에이전트 추적 분석을 위한 뷰 지향 대화 컴파일러

View-oriented Conversation Compiler for Agent Trace Analysis

컨텍스트 학습 및 하니스 기반 에이전트 인지 시대에, 에이전트 추적 데이터는 점점 더 중요한 분석 가치를 지니지만, 대부분의 기존 연구에서는 대화 형식을 단순한 기술적 세부 사항으로 취급합니다. 현대 에이전트 대화에는 중첩된 도구 호출 및 결과, 사고 과정 추론 블록, 하위 에이전트 호출, 컨텍스트 윈도우 압축 경계, 그리고 하니스에 의해 주입된 시스템 지시어 등 복잡한 내용이 포함되어 있으며, 이는 단순한 사용자-어시스턴트 상호 작용보다 훨씬 복잡합니다. 이러한 추적 데이터를 일반 텍스트, JSON, YAML 형식으로 또는 grep과 같은 도구를 사용하여 분석기에 입력하면 분석 품질이 크게 저하될 수 있습니다. 본 논문에서는 VCC (View-oriented Conversation Compiler)라는 컴파일러 (어휘 분석, 구문 분석, 중간 표현, 최적화, 출력)를 제안합니다. VCC는 원시 에이전트 JSONL 로그를 다양한 구조화된 뷰로 변환합니다. 여기에는 전체 뷰 (원본 데이터를 손실 없이 기록하는 표준 라인 번호 좌표 시스템), 사용자 인터페이스 뷰 (사용자가 실제로 인지한 상호 작용을 재구성), 그리고 적응형 뷰 (관련성 예측에 의해 제어되는 구조 보존 투영)가 포함됩니다. AppWorld의 컨텍스트 학습 실험에서, VCC 컴파일된 뷰로 분석기의 입력 형식을 변경하기만 해도 (원시 JSONL에서 VCC 뷰로), 테스트된 모든 세 가지 모델 구성에서 통과율이 향상되었습니다. 또한 분석기의 토큰 사용량을 절반에서 2/3 수준으로 줄이고, 더 간결한 학습된 메모리를 생성했습니다. 이러한 결과는 메시지 형식이 컨텍스트 학습을 위한 인프라 역할을 하며, 단순한 구현 선택이 아니라는 것을 시사합니다.

Agent traces carry increasing analytical value in the era of context learning and harness-driven agentic cognition, yet most prior work treats conversation format as a trivial engineering detail. Modern agent conversations contain deeply structured content, including nested tool calls and results, chain-of-thought reasoning blocks, sub-agent invocations, context-window compaction boundaries, and harness-injected system directives, whose complexity far exceeds that of simple user-assistant exchanges. Feeding such traces to a reflector or other analytical mechanism in plain text, JSON, YAML, or via grep can materially degrade analysis quality. This paper presents VCC (View-oriented Conversation Compiler), a compiler (lex, parse, IR, lower, emit) that transforms raw agent JSONL logs into a family of structured views: a full view (lossless transcript serving as the canonical line-number coordinate system), a user-interface view (reconstructing the interaction as the user actually perceived it), and an adaptive view (a structure-preserving projection governed by a relevance predicate). In a context-learning experiment on AppWorld, replacing only the reflector's input format, from raw JSONL to VCC-compiled views, leads to higher pass rates across all three model configurations tested, while cutting reflector token consumption by half to two-thirds and producing more concise learned memory. These results suggest that message format functions as infrastructure for context learning, not as an incidental implementation choice.