다중 에이전트 추론을 위한 PRISM 프레임워크와 이득 분해 이론

초록

본 논문은 다중 에이전트 협업이 LLM의 추론 성능을 향상시키는 메커니즘을 ‘탐색·정보·집합’이라는 세 가지 독립 차원으로 정량화한다. 이를 바탕으로 제안된 PRISM(제안‑검토‑통합) 프레임워크는 역할 기반 다양성, 실행 기반 피드백, 폐쇄형 검증을 통해 세 차원을 동시에 최적화한다. 수학, 코드, 함수 호출 벤치마크에서 기존 방법들을 능가하며, 컴퓨팅 효율성에서도 우수함을 입증한다.

상세 분석

PRISM 논문은 다중 에이전트 시스템(MAS)의 성능 향상을 단순 경험적 관찰이 아니라 이론적 근거 위에 놓는다. 핵심은 Theorem 3.1에서 제시된 ‘이득 분해’ 모델로, 전체 기대 성공률을 탐색(coverage), 정보(피드백 정확도), 집합(합성 정확도) 세 요소의 곱으로 표현한다. 탐색 이득 G_explore는 에이전트 수 K와 전략 이질성에 비례해 증가하며, 최소 하나의 올바른 솔루션을 찾을 확률을 정의한다. 정보 이득 G_info는 실행 피드백(e)과 텍스트 기반 자체 평가(σ) 사이의 선택 정확도 차이로 정량화되며, 실행 결과가 제공하는 객관적 신호가 선택 과정에 미치는 영향을 정밀히 측정한다. 집합 이득 G_aggr는 최적 집합 함수 f와 베이스라인 집합 함수 f_base 사이의 차이로, 다수결이나 단순 평균이 아닌 증거 기반 합성 메커니즘의 효율성을 보여준다. 논문은 이 세 차원이 이론적으로 독립적이지만 실제 구현에서는 상호 보완적(subadditive)임을 증명한다.

PRISM 설계는 네 단계—Propose, Execute, Review, Synthesize—로 구성된다. ‘Propose’ 단계에서는 역할(제안자, 회의자, 탐색자 등)별로 서로 다른 프롬프트와 온도 설정을 적용해 다양성을 극대화한다. ‘Execute’ 단계는 샌드박스 환경에서 코드나 함수 호출을 실제로 실행해 정확한 성공/실패 신호를 얻는다. ‘Review’ 단계에서는 각 에이전트가 실행 보고서를 근거로 증거 기반 평가를 수행하고, 이 평가를 정량적 점수(s)로 변환한다. 마지막 ‘Synthesize’ 단계에서는 검증자(Validator)가 종합 점수를 이용해 최종 솔루션을 선택·재구성하고, 필요시 피드백을 다시 ‘Propose’ 단계로 되돌려 반복한다. 이 과정은 정보 이득을 최대로 활용하면서 집합 이득을 지속적으로 향상시키는 폐쇄형 루프를 만든다.

실험에서는 GSM8K, AIME‑2025, MBPP, BFCL‑SP 등 네 가지 도메인에서 PRISM이 기존 최첨단 방법들을 크게 앞선다. 특히 컴퓨팅 비용 대비 정확도 향상이 두드러져, 동일한 연산량에서 단일 대형 모델보다 높은 성능을 달성한다. Pareto 분석 결과, PRISM은 탐색·정보·집합을 부분적으로만 최적화한 방법들에 비해 전체 컴퓨팅 스펙트럼에서 우위를 점한다.

이 논문의 주요 기여는 (1) 다중 에이전트 추론을 세 차원으로 정량화한 이론적 프레임워크, (2) 그 프레임워크에 기반한 PRISM 시스템 설계와 수렴 보장, (3) 실험을 통한 컴퓨팅 효율성 및 성능 우위 입증이다. 향후 연구는 더 복잡한 도메인(예: 멀티모달, 장기 계획)에서 차원별 최적화 전략을 확장하거나, 자동화된 역할 생성 메커니즘을 도입해 탐색 이득을 더욱 증대시키는 방향으로 진행될 수 있다.