리프스킬: 재귀적 LLM 에이전트를 위한 효율적인 잎 수준 행동 근거화

arXiv:2610.32412v1 발표 유형: 신규 초록: 재귀적 대규모 언어 모델(LLM) 에이전트는 분해, 실행 및 환경 피드백을 통해 장기적인 목표를 달성하는 과제를 해결합니다. 그러나 원자적 하위 작업을 생성한 후에는 익숙한 명령을 실행 가능한 행동으로 변환하기 위해 종종 동일한 대규모 모델을 다시 호출하곤 합니다. 우리는 고수준 계획은 과제별로 특화되어 있는 반면, 최하위 수준의 행동 기반 설정은 과제 간에 반복적으로 사용되며 환경에서 허용된 행동들과 비교하여 검증될 수 있다는 점을 관찰했습니다. 이에 우리는 리프스킬(LeafSkill)을 제안합니다. 이는 의미적으로 관련된 기반 설정 경험을 검색하고, 행동 템플릿을 현재 객체와 허용 가능한 행동에 연결하며, 경량형 1.7B 선택기를 활용해 연결된 행동을 선택하거나 변경되지 않은 하위 작업을 원래 에이전트에게 위임하는 외부 재사용 계층입니다. 스킬은 여전히 외부에 남아 있습니다…