다학제 과학 연구를 위한 자기진화형 에이전트 S1 NexusAgent

초록

S1 NexusAgent는 계층적 Plan‑and‑CodeAct 방식을 채택한 이중 루프 구조로, 장기 과학 워크플로우와 수천 개의 전문 도구를 효율적으로 관리한다. 객체‑레퍼런스 기반 희소 컨텍스트와 자동 Trajectory‑Evaluation 기반 자기진화 메커니즘을 통해 지속적인 스킬 축적과 목표 유지가 가능하다.

상세 분석

본 논문은 현대 과학 연구가 대규모 데이터와 복잡한 워크플로우, 그리고 도메인 특화 도구들의 급속한 확장에 직면함에 따라 기존 LLM 기반 에이전트가 장기 계획, 목표 유지, 실행 기반 학습에서 한계를 보인다는 점을 지적한다. 이를 해결하기 위해 제안된 S1 NexusAgent는 크게 네 가지 핵심 설계 요소를 갖는다. 첫째, Plan‑and‑CodeAct 패러다임을 기반으로 한 이중 루프(dual‑loop) 아키텍처이다. 외부 루프는 고수준 연구 목표를 단계별로 분해하고 전반적인 진행 상태를 관리하며, 내부 루프는 CodeAct 모듈을 통해 구체적인 서브태스크를 코드 형태로 실행하고 실시간 피드백을 받아 반복적으로 개선한다. 이 구조는 장기 목표의 드리프트를 방지하면서도 서브태스크 수준에서 자유로운 탐색과 재시도를 가능하게 한다. 둘째, 동적 도구 검색 및 핫‑플러그(DHP) 메커니즘이다. 수천 개에 달하는 과학 도구를 하나의 거대한 레파지토리로 관리하되, 의도‑인식(intention‑aware) 필터링을 통해 현재 서브태스크와 가장 관련성 높은 도구만을 실행 환경에 로드한다. 이를 통해 컨텍스트 오버헤드를 최소화하고, 도구 인터페이스의 표준화를 통해 다양한 분야(생물학, 화학, 재료과학 등)의 도구를 일관되게 호출할 수 있다. 셋째, 객체‑레퍼런스 기반 희소 컨텍스트 관리이다. 대규모 데이터와 긴 시간적 추론이 요구되는 과학 작업에서 전체 대화 기록을 유지하면 토큰 한계와 노이즈 문제가 발생한다. 저자는 객체 레퍼런스를 이용해 핵심 실험 결과와 메타데이터만을 별도 저장하고, 서브태스크 실행 시 필요한 부분만을 재구성하도록 설계했다. 이와 함께 실행 궤적 압축, 계획‑인식 컨텍스트 증강 등 네 가지 보조 메커니즘을 도입해 컨텍스트 팽창을 효과적으로 억제한다. 넷째, Trajectory‑Evaluation 기반 자기진화(TE‑SE) 프레임워크이다. 완전한 실행 궤적을 비판적 에이전트(Critic Agent)가 평가하고, 성공적인 경로를 Scientific Skill이라는 재사용 가능한 지식 단위로 추출한다. 이렇게 축적된 스킬은 이후 과제에서 프롬프트나 플래너에게 제공돼 의사결정 효율을 높이고, 지속적인 학습 루프를 형성한다. 실험에서는 바이오미니‑Eval, ChemBench, MatSciBench 등 장기 계획과 복합 도구 오케스트레이션이 요구되는 권위 있는 벤치마크에서 기존 최첨단 모델을 능가하는 성능을 기록했다. 특히 도메인 간 전이 능력과 도구 확장성에서 두드러진 개선을 보였다. 전체적으로 S1 NexusAgent는 과학 연구의 복합성을 구조적으로 분해하고, 코드 기반 실행과 자동 스킬 축적을 결합함으로써 장기 목표 유지와 지속 가능한 학습을 동시에 달성한다는 점에서 의미가 크다. 다만 현재 구현은 주로 텍스트‑기반 인터페이스와 제한된 샌드박스 환경에 의존하므로, 실제 실험실 장비와의 실시간 연동, 보안·프라이버시 관리, 그리고 대규모 멀티에이전트 협업에 대한 추가 검증이 필요하다.