레몬 에이전트 적응형 자원 관리와 자기 진화 메모리 기반 멀티에이전트 시스템

초록

레몬 에이전트는 AgentCortex 프레임워크 위에 구축된 멀티에이전트 오케스트레이터‑워커 구조로, 계층적 자기 적응 스케줄링, 3단계 진행형 컨텍스트 관리, 그리고 성공·실패에 관계없이 실행 궤적에서 지식을 추출하는 자기 진화 의미 메모리(SES‑Memory)를 결합한다. 이를 통해 복잡한 장기 과제에서 자원 효율성을 크게 향상시키고, 멀티모달 입력을 효과적으로 처리한다. GAIA 벤치마크에서 91.36% 정확도, xbench‑DeepSearch에서 77점 이상을 기록하며 최신 성능을 달성하였다.

상세 분석

레몬 에이전트의 핵심 혁신은 기존 플래너‑실행‑메모리 파이프라인을 AgentCortex라는 통합 프레임워크로 재구성한 점에 있다. 첫 번째 계층인 매크로‑레벨 스케줄러는 작업의 구조적 독립성을 분석해 필요 시 다수의 서브 워커를 동시 활성화한다. 이는 복잡도가 높은 과제에서 병렬 탐색을 가능하게 하면서도 단순 과제에서는 단일 워커만 사용해 통신 오버헤드와 지연을 최소화한다. 두 번째 계층인 마이크로‑레벨 스케줄러는 각 워커 내부에서 툴 호출을 1~5개까지 동적으로 병렬화한다. 예를 들어, 대규모 웹 검색이나 이미지 다중 분석 시 동시에 여러 API를 호출해 데이터 획득 속도를 크게 높인다. 반대로 논리적 의존성이 강한 추론 단계에서는 순차 실행을 강제해 일관성을 유지한다.

컨텍스트 관리 전략은 세 단계로 구성된다. 첫 번째 ‘툴 내부 절단 및 메타데이터 로깅’ 단계에서는 개별 툴 출력이 사전 정의된 문자 길이를 초과하면 즉시 절단하고, 해당 절단 위치와 원본 정보를 메타데이터에 기록한다. 두 번째 ‘라운드 내 적응형 요약’ 단계에서는 하나의 상호작용 라운드 내 모든 툴 응답이 일정 길이를 초과하면 전체 라운드 내용을 요약하고, 특히 절단된 부분을 재구성한다. 세 번째 ‘라운드 간 레트로압축’ 단계에서는 전체 히스토리 용량이 포화될 때 과거 절단된 노드를 찾아 재요약하고, 압축된 결과를 원본 위치에 대체한다. 이 과정은 컨텍스트 윈도우 오버플로우를 방지하면서도 장기 추론에 필요한 논리적 연결을 보존한다.

SES‑Memory는 성공/실패 이진 평가에 의존하지 않고, 실행 궤적 전체에서 고가치 스킬 스니펫을 추출한다. 중간 단계의 유용한 코드, 툴 호출 패턴, 의사결정 포인트 등을 독립적인 의미 단위로 저장하고, 유사도 기반 필터링으로 노이즈와 중복을 억제한다. 이렇게 축적된 메모리는 이후 질의 시 상위 k개의 관련 메모리를 반환하고, 필요 시 새로운 메모리 생성을 억제해 메모리 폭증을 방지한다. 결과적으로 에이전트는 과거 실패 경험에서도 학습하여 점진적으로 능력을 향상시킨다.

툴셋 강화 측면에서는 고해상도 이미지 분석을 위한 ‘지능형 이미지 툴’이 도입되었다. 기존 VLM이 전체 이미지를 리사이즈해 세부 정보를 손실하는 문제를 해결하기 위해, 이미지 내 관심 영역을 좌표로 추출하고 해당 영역만 고해상도로 재분석한다. 또한 멀티소스 검색, 파일 읽기, 스트리트 뷰 내비게이션 등 다양한 모듈이 통합돼 멀티모달 환경에서도 강인한 성능을 보인다.

실험 결과는 GAIA와 xbench‑DeepSearch 두 권위 벤치마크에서 각각 91.36%와 77점 이상의 성과를 기록하며, 기존 최첨단 모델들을 능가한다. 특히 복잡한 장기 추론과 대규모 검색이 요구되는 시나리오에서 자원 사용량을 30% 이상 절감하면서도 정확도를 유지한다는 점이 주목할 만하다. 레몬 에이전트는 학술적 혁신과 산업 적용 가능성을 동시에 만족시키는 설계로, 향후 자율 AI 시스템의 표준 아키텍처로 자리매김할 잠재력을 가진다.