CORAL: 개방형 발견을 위한 자율적 멀티 에이전트 진화 프레임워크

섹션별 상세

기존 LLM 기반 진화 방식은 고정된 휴리스틱과 하드코딩된 규칙에 의존하여 에이전트의 자율성을 제한하는 한계가 있었다. CORAL은 이를 해결하기 위해 장기 실행 에이전트가 스스로 탐색하고 성찰하며 협업하는 자율적 진화 구조를 도입했다. 영구 메모리와 비동기 실행을 통해 에이전트 간의 지식 공유와 지속적인 학습이 가능해졌다. 자율적인 진화 프로세스는 인간의 개입 없이도 복잡한 문제의 해결책을 스스로 찾아가는 능력을 부여한다.

프레임워크의 핵심은 공유 영구 메모리, 비동기 멀티 에이전트 실행, 그리고 하트비트 기반의 개입 메커니즘이다. 에이전트들은 독립된 작업 공간에서 안전하게 코드를 실행하고 평가자와 분리된 구조를 통해 객관적인 성능 측정을 보장받는다. 이러한 구조는 에이전트 세션 및 상태 관리를 포함한 실질적인 안전 장치를 제공하여 시스템의 안정성을 높인다. 자율적인 에이전트들이 충돌 없이 협업할 수 있는 기술적 토대를 마련했다.

다양한 벤치마크 평가 결과, CORAL은 10개의 수학 및 알고리즘 최적화 작업에서 새로운 SOTA를 기록했다. 고정된 진화 탐색 방식과 비교했을 때 훨씬 적은 평가 횟수로도 3-10배 더 높은 성능 개선율을 보였다. 이는 자율적인 에이전트의 탐색 능력이 기존의 규칙 기반 시스템보다 효율적임을 입증한다. 지식의 축적과 재사용이 성능 향상의 핵심 동력으로 작용했음이 확인됐다.

Anthropic의 커널 엔지니어링 실무 과제에서 4개의 공동 진화 에이전트가 투입되어 최적화 성능을 크게 향상시켰다. 기존의 최고 기록인 1363 사이클을 1103 사이클로 단축하며 시스템 최적화 영역에서의 실질적인 적용 가능성을 보여주었다. 기계론적 분석을 통해 이러한 성과가 지식 재사용과 에이전트 간 통신에서 비롯됨이 확인됐다. 실제 산업 현장의 복잡한 엔지니어링 문제 해결에 멀티 에이전트 진화가 효과적임을 시사한다.

용어 해설

개방형 발견(Open-ended Discovery): — 정해진 정답이나 끝이 없는 환경에서 새로운 지식이나 해결책을 지속적으로 찾아내는 과정이다. LLM 에이전트가 고정된 규칙 없이 스스로 탐색하고 학습하여 미지의 영역을 개척하는 데 필수적인 개념이다.
멀티 에이전트 진화(Multi-agent Evolution): — 여러 독립적인 AI 에이전트가 상호작용하며 세대를 거쳐 성능을 개선해 나가는 알고리즘 방식이다. 에이전트 간의 협업과 경쟁을 통해 단일 에이전트보다 더 복잡하고 정교한 최적화 문제를 해결할 수 있다.
영구 메모리(Persistent Memory): — 에이전트의 세션이 종료되어도 사라지지 않고 유지되는 저장 공간이다. 과거의 경험과 지식을 축적하여 다음 세대의 에이전트가 이를 재사용할 수 있게 함으로써 학습 효율을 극대화한다.
비동기 실행(Asynchronous Execution): — 여러 작업이 순차적으로 기다리지 않고 동시에 독립적으로 진행되는 방식이다. 멀티 에이전트 시스템에서 각 에이전트가 서로의 완료를 기다리지 않고 작업을 수행하여 전체 시스템의 처리량을 높인다.
커널 엔지니어링(Kernel Engineering): — 운영체제나 하드웨어의 핵심 소프트웨어인 커널을 최적화하여 성능과 효율을 높이는 고도의 시스템 공학 작업이다. 매우 복잡한 제약 조건을 만족해야 하므로 AI 에이전트의 성능을 평가하는 고난도 과제로 활용된다.

기술

CORAL
LLM
Persistent Memory

활용 사례

수학적 최적화
알고리즘 최적화
시스템 최적화
커널 엔지니어링