Skip to content
Research2026.10.29

← 아카이브

에이전트가 에이전트를 만든다

An Agent Creates an Agent

에이전트가 에이전트를 만든다 — 1 / 14
01
에이전트가 에이전트를 만든다 — 2 / 14
02
에이전트가 에이전트를 만든다 — 3 / 14
03
에이전트가 에이전트를 만든다 — 4 / 14
04
에이전트가 에이전트를 만든다 — 5 / 14
05
에이전트가 에이전트를 만든다 — 6 / 14
06
에이전트가 에이전트를 만든다 — 7 / 14
07
에이전트가 에이전트를 만든다 — 8 / 14
08
에이전트가 에이전트를 만든다 — 9 / 14
09
에이전트가 에이전트를 만든다 — 10 / 14
10
에이전트가 에이전트를 만든다 — 11 / 14
11
에이전트가 에이전트를 만든다 — 12 / 14
12
에이전트가 에이전트를 만든다 — 13 / 14
13
에이전트가 에이전트를 만든다 — 14 / 14
14
01/14

AI가 일해도, 일하는 방법은 사람이 만들었다

어떤 도구를 쓸지, 어떤 순서로 움직일지, 실패하면 어떻게 다시 시도할지. 지금까지 에이전트의 워크플로는 사람이 설계했습니다.

이 ‘일하는 방법’까지 AI가 만들기 시작했습니다.

에이전트가 에이전트를 설계한다

ADAS — Automated Design of Agentic Systems

좋은 에이전트 구조를 사람이 하나씩 설계하는 대신, Meta-Agent가 여러 구조를 직접 만들고 성능을 비교합니다.

에이전트가 에이전트를 설계한다

프롬프트와 도구 사용 방식, 여러 에이전트의 역할과 실행 순서를 바꿔가며 생성 → 평가 → 저장 → 다시 생성 과정을 반복합니다.

성능이 좋았던 설계는 archive에 축적되고, Meta-Agent는 이전에 발견한 구조를 참고해 또 다른 에이전트를 만들어냅니다.

즉, 자동화의 대상이 단순히 ‘업무를 수행하는 것’에서 ‘업무를 수행할 에이전트 자체를 설계하는 것’까지 넓어진 셈입니다.

AI가 만든 에이전트가 다음 에이전트를 만드는 재료가 되기 시작했습니다.

이제는 말로 에이전트를 만든다

ADAS가 좋은 구조를 ‘탐색’했다면, AutoAgent는 자연어 요청만으로 도구 · 에이전트 · 워크플로를 직접 만들고 고칩니다.

한 문장의 요청이 곧 시스템 설계가 되는 셈입니다.

한 번 만든 에이전트도 계속 배운다

일을 마친 뒤 스스로 돌아보며, 다음 업무에 쓸 경험을 쌓습니다.

한 번 만든 에이전트도 계속 배운다

업무가 끝나면 실행 기록을 분석해 성공 전략과 실패 원인을 메모리에 저장하고, 다음 업무에서 다시 꺼내 씁니다.

같은 모델로 어려운 업무를 비교했을 때, 메모리를 쓰자 업무 완료 점수가 약 10%p 올랐습니다.

모델을 다시 학습하지 않아도 경험이 다음 행동을 바꾼 셈입니다.

이번엔 모델 자체를 학습시킨다

실제로 배포할 때 쓰는 실행 환경 그대로, 모델을 강화학습시킵니다.

왼쪽: 실제로 쓰는 에이전트가 그대로 일하고 가운데: 그 사이 모델 호출을 중간에서 기록해 오른쪽: 기록을 학습 데이터로 모델을 업데이트합니다.

이번엔 모델 자체를 학습시킨다

기존 강화학습에서는 에이전트를 학습용으로 다시 만들어야 해서, 학습할 때와 실제로 쓸 때의 환경이 달라지는 문제가 있었습니다.

MUSE가 경험을 메모리에 쌓았다면, Agent Lightning은 실제 실행 경험으로 모델 자체를 업데이트합니다.

학습 대상 모델: Qwen3.5-9B 코딩 작업 실행 환경: mini-SWE-agent

약 6,000개 샘플로 학습한 결과, GitHub 버그 수정 과제(SWE-bench Verified) 해결률 41.8% → ==56.4%== (+14.6%p)

그런데 실제 업무를 맡기면?

구매 · 예약 · 입사지원 등 153개 일상 업무를 실제 운영 중인 웹사이트에서 맡겨봤습니다.

그런데 실제 업무를 맡기면?

기존 벤치마크에서 72.5%를 기록한 Claude Sonnet 4.6도 실제 웹사이트에서는

==33.3%==

사용자 문서에서 정보를 찾고, 계속 바뀌는 화면을 읽고, 긴 과정 내내 앞 단계를 기억하며 여러 칸을 틀림없이 채워야 하기 때문입니다.

사람에겐 평범한 일이, 에이전트에겐 아직 어렵습니다.

자동화의 대상이 ‘업무’에서 ‘업무를 만드는 방법’으로 넓어지고 있습니다.

하지만 자율성이 곧 신뢰성은 아닙니다.

이제 질문은 “AI가 이 일을 할 수 있는가?”에서 “얼마나 적은 개입으로 스스로 개선할 수 있는가?”로 바뀌고 있습니다.

AI 자동화의 다음 단계는 ==‘업무를 자동화하는 방법’의 자동화==일지도 모릅니다.

태그

  • #인공지능
  • #AI논문
인스타그램에서 보기이 글에 의견 남기기