효율적인 트리 구조 딥 리서치를 위한 적응형 자원 할당

초록

ParallelResearch는 복잡한 질의를 트리 형태의 서브태스크로 동적으로 분해하고, 적응형 플래너와 런타임 오케스트레이션 레이어, 완전 비동기 실행 인프라를 결합해 순차적 추론의 병목을 해소한다. 실험 결과, 동일 품질의 보고서를 5배 빠르게 생성하거나 동일 시간 내에 품질을 향상시켰다.

상세 분석

본 논문은 딥 리서치 에이전트가 직면한 “순차적 추론 → 고지연·비효율” 문제를 근본적으로 재구성한다. 핵심 아이디어는 연구 과정을 동적 트리 구조로 모델링하고, 각 노드(플래닝·리서치)를 실시간 정보 이득에 따라 폭(breadth)과 깊이(depth)를 조절하는 것이다.

1. 적응형 플래너(Adaptive Research Planner)

   • 플래닝 노드가 현재 질의와 누적된 연구 결과(F)를 입력으로 받아, 기대 정보 이득(ΔUIG)과 계산 비용(Δt)을 균형 있게 고려해 분기 수(bₙ)를 최적화한다(식 7).
   • 이 과정은 “초기에 넓게 탐색 → 중간에 유망 경로에 집중”이라는 인간의 탐구 전략을 모방하며, 불필요한 서브쿼리를 사전에 억제한다.

2. 런타임 오케스트레이션 레이어(Runtime Orchestration Layer)

   • 각 리서치 노드가 반환한 발견(Fₙ)와 품질 메트릭을 실시간으로 평가한다.
   • 품질 기준(관련성, 신뢰성, 지원 정도 등)과 목표 만족도에 미치지 못하는 가지는 조기 종료하고, 남은 자원을 유망한 노드에 재할당한다.
   • 또한, speculative execution을 도입해 상위 플래닝 결정이 확정되기 전에 하위 작업을 미리 시작함으로써 대기 시간을 최소화한다.

3. 완전 비동기 실행 인프라(Fully‑Asynchronous Execution Infrastructure)

   • 전역 작업 풀에 모든 플래닝·리서치·오케스트레이션 태스크를 등록하고, 스레드‑안전한 상태 관리와 이벤트‑기반 스케줄링으로 동시성을 극대화한다.
   • 기존의 “layer‑wise” 혹은 “group‑wise” 병렬화와 달리, 부모‑자식 관계만 충족하면 즉시 실행 가능하므로, 서로 독립적인 서브트리 간의 불필요한 동기화가 사라진다.

실험에서는 DeepResearchGym과 DeepResearch Bench 두 벤치마크를 사용해 3가지 모델 패밀리(GPT‑4, Llama‑2, Claude‑2)를 평가하였다. 결과는

• 동일 품질(Overall Quality ≈ 85) 기준에서 5배까지 처리 시간 감소,
• 동일 시간 제한(예: 60 초) 내에서는 품질 점수가 평균 3~5% 상승,
• 깊이와 폭을 동적으로 조절함에 따라 노드 수(계산 비용) 대비 품질 향상이 비선형적으로 나타났으며, 과도한 깊이·폭은 오히려 품질 저하를 초래한다는 점을 그래프(Fig. 2)로 명확히 보여준다.

이론적 기여는 딥 리서치를 “트리‑구조 최적화 문제”로 정식화하고, 기대 정보 이득 기반의 브랜칭 정책을 제시한 점이다. 또한, 기존 연구가 주로 정적 혹은 거친 병렬화에 머물렀던 반면, 본 시스템은 노드‑레벨에서의 미세 조정과 실시간 재배치를 구현한다는 점에서 차별화된다.

제한점 및 향후 과제로는 (1) 정보 이득 추정 모델의 정확도 향상, (2) 대규모 멀티‑GPU/클러스터 환경에서의 스케일링, (3) 인간‑에이전트 인터랙션 시 플래너의 설명 가능성 제공 등이 제시된다. 전반적으로, ParallelResearch는 딥 리서치 에이전트가 실시간 인터랙티브 어플리케이션에 적용될 수 있는 실용적 기반을 마련한다.