에이전트형 AI의 적응

초록

최첨단 에이전트형 AI 시스템은 점점 더 복잡하고 전문적인 작업을 수행하기 위해 외부 도구와의 계획, 추론, 상호작용에 적용 가능한 파운데이션 모델을 기반으로 구축됩니다. 이러한 시스템의 능력과 범위가 확대됨에 따라 적응은 성능, 신뢰성, 일반화를 향상시키는 핵심 메커니즘으로 부상하고 있습니다. 본 논문에서는 급속히 확장되는 연구 영역을 에이전트 적응과 도구 적응을 아우르는 체계적인 프레임워크로 통합합니다. 우리는 이를 에이전트 적응의 도구-실행-신호 방식과 에이전트-출력-신호 방식, 그리고 도구 적응의 에이전트-불가지론 방식과 에이전트-지도 방식으로 추가적으로 분해합니다. 이 프레임워크가 에이전트형 AI의 적응 전략 설계 공간을 명확히 하고, 그 절충점을 명시적으로 제시하며, 시스템 설계 과정에서 전략을 선택하거나 전환하는 데 실질적인 지침을 제공함을 보여줍니다. 이어서 각 범주의 대표적 접근법을 검토하고, 그 강점과 한계를 분석하며, 주요 미해결 과제와 향후 기회를 강조합니다. 전반적으로, 본 논문은 더욱 능력 있고 효율적이며 신뢰할 수 있는 에이전트형 AI 시스템을 구축하려는 연구자 및 실무자들을 위한 개념적 기반과 실용적인 로드맵을 제공하는 것을 목표로 합니다.

English

Cutting-edge agentic AI systems are built on foundation models that can be adapted to plan, reason, and interact with external tools to perform increasingly complex and specialized tasks. As these systems grow in capability and scope, adaptation becomes a central mechanism for improving performance, reliability, and generalization. In this paper, we unify the rapidly expanding research landscape into a systematic framework that spans both agent adaptations and tool adaptations. We further decompose these into tool-execution-signaled and agent-output-signaled forms of agent adaptation, as well as agent-agnostic and agent-supervised forms of tool adaptation. We demonstrate that this framework helps clarify the design space of adaptation strategies in agentic AI, makes their trade-offs explicit, and provides practical guidance for selecting or switching among strategies during system design. We then review the representative approaches in each category, analyze their strengths and limitations, and highlight key open challenges and future opportunities. Overall, this paper aims to offer a conceptual foundation and practical roadmap for researchers and practitioners seeking to build more capable, efficient, and reliable agentic AI systems.

에이전트형 AI의 적응

Adaptation of Agentic AI

초록

Support