에이전트는 무엇을 말해야 하는가? 효율적인 다중 에이전트 시스템을 위한 행동-상태 통신

초록

대규모 언어 모델 기반의 다중 에이전트 시스템(MAS)은 일반적으로 역할, 파이프라인, 순서 스케줄을 중심으로 구성되며, 에이전트가 서로 전달하는 내용은 종종 제약 없는 자연어로 남겨집니다. 그러나 이러한 자유 형식의 통신은 토큰 사용량을 급격히 증가시키고 공유 컨텍스트 윈도우를 소모하여 궁극적으로 시스템 성능과 추론 비용 모두에 영향을 미칠 수 있습니다. 우리는 두 가지 MAS 토폴로지에서 다섯 가지 일반적인 에이전트 간 통신 전략을 분석하여, 고정된 전략이 보편적으로 최적이 아님을 발견했습니다. 대신, 효과적인 에이전트 간 메시지는 하위 에이전트에 필요한 행동 중심 정보를 일관되게 보존합니다. 이를 바탕으로 우리는 PACT(프로토콜화된 행동-상태 통신 및 전송)를 제안합니다. PACT는 에이전트 간 통신을 공개 상태 업데이트 문제로 간주하고, 각 원시 에이전트 출력을 공유 기록에 입력되기 전에 간결한 행동-상태 기록으로 투영합니다. 다양한 MAS 토폴로지에서 PACT는 성능-비용 트레이드오프를 일관되게 개선하여, 현저히 적은 토큰으로 비슷하거나 더 강력한 작업 성능을 달성합니다. 이러한 이점은 실제 코딩 환경까지 확장됩니다. PACT는 OpenHands의 해결률을 해결당 토큰 수 10% 감소 조건에서 향상시키며, SWE-agent에서는 입력 토큰을 절반으로 줄이면서 해결률에 영향을 주지 않습니다. 코드는 https://github.com/iNLP-Lab/PACT에서 공개적으로 이용 가능합니다.

English

Multi-agent systems (MAS) built on large language models are typically organized around roles, pipelines, and turn schedules, while the content that agents pass to one another is often left as unconstrained natural language. However, this free-form communication can rapidly inflate token usage, consume the shared context window, and ultimately affect both system performance and inference cost. We analyze five common inter-agent communication strategies across two MAS topologies, finding that no fixed strategy is universally optimal. Instead, effective inter-agent messages consistently preserve action-centered information needed by downstream agents. Building on this, we propose the PACT (Protocolized Action-state Communication and Transmission), which treats inter-agent communication as a public state-update problem and projects each raw agent output into a compact action-state record before it enters shared history. Across different MAS topologies, PACT consistently improves the performance-cost trade-off, achieving comparable or stronger task performance with substantially fewer tokens. The gains extend to production coding harnesses: PACT lifts OpenHands' resolve rate at -10% tokens-per-resolved, and is resolve-neutral on SWE-agent while halving input tokens. Our code is publicly available at https://github.com/iNLP-Lab/PACT.