좋은 에이전틱 데이터란 무엇인가? LLM 에이전트를 위한 데이터 생성의 ACE 렌즈

초록

LLM 에이전트는 외부 환경과 상호작용하는 방법을 학습하기 위해 점차 생성된 상호작용 데이터에 의존하고 있다. 에이전트 데이터 생성은 단순히 풍부한 경험을 산출하는 것을 넘어 유용한 경험을 생산하면서 환경, 작업, 상호작용, 성공 신호 간의 일관성을 유지해야 한다. 기존 연구는 다양한 에이전트 영역에 걸쳐 이루어졌지만, 도메인 중심의 구성과 이질적인 평가 방식은 공통된 생성 메커니즘을 모호하게 만들고 후보 구성(candidate construction)과 검증 및 선택을 혼동하는 경우가 많다. 본 연구는 해당 분야에 대한 2수준 프레임워크를 제시한다. 첫째, 에이전트 데이터를 환경 명세, 작업 신호, 상호작용 구현, 선택적 검증기로 구성된 공통 분해 객체 (E,q,τ,v)로 표현한다. 생성 패러다임은 주요 기준점(primary anchor)과 의존 구조에 따라 체계화한다. 둘째, 생성을 정확성-복잡성-다양성(Accuracy-Complexity-divErsity, ACE) 관점을 통한 제약적 분포 설계로 정식화한다. 정확성은 근거 기반이며 내부적으로 일관된 데이터의 실현 가능한 지지 영역을 확립한다. 이 지지 영역 내에서 복잡성은 명시된 학습자와 실행 구성의 능력에 상대적으로 학습 질량을 배치하며, 다양성은 데이터의 범위와 중복성을 통제한다. 이 프레임워크를 활용하여 기존 연구가 생성된 경험을 어떻게 검증하고, 난이도를 구축·보정하며, 행동 범위를 확장하는지 분석한다. 문헌 분석 결과, 실행 기반 정확성, 학습자 상대적 복잡성, 그리고 표면적 변이나 데이터셋 규모를 넘어선 다양성으로의 전환이 확인된다. 또한 ACE 관점을 통해 에이전트 데이터 생성의 확장, 데이터 소스, 훈련 체계, 적응형 학습에 대한 함의를 포함한 광범위한 방향과 새로운 추세를 논의한다. 궁극적으로 핵심 과제는 단순히 더 많은 데이터를 생성하는 것이 아니라, 에이전트와 환경이 진화함에 따라 유효하고 정보성이 있으며 비중복적인 경험을 지속적으로 배분하는 데 있다.

English

LLM agents increasingly rely on generated interaction data to learn how to interact with external environments. Agentic data generation must maintain consistency among environments, tasks, interactions, and success signals while producing experience that is useful rather than merely abundant. Existing work spans many agent domains, but domain-centered organization and heterogeneous evaluation often obscure common generation mechanisms and conflate candidate construction with verification and selection. This work develops a two-level framework for the field. First, we represent agentic data as a common factorized object (E,q,τ,v), comprising an environment specification, task signal, interaction realization, and optional verifier. We organize generation paradigms by their primary anchor and dependency structure. Second, we formulate generation as constrained distribution design through the Accuracy-Complexity-divErsity (ACE) lens. Accuracy establishes the feasible support of grounded and internally consistent data. Within this support, Complexity places learning mass relative to the capability of a declared learner and execution configuration, while divErsity controls coverage and redundancy of data. Using this framework, we explore how prior work verifies generated experience, constructs and calibrates difficulty, and expands behavioral coverage. The literature reveals a shift toward execution-grounded accuracy, learner-relative complexity, and diversity beyond surface variation or dataset size. We further discuss broader directions and emerging trends in agentic data generation through the ACE lens, including their implications for scaling, data sources, training regimes and adaptive learning. Overall, the central challenge is not simply to generate more data, but to continually allocate valid, informative, and non-redundant experience as agents and environments evolve.