대규모 환경의 에이전트: 지속형 에이전트를 위한 지각 중심 아키텍처

초록

인지 언어 에이전트(Cognitive language agents)는 언어 모델에 메모리, 도구, 의사결정 절차를 결합함으로써 상당한 진전을 이루었으며, 이를 통해 에이전트가 상호작용 환경에서 추론하고 행동할 수 있게 되었다. 기존 프레임워크들은 대체로 이러한 에이전트를 사용자가 지정한 제한된 작업을 해결하는 시스템으로 간주한다. 점점 더 중요한 목표는 언어 에이전트가 사용자 요구, 맥락, 서비스 절차가 지속되고 변화하는 장기적 환경에서 지속적인 지원을 제공하고, 시간이 지남에 따라 발생하는 광범위한 작업 전반에 걸쳐 유용성을 유지하는 것이다. 그러나 지속형 AI 에이전트를 특성화하고, 기존 연구를 체계화하며, 향후 발전을 안내할 수 있는 프레임워크는 여전히 부재하다. 이러한 필요에 부응하여 우리는 지각 중심 지속형 에이전트 아키텍처(Perception-Centered Architecture for Persistent Agents, Pera)를 제안한다. Pera는 에피소드형 작업 실행, 내부 맥락, 주변 환경의 변화로부터 서비스 관련 신호를 지속적으로 지각하고, 이러한 신호를 활용하여 수명주기 작업(lifecycle tasks)을 구성하는 지각 및 제어 구성요소를 중심으로 조직된 지속형 에이전트를 기술한다. 이러한 작업은 에이전트 서비스 절차의 지속적 운영과 적응을 추동한다. 우리는 Pera를 활용하여 최근 연구를 회고적으로 체계화하고, 상세한 사례 연구를 검토하며, 보다 유능한 지속형 에이전트 구축을 위한 전향적 통찰을 제시한다. 소프트웨어 공학이 소규모 프로그래밍(programming in the small)에서 대규모 프로그래밍(programming in the large)으로 전환했던 것처럼, Pera는 언어 에이전트의 진화를 장기 존속형 적응 지능 시스템으로의 구조적 전환으로 개념화한다.

English

Cognitive language agents have achieved substantial progress by equipping language models with memory, tools, and decision-making procedures, enabling agents to reason and act in interactive environments. Existing frameworks largely cast these agents as systems for solving user-specified, bounded tasks. An increasingly important goal is for language agents to provide persistent assistance in long-lived settings where user needs, context, and service procedures persist and change, and to remain useful across the broad range of tasks that arise over time. Yet we still lack a framework to characterize persistent AI agents, organize existing work, and guide future development. To this end, we propose a Perception-Centered Architecture for Persistent Agents (Pera). Pera describes a persistent agent organized around perception and control components that continually perceive service-relevant signals from episodic task executions, internal context, and changes in the surrounding environment, and use these signals to construct lifecycle tasks. These tasks drive the ongoing operation and adaptation of the agent's service procedures. We use Pera to retrospectively organize recent work, examine a detailed case study, and offer forward-looking insights for building more capable persistent agents. Just as software engineering moved from programming in the small to programming in the large, Pera frames the evolution of language agents as an analogous architectural transition toward long-lived, adaptive intelligence systems.