AgentSwing: 장기 목표 웹 에이전트를 위한 적응형 병렬 컨텍스트 관리 라우팅

AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents

대규모 언어 모델(LLM)이 장기적인 정보 검색을 위한 자율 에이전트로 발전함에 따라, 제한된 컨텍스트 용량을 관리하는 것이 중요한 병목 현상으로 부상했습니다. 기존의 컨텍스트 관리 방법은 일반적으로 전체 탐색 과정 동안 단일하고 고정된 전략을 사용합니다. 이러한 정적인 설계는 특정 상태에서는 잘 작동할 수 있지만, 장기적인 탐색 과정에서 축적된 컨텍스트의 유용성과 신뢰성이 변화함에 따라 적응할 수 없습니다. 이러한 과제를 공식화하기 위해, 우리는 장기적인 성공을 두 가지 상호 보완적인 측면, 즉 검색 효율성과 최종 정확성을 통해 설명하는 확률적 프레임워크를 소개합니다. 이러한 관점을 바탕으로, 우리는 상태 인지적이고 적응적인 병렬 컨텍스트 관리 라우팅 프레임워크인 AgentSwing을 제안합니다. AgentSwing은 각 트리거 지점에서 여러 개의 컨텍스트 관리된 브랜치를 병렬로 확장하고, 미리보기 라우팅을 사용하여 가장 유망한 다음 단계를 선택합니다. 다양한 벤치마크와 에이전트 백본에서의 실험 결과, AgentSwing은 강력한 정적 컨텍스트 관리 방법보다 일관되게 우수한 성능을 보이며, 종종 최대 $3 imes$ 더 적은 상호 작용 횟수로 동일하거나 더 높은 성능을 달성하는 동시에 장기 목표 웹 에이전트의 궁극적인 성능 한계를 향상시킵니다. 경험적 이점 외에도, 제안된 확률적 프레임워크는 장기 목표 에이전트를 위한 향후 컨텍스트 관리 전략을 분석하고 설계하는 데 유용한 기준을 제공합니다.

As large language models (LLMs) evolve into autonomous agents for long-horizon information-seeking, managing finite context capacity has become a critical bottleneck. Existing context management methods typically commit to a single fixed strategy throughout the entire trajectory. Such static designs may work well in some states, but they cannot adapt as the usefulness and reliability of the accumulated context evolve during long-horizon search. To formalize this challenge, we introduce a probabilistic framework that characterizes long-horizon success through two complementary dimensions: search efficiency and terminal precision. Building on this perspective, we propose AgentSwing, a state-aware adaptive parallel context management routing framework. At each trigger point, AgentSwing expands multiple context-managed branches in parallel and uses lookahead routing to select the most promising continuation. Experiments across diverse benchmarks and agent backbones show that AgentSwing consistently outperforms strong static context management methods, often matching or exceeding their performance with up to $3\times$ fewer interaction turns while also improving the ultimate performance ceiling of long-horizon web agents. Beyond the empirical gains, the proposed probabilistic framework provides a principled lens for analyzing and designing future context management strategies for long-horizon agents.