PARC 자율적 자기반성 코딩 에이전트

초록

PARC는 계층적 다중 에이전트 구조와 자체 평가·피드백 메커니즘을 결합해, 인간 개입 없이도 장기적인 계산 과제를 계획·실행·수정한다. 재료 과학 시뮬레이션과 Kaggle 데이터 분석에서 높은 성공률과 경쟁력 있는 성과를 보이며, 대규모 병렬 작업 관리와 전략적 오류 교정 능력을 입증한다.

상세 요약

본 논문은 장기적인 과학·데이터 작업을 자동화하기 위한 새로운 코딩 에이전트인 PARC를 제안한다. PARC는 크게 세 가지 계층으로 구성된다. 첫 번째는 Task Planner로, 자연어 입력을 기반으로 작업 트리를 생성하고, 필요한 서브태스크와 의존성을 정의한다. 두 번째는 Executor 계층으로, 각 서브태스크에 대해 코드 생성·실행·모니터링을 담당한다. 여기서는 LLM 기반 코드 생성기와 컨테이너화된 실행 환경이 결합돼, 복잡한 시뮬레이션이나 데이터 파이프라인을 자동으로 구축한다. 세 번째는 Self‑Assessment 계층으로, 독립적인 컨텍스트에서 실행 결과를 검증하고, 오류 유형(예: 런타임 예외, 과학적 불일치)을 식별한다. 이 계층은 검증 결과를 피드백으로 변환해 Planner와 Executor에 전달함으로써, 전략적 오류를 조기에 교정하고 작업 진행을 지속시킨다.

핵심 기술적 기여는 두 가지이다. 첫째, 자기반성 메커니즘이다. 기존 LLM 기반 에이전트는 주로 단일 라운드의 코드 생성·실행에 머물지만, PARC는 결과를 독립적인 평가 모델에 의해 검증하고, 그 피드백을 기반으로 재계획·재실행을 수행한다. 이는 특히 장시간 실행되는 시뮬레이션에서 중간에 발생하는 자원 부족, 파라미터 설정 오류 등을 자동으로 복구한다는 점에서 의미가 크다. 둘째, 계층적 다중 에이전트 협업이다. Planner는 전역적인 작업 흐름을 설계하고, 여러 Executor가 병렬로 작업을 수행한다. 이때 Scheduler가 자원 할당과 작업 우선순위를 동적으로 조정해, 수십 개의 43시간 규모 시뮬레이션을 효율적으로 관리한다.

실험에서는 두 도메인, 즉 재료 과학(리튬 이온 전도성 및 합금 분리)과 Kaggle 데이터 과학 경진대회를 선택했다. 재료 과학에서는 기존 논문의 핵심 결과를 재현하는 데 성공했으며, 30여 개의 병렬 시뮬레이션을 자동으로 실행·모니터링·오류 복구했다. Kaggle 실험에서는 최소한의 자연어 지시만으로 데이터 전처리, 특징 엔지니어링, 모델 탐색까지 전 과정을 수행해, 인간이 설계한 베이스라인과 비슷한 성능을 달성했다. 이러한 결과는 PARC가 전략적 오류 감지와 자동 교정을 통해 장기 작업을 지속 가능하게 만든다는 것을 실증한다.

한계점으로는 (1) 자기평가 모델의 신뢰성에 크게 의존한다는 점, (2) 복잡한 과학적 검증이 필요한 경우 도메인 전문가의 사전 지식이 여전히 필요할 수 있다는 점, (3) 현재 구현이 주로 클라우드 기반 컨테이너에 국한돼, 온프레미스 환경에서는 추가적인 적응이 필요하다는 점을 들 수 있다. 향후 연구에서는 평가 모델을 메타러닝으로 강화하고, 도메인‑특화 검증 프로토콜을 플러그인 형태로 제공함으로써 범용성을 높이는 방향이 제시된다.