AI Agent 의사결정 프레임워크: ReAct의 한계를 넘어선 ADaPT

핵심 기술

본 콘텐츠는 LLM을 활용한 AI Agent의 의사결정 방식 중 ReAct의 반복적 추론 방식과 Plan-and-Executing 방식의 한계를 극복하기 위한 새로운 프레임워크인 ADaPT를 소개합니다. ADaPT는 iterative 방식과 planning 방식을 결합하여 복잡한 작업 처리 능력을 향상시키는 것을 목표로 합니다.

기술적 세부사항

• ReAct (Reasoning + Acting):
  • LLM이 행동과 관찰을 토대로 다음 행동을 반복적으로 생성하는 방식.
  • Iterative 실행 방식으로, 긴 context로 인한 방해 및 전체 계획 추적 문제 발생 가능.
• Plan-and-Executing:
  • 별도의 planning 모듈이 계획을 세우고, 하위 LLM 모듈이 작업을 수행하는 방식.
  • 초기 계획 실패 시 전체 작업 실패 위험.
• ADaPT (Adaptive Planning and Execution):
  • Executor 모듈: 작업을 직접 수행 시도 (ReAct와 유사).
  • Planner 모듈: 작업 실패 시 LLM을 이용해 더 작은 하위 작업으로 분해 (3~5단계의 짧고 추상적인 계획).
  • Controller 모듈: Executor와 Planner를 통합하고, 재귀적 호출 및 최대 깊이 제한을 통해 전체 파이프라인 관리.
  • Planner는 AND, OR 논리 연산자를 사용하여 하위 작업 결합.
  • LLM의 최소 atomic task 수행 능력 및 스스로 작업 완료 여부 판단 능력 필요.
• 실험 결과:
  • ALFWorld, WebShop, TextCraft 데이터셋에서 ReAct, Reflexion, Plan-and-Executing 대비 우수한 성능 입증.
  • 특히 Pick2 (ALFWorld), WebShop에서 높은 성공률.
  • dmax (재귀 깊이) 증가 시 성공률 향상.
  • 다양한 LLM(GPT-3.5, LLaMA-2 70B, Lemur)에서도 일관적으로 좋은 성능.
  • Planner와 Executor에 다른 LLM을 사용하는 경우에도 성능 향상 확인.

개발 임팩트

ADaPT는 복잡한 환경에서의 AI Agent의 작업 처리 능력을 크게 향상시킬 수 있습니다. 기존 방식의 단점을 보완하여 더 robust하고 효율적인 의사결정 시스템 구축을 가능하게 하며, 다양한 LLM과의 호환성을 통해 확장성이 높습니다. 향후 멀티턴 작업이나 더 복잡한 문제 해결을 위한 LLM 기반 Agent 개발에 중요한 기여를 할 것으로 기대됩니다.

커뮤니티 반응

(원문에서 직접적인 커뮤니티 반응 언급은 없으나, ReWOO와 같은 유사 연구와의 비교를 통해 학계 및 연구 커뮤니티의 관심을 시사합니다.)