IBM, ALTK-Evolve 에이전트 메모리 방식 상세 공개
이 시스템은 ACE 대비 추론 토큰을 줄이기 위해 작업별 지침을 검색한다.
왜 중요한가
이번 비교는 추론 시점의 메모리 전달 방식이 AI 에이전트의 비용과 성능을 좌우하는 변수임을 보여준다. 선택적 검색은 에이전트 시스템이 매 단계 전체 플레이북을 불러오는 비용을 치르지 않고도 과거 경험을 활용하는 데 도움이 될 수 있다.
핵심 포인트
- 1.ALTK-Evolve와 ACE는 모두 에이전트 실행 궤적에서 재사용 가능한 교훈을 학습한다.
- 2.IBM은 AppWorld 테스트에서 선택적 전달 방식이 ACE보다 작업당 토큰 사용량을 줄였다고 밝혔다.
- 3.ALTK-Evolve 라이브러리와 기술 보고서는 해당 게시글에서 확인할 수 있다.
IBM Research는 Hugging Face 게시글을 통해 ALTK-Evolve와 ACE를 비교했다. 두 방식은 가중치 업데이트나 사람이 붙인 라벨 없이 에이전트의 과거 실행 궤적을 재사용 가능한 교훈으로 바꾸는 에이전트형 메모리 접근법이다. 게시글에 따르면 ALTK-Evolve는 교훈을 개별적으로 검색 가능한 지침으로 통합하는 반면, ACE는 모든 단계에 포괄적인 플레이북을 주입한다. IBM의 사내 AppWorld 테스트 168개 작업에서 ALTK-Evolve는 DeepSeek-V3.2와 gpt-oss-120b에서 작업당 더 적은 토큰을 사용하면서도 ACE와 같거나 더 높은 작업 및 시나리오 완료 점수를 기록했다.
⚡ 오늘 바로 활용
에이전트 워크플로에 대규모 상시 메모리 프롬프트를 추가하기 전에 선택적 지침 검색을 먼저 평가하라.
출처 및 원본 보도
이 브리핑은 아래 매체의 보도를 요약하고 링크합니다.
이 브리핑이 유용했나요? 다음 소식을 메일로 받아보세요.
관련: 연구
HarnessRisk, 에이전트 하네스 안전 실패를 벤치마크하다
이 벤치마크는 에이전트 하네스의 단계별 공격을 테스트하며, 관련 연구는 작업별 프로비저닝을 살핀다.
Agent Lightning v1.0, harness 기반 agentic RL 겨냥
이 프레임워크는 임의의 agent harness를 강화학습 기반 post-training에 연결한다.
논문, LLM 간 메모리 이전 가능성 시험
연구진은 타깃 측 리더를 활용해 고정된 학습 메모리가 서로 다른 모델 백본 사이에서 어떻게 이동할 수 있는지 분석했다.