멀티 에이전트 컨텍스트 오염 해결을 위한 DACS 프레임워크 공개

실용적 조언

멀티 에이전트 시스템 구축 시 모든 에이전트의 대화 이력을 오케스트레이터에 직접 넣지 말고, 각 에이전트의 상태 요약본만 유지하는 레지스트리 패턴을 고려하라.
특정 에이전트와 상호작용이 시작될 때만 해당 에이전트의 풀 컨텍스트를 로드하는 '포커스 세션' 메커니즘을 구현하여 정확도를 높여라.

섹션별 상세

멀티 에이전트 환경에서 에이전트 수가 증가함에 따라 오케스트레이터의 조향 정확도가 급격히 하락하는 현상이 확인됐다. 기존의 평면적 컨텍스트 구조에서는 에이전트가 3개일 때 60%였던 정확도가 10개로 늘어나면 21%까지 떨어진다. 이는 여러 에이전트의 서로 다른 맥락이 하나의 컨텍스트 윈도우 내에서 뒤섞이며 모델이 특정 에이전트의 요청을 오해하기 때문이다.

DACS(Dynamic Agent Context Steering)는 컨텍스트 오염을 방지하기 위해 두 가지 운영 모드를 제안한다. 일반 모드에서는 모든 에이전트의 정보를 약 200토큰의 요약본으로 유지하며, 특정 에이전트의 도움이 필요한 '포커스 모드'가 활성화될 때만 해당 에이전트의 전체 컨텍스트를 오케스트레이터에 주입한다. 이러한 선택적 컨텍스트 확장을 통해 오케스트레이터는 현재 작업에 필요한 정보에만 집중할 수 있게 된다.

오케스트레이터가 선제적으로 정보를 요청하는 OIF(Orchestrator-Initiated Focus) 기능을 통해 라우팅 정확도를 100%까지 끌어올렸다. 사용자가 특정 에이전트의 상태를 물을 때 단순 요약본이 아닌 실제 상세 컨텍스트에 접근하여 답변하도록 설계됐다. 약 300줄의 Python 코드로 구현된 이 결정론적 방식은 복잡한 ML 로직 없이도 에이전트 수 증가에 따른 성능 저하를 효과적으로 방어한다.

실험 결과 DACS를 적용했을 때 조향 정확도가 기존 21-60% 수준에서 90-98%로 비약적으로 향상됐다. 특히 에이전트 수가 많아질수록 기본 방식과의 성능 격차는 더욱 벌어지는 경향을 보였다. 개발자는 이 솔루션을 오픈소스로 공개하고 arXiv에 관련 논문을 게재하여 커뮤니티의 검증을 요청했다.

용어 해설

컨텍스트 오염(Context Pollution): — 멀티 에이전트 시스템에서 여러 에이전트의 서로 다른 정보가 하나의 오케스트레이터 컨텍스트에 섞여 모델의 판단력을 흐리는 현상이다. 에이전트 수가 늘어날수록 정보 간 간섭이 심해져 정확도가 급격히 하락하는 원인이 된다.
오케스트레이터(Orchestrator): — 여러 독립적인 AI 에이전트들의 작업을 관리하고 조율하는 중앙 제어 시스템이다. 각 에이전트의 상태를 파악하고 사용자 요청에 따라 적절한 에이전트에게 작업을 할당하거나 결과를 취합하는 역할을 수행한다.
조향 정확도(Steering Accuracy): — 오케스트레이터가 복잡한 컨텍스트 내에서 특정 에이전트의 요구사항을 정확히 이해하고 적절한 지시나 답변을 내리는 능력을 의미한다. 컨텍스트 오염이 발생하면 이 정확도가 낮아져 엉뚱한 에이전트의 정보를 참조하게 된다.

언급된 도구

DACS추천링크

멀티 에이전트 시스템의 컨텍스트 오염 방지 및 조향 정확도 향상

언급된 리소스

GitHubDACS GitHub Repository

논문DACS Paper on arXiv