후 AI 에이전트 설계 및 평가를 위한 통찰과 고려사항을 제공한다.

제안 방법

• 기존 단일 에이전트 방법(ReAct, RAISE, Reflexion, AutoGPT+P, LATS 등)을 검토하고 합성한다.
• 에이전트 아키텍처를 단일 에이전트와 다중 에이전트로 분류하고, 수직적 및 수평적 분류를 적용한다.
• 계획, 추론 및 도구 호출 요구를 핵심 에이전트 역량으로 분석한다.
• 리더십, 기억(memory), 동적 팀 구조가 성능에 미치는 영향을 평가한다.
• 에이전트 시스템의 벤치마크, 평가 과제 및 실세계 적용 가능성을 논의한다.

Figure 1: A visualization of single and multi-agent architectures with their underlying features and abilities

실험 결과

연구 질문

• RQ1 추론, 계획 및 도구 호출에서 AI 에이전트의 주요 아키텍처 패턴(단일 대 다중 에이전트)은 무엇인가?
• RQ2 리더십 구조, 의사소통 방식 및 계획 단계가 에이전트 성능에 어떤 영향을 미치는가?
• RQ3 현실 세계 작업에서 AI 에이전트를 평가하고 배치하는 데 주요한 도전 과제는 무엇인가?

주요 결과

• 단일 에이전트 패턴은 도구가 제한적이고 인간 피드백의 기회가 제한된 명확하게 정의된 작업에 적합하다.
• 다중 에이전트 패턴은 병렬성, 다양한 페르소나 또는 협업이 유리할 때 뛰어나다.
• 리더와 동적이고 순환하는 팀은 작업 완료 속도를 높이고 의사소통 오버헤드를 줄인다(예: 리더가 있는 팀은 약 10% 빨리 작업을 완료했다).
• 구조화된 의사소통(publish–subscribe, 정보 필터링)와 정의된 역할은 다중 에이전트 시스템의 잡음을 줄이고 조정력을 향상시킨다.
• 계획 단계, 피드백 루프 및 기억/반성은 아키텍처 전반에서 강건한 목표 달성에 매우 중요하다.

Figure 2: An example of the ReAct method compared to other methods [ 32 ]