MiTa 기억통합 및 작업 할당을 갖춘 계층형 다중 에이전트 협업 프레임워크

초록

MiTa는 관리자‑멤버 계층 구조를 도입해 전역 작업 할당과 에피소드 메모리 요약을 동시에 수행한다. 관리자는 할당 모듈로 에이전트 간 충돌을 방지하고, 요약 모듈로 최근 협업 기록을 압축해 장기 컨텍스트를 유지한다. 실험 결과, 복잡한 가정 내 작업에서 기존 다중 에이전트 시스템보다 단계 수를 크게 줄이며 효율성을 높였다.

상세 분석

MiTa 논문은 대형 언어 모델(LLM)을 기반으로 한 다중 에이전트 시스템이 직면한 두 가지 핵심 문제—메모리 불일치와 행동 충돌—를 해결하기 위해 새로운 계층형 프레임워크를 제안한다. 기존 연구들은 주로 분산 협업이나 단순 의사소통에 의존했으며, 에이전트 각각이 제한된 메모리 윈도우만을 활용해 장기 의존성을 놓치는 경우가 많았다. MiTa는 이러한 한계를 극복하기 위해 ‘관리자(manager)’와 ‘멤버(member)’라는 두 역할을 명확히 구분한다.

관리자는 두 개의 특화 모듈을 갖는다. 첫 번째인 Allocation 모듈은 각 멤버가 제안한 행동(m_ti)과 현재 관측(o_ti), 믿음(b_ti)을 하나의 교차‑컨텍스트 X_t에 집계한 뒤, LLM 기반 스코어링 함수를 통해 전역 최적 행동 집합 a_t*를 선택한다. 이 과정은 “bottom‑up negotiation + top‑down allocation”이라는 이중 흐름을 구현해, 개별 에이전트의 로컬 인사이트를 보존하면서도 전체 목표와의 일관성을 확보한다. 두 번째인 Summary 모듈은 작업 진행 상황이 변할 때마다 누적된 행동·믿음 기록을 추출하고, LLM에게 요약을 요청한다. 이렇게 생성된 협업 요약 C는 이후 할당 단계의 컨텍스트에 포함돼, 트렁케이션으로 인한 정보 손실을 방지하고 장기 의사결정에 필요한 히스토리를 압축된 형태로 제공한다.

기술적인 핵심은 MPOMDP(다중‑에이전트 부분관측 마코프 결정 과정) 정의 위에 관리자가 전역 정책 π(b)를 학습한다는 점이다. 여기서 b는 모든 에이전트의 관측·행동·요약을 통합한 팀 믿음(state)이며, 관리자는 이를 기반으로 할당을 수행한다. 논문은 또한 멤버 에이전트가 Perception → Memory → Negotiation → Execution 파이프라인을 따르며, 각 단계에서 LLM을 활용해 자연어 형태의 상태·행동을 생성한다는 점을 강조한다.

실험 설계는 VirtualHome‑Social 시뮬레이션을 사용해 다섯 가지 가정 내 작업(차 차 준비, 설거지, 식사 준비, 식료품 배치, 테이블 세팅)을 대상으로 한다. 심볼릭 관측과 비주얼 관측 두 환경을 모두 테스트했으며, GPT‑4o, Qwen3‑Plus, DeepSeek‑V3.1 등 서로 다른 LLM을 백본으로 사용해 로버스트성을 검증했다. 주요 평가지표는 평균 단계 수(L)와 효율성 향상(EI)이며, MiTa는 특히 3‑에이전트 설정에서 평균 단계 수를 34.4까지 낮추고 68 % 이상의 EI를 달성했다.

Ablation 실험에서는 Allocation 모듈을 제거했을 때 단계 수가 14 % 상승하고, Summary 모듈을 제거했을 때 효율성이 15.7 % 감소하는 등 두 모듈 모두 시스템 성능에 결정적인 기여를 함을 입증한다. 또한 관리자의 LLM 성능이 전체 협업 효율에 큰 영향을 미치는 반면, 멤버 에이전트는 비교적 약한 모델(GPT‑3.5‑Turbo)로 교체해도 성능 저하가 미미함을 보여, 관리자의 역할이 중앙집중식 의사결정의 핵심임을 강조한다.

요약하면, MiTa는 (1) 전역 작업 할당을 통한 행동 충돌 최소화, (2) 에피소드 메모리 요약을 통한 장기 컨텍스트 유지, (3) LLM의 논리적 추론·요약 능력을 효과적으로 결합함으로써 기존 다중 에이전트 프레임워크 대비 효율성과 적응성을 크게 향상시킨다. 이는 향후 복잡한 물리·시각 환경에서 LLM 기반 로봇 협업 시스템을 설계할 때 중요한 설계 원칙을 제공한다.