Graph of Skills: 대규모 에이전트 스킬을 위한 의존성 인식 구조적 검색

LLM 에이전트가 사용할 수 있는 도구와 스킬이 수천 개로 늘어남에 따라, 전체 스킬을 프롬프트에 넣는 방식은 비용과 성능 면에서 한계에 도달했다. 이 논문은 스킬 간의 실행 의존성을 그래프 구조로 관리하여, 단순 키워드 검색으로는 찾기 힘든 필수 보조 스킬까지 정확하게 찾아내는 새로운 검색 계층을 제안한다.

기존의 LLM 에이전트는 모든 도구 설명을 프롬프트에 넣거나(Vanilla), 의미적으로 유사한 도구만 검색(Vector Retrieval)하여 사용했다. 하지만 Transformer 기반 모델은 컨텍스트가 길어질수록 중요한 정보를 놓치는 'Lost in the Middle' 현상이 발생하며, 단순 벡터 검색은 '데이터 변환기'나 '설정 유틸리티'처럼 이름은 다르지만 실행에 꼭 필요한 보조 도구들을 누락시키는 한계가 있다.

GoS는 스킬들을 노드로, 스킬 간의 입출력 호환성을 엣지로 연결한 '스킬 그래프'를 활용한다. 사용자의 질문과 가장 유사한 '시드 스킬'을 먼저 찾은 뒤, 그래프를 따라 역방향으로 탐색하며 해당 스킬을 실행하는 데 필요한 전제 조건 스킬들을 함께 묶음(Bundle)으로 가져온다.

이 과정에서 Personalized PageRank 알고리즘을 변형하여 적용함으로써, 질문과의 직접적인 유사도는 낮더라도 실행 구조상 중요한 스킬들이 높은 점수를 얻게 한다. 결과적으로 에이전트는 꼭 필요한 도구들만 포함된 압축된 컨텍스트를 전달받아 더 정확하고 저렴하게 작업을 수행할 수 있다.

GoS는 오프라인 인덱싱과 온라인 검색의 두 단계로 구성된다. 오프라인 단계에서는 각 스킬 패키지를 분석하여 I/O 스키마, 엔트리포인트 등을 추출하고 이를 기반으로 Dependency, Workflow, Semantic, Alternative라는 네 가지 타입의 엣지를 가진 유향 그래프(Directed Graph)를 생성한다.

온라인 검색 단계에서는 먼저 사용자의 쿼리를 분석하여 Semantic 및 Lexical 점수를 계산하고 이를 혼합하여 초기 시드 분포 p를 생성한다. [쿼리와 스킬 설명 간의 유사도 계산 → 가중치 η를 적용한 점수 합산 → 소프트맥스 정규화를 통한 확률 분포 p 생성]

이후 Reverse-aware Personalized PageRank를 통해 그래프 상에서 점수를 확산시킨다. s(ℓ+1) = αp + (1-α)Tᵀs(ℓ) 수식을 사용하여 계산하며, 여기서 T는 전방향 및 역방향 전이 확률을 결합한 행렬이다. [현재 점수 s에 전이 행렬 T를 곱해 인접 노드로 점수 전달 → 초기 시드 p를 일정 비율(α)만큼 다시 더함 → 수렴할 때까지 반복하여 최종 구조적 중요도 s* 산출]. 마지막으로 정해진 토큰 예산 내에서 점수가 높은 스킬들을 선택하고 에이전트가 즉시 실행 가능한 형태로 정보를 구성(Hydration)하여 반환한다.

SkillsBench 벤치마크에서 GoS는 Claude Sonnet 4.5 기준 31.0%의 보상을 기록하여 Vanilla(25.0%) 및 Vector Skills(19.3%)를 크게 앞질렀다. 특히 Vector Skills가 단순 유사도 검색의 한계로 인해 필수 의존성 스킬을 놓쳐 성능이 하락하는 반면, GoS는 구조적 검색을 통해 이를 극복했다.

ALFWorld 환경에서도 GoS는 97.9%의 성공률을 달성하며 Vanilla(89.3%) 대비 높은 성능을 보였다. 토큰 효율성 측면에서는 Vanilla 방식이 스킬 라이브러리 크기에 따라 토큰 사용량이 선형적으로 증가하는 것과 달리, GoS는 라이브러리가 2,000개로 늘어나도 토큰 사용량을 일정 수준(약 1.14M~1.38M)으로 유지하며 비용 효율성을 입증했다.

Ablation Study 결과, 그래프 전파(Graph Propagation) 과정을 제거했을 때 보상이 34.4%에서 29.3%로 하락하여, 스킬 간의 구조적 관계를 활용하는 것이 실행 성공률에 핵심적인 역할을 함이 확인됐다.

GoS 아키텍처는 HNSW 벡터 인덱스와 유향 그래프를 결합한 하이브리드 구조를 취한다. 노드 정규화 과정에서 LLM을 활용해 부족한 메타데이터를 보충하며, 엣지 생성 시에는 I/O 호환성 검사를 통해 실행 가능한 의존성을 명시적으로 정의한다.

검색 알고리즘의 핵심인 Reverse-aware Typed Diffusion은 엣지 타입별로 다른 가중치를 부여한다. Dependency 엣지에는 가장 높은 역방향 가중치(1.0)를 부여하여 상위 스킬이 선택될 때 하위 의존 스킬이 함께 선택될 확률을 극대화한다. 반면 Semantic(0.2)이나 Alternative(0.1) 엣지에는 낮은 가중치를 부여하여 주제 이탈(Topical Drift)을 방지한다.

구현 측면에서 GoS는 'Hydration'이라는 개념을 도입하여, 선택된 스킬의 소스 경로, 요약된 기능 설명, 실행 주의사항 등을 에이전트가 소비하기 가장 좋은 형태의 페이로드로 변환한다. 이는 단순한 검색 결과 나열을 넘어 에이전트의 추론 경로를 가이드하는 역할을 한다.

GoS의 성능은 오프라인에서 구축된 그래프의 품질에 크게 의존한다. 스킬 문서화가 부실하거나 I/O 스키마가 모호한 경우 엣지 생성 오류가 발생할 수 있다. 또한 현재 시스템은 정적 그래프를 사용하므로, 실행 결과나 사용자 피드백을 통해 실시간으로 엣지 가중치를 업데이트하는 기능은 포함되어 있지 않다.