LLM Agent

LLM이 생각하고, 도구를 쓰고, 행동하는 구조. ReAct, Reflexion, Voyager, CoALA.

← 논문리뷰 분야 목록

  1. ReAct Paper review

    지금 LLM Agent들이 도는 루프가 나온 논문. Thought → Action → Observation 루프부터 LangChain create_agent까지 뜯어본다.

  2. Reflexion Paper review

    실패를 반성문으로 남겨 다음 시도에 써먹는 에이전트. 가중치 업데이트 없는 ‘말로 하는 강화학습’으로 HumanEval 91%를 찍었다.

  3. Toolformer Paper review

    사람 어노테이션 없이 LM이 스스로 도구 사용법을 배운다. ‘이 도구 호출이 다음 토큰 예측을 쉽게 하는가’라는 필터 하나로 학습 데이터를 만든 논문.

  4. Generative Agents Paper review

    LLM 에이전트 25명을 가상 마을에 풀어놓으면 무슨 일이 벌어지는가. 행동의 정확도가 아니라, 기억-회상-반성-계획 구조가 경험에 근거한 믿을 만한 행동을 유지시키는지를 측정한 논문.

  5. Voyager Paper review

    마인크래프트에서 스스로 과제를 정하고, 성공한 행동을 코드로 저장해 재사용하는 lifelong learning 에이전트. ReAct와 Reflexion은 여기서 나무 도구도 못 만들었다.

  6. CoALA Paper review

    에이전트를 볼 때 세 가지만 물으면 된다. 무엇을 기억하는가, 무엇을 할 수 있는가, 어떻게 결정하는가. ReAct부터 Voyager까지를 이 세 질문으로 정리한 논문.

  7. LLM Agent Survey Paper review

    Profile·Memory·Planning·Action, 에이전트를 4모듈로 나눈 서베이. CoALA가 이론이라면 이 서베이는 2023년까지의 에이전트 연구를 모아 정리한 논문이다.

  8. GenericAgent Paper review

    도구는 9개만, 상시 노출 메모리는 인덱스만, 검증된 궤적은 SOP 와 코드로. 컨텍스트에 남는 정보의 밀도를 올리면 토큰을 덜 쓰면서 더 많이 푼다는 걸 Claude Code·OpenClaw 와 비교해 보인 에이전트 시스템 보고서.

  9. Harness Benefit Paper review

    스킬·프롬프트·메모리를 고쳐 쓰는 자기진화 에이전트에서, 갱신을 잘 만드는 능력과 갱신으로 득을 보는 능력은 다른 것이었다. 9B 모델이 쓴 스킬도 Opus 4.6이 쓴 스킬만큼 효과가 있고, 득은 중간 체급 모델이 가장 많이 본다는 걸 7개 모...

  10. ARIA Paper review

    싼 모델이 일을 하다가 언제 비싼 모델에게 물어볼지를 24칸짜리 Q-table 로 배운다. 자기 확신이 아니라 워크플로 신호만 보고 결정하는데, SWE-bench 에서 executor 18% 와 advisor 62% 사이의 68% 를 adviso...

  11. Dynamic Concurrency Paper review

    Codex·Claude Code·Kimi Code 에 내장된 서브에이전트 병렬 실행을 켜고 끄며 354개 코딩 과제에서 비교한 논문. 토큰은 1.41~3.31배 늘지만 통과율은 -11.9점에서 +2.3점 사이에서 움직이고, 804건의 실패를 28...

  12. What Does a Harness Buy Paper review

    같은 모델을 Claude Code, mini-SWE-agent, OpenCode 세 하네스에 넣고 SWE-bench Verified 를 돌린 뒤, 같은 설정을 한 번 더 돌려 잡음 크기를 쟀다. 하네스를 바꿔서 뒤집히는 과제 비율과 그냥 다시 돌...

  13. REFLEX Paper review

    에이전트의 한 스텝을 ‘고르는 일’과 ‘쓰는 일’로 나누고, 고르는 일은 텍스트 대신 선택지와 확신도만 내는 작은 결정 모델에 맡긴다. 자체 벤치마크에서는 강한 모델 호출이 72.7% 줄고 성공률이 올랐지만, BFCL 과 τ²-bench 에서는 ...

  14. TROVE Paper review

    미리 짠 워크플로를 끝까지 돌리지도, 매 스텝 다시 짜지도 않는다. 스킬 하나를 실행할 때마다 남은 경로를 검사해서 그대로 두거나, 한 칸 끼워 넣거나, 뒷부분만 갈아 끼운다. 18개 설정 중 16개에서 AFlow보다 점수가 오르고 시간도 줄었다.