딥 리서처 에이전트: 24시간 365일 딥러닝 실험을 위한 자율 프레임워크, 제로 코스트 모니터링 기능 탑재

Deep Researcher Agent: An Autonomous Framework for 24/7 Deep Learning Experimentation with Zero-Cost Monitoring

본 논문에서는 대규모 언어 모델(LLM) 에이전트가 24시간 365일 자율적으로 딥러닝 실험을 수행할 수 있도록 설계된 오픈 소스 프레임워크인 **딥 리서처 에이전트**를 소개합니다. 기존의 AI 연구 보조 도구들이 논문 작성이나 코드 생성에 집중하는 것과 달리, 저희 시스템은 가설 수립, 코드 구현, 학습 실행, 결과 분석, 그리고 반복적인 개선의 전체 실험 라이프사이클을 다룹니다. 이 프레임워크는 세 가지 주요 혁신을 도입합니다: (1) **제로 코스트 모니터링**: 모델 학습 과정에서 프로세스 수준의 확인 및 로그 파일 읽기를 통해 LLM API 비용을 0으로 줄이는 모니터링 방식입니다; (2) **두 계층의 고정 크기 메모리**: 런타임 지속 시간과 관계없이 약 5,000자 크기로 제한된 메모리 아키텍처를 사용하여 장시간 실행되는 에이전트에서 발생하는 무한한 컨텍스트 증가 문제를 방지합니다; (3) **최소 도구 세트를 갖춘 리더-워커 아키텍처**: 각 워커 에이전트는 3~5개의 도구만 갖춘 멀티 에이전트 설계를 사용하여 호출당 토큰 오버헤드를 최대 73%까지 줄입니다. 30일 이상의 지속적인 운영 동안, 이 프레임워크는 4개의 동시 연구 프로젝트에서 500개 이상의 실험 사이클을 자율적으로 완료했으며, 200개 이상의 자동화된 실험을 통해 한 프로젝트에서 기준 지표 대비 52%의 성능 향상을 달성했습니다. 모든 이 과정에서 LLM 비용은 평균 24시간 사이클당 0.08달러에 불과했습니다. 코드 및 관련 정보는 다음 링크에서 확인할 수 있습니다: https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7.

We present \textbf{Deep Researcher Agent}, an open-source framework that enables large language model (LLM) agents to autonomously conduct deep learning experiments around the clock. Unlike existing AI research assistants that focus on paper writing or code generation, our system addresses the full experiment lifecycle: hypothesis formation, code implementation, training execution, result analysis, and iterative refinement. The framework introduces three key innovations: (1) \textbf{Zero-Cost Monitoring} -- a monitoring paradigm that incurs zero LLM API costs during model training by relying solely on process-level checks and log file reads; (2) \textbf{Two-Tier Constant-Size Memory} -- a memory architecture capped at $\sim$5K characters regardless of runtime duration, preventing the unbounded context growth that plagues long-running agents; and (3) \textbf{Minimal-Toolset Leader-Worker Architecture} -- a multi-agent design where each worker agent is equipped with only 3--5 tools, reducing per-call token overhead by up to 73\%. In sustained deployments spanning 30+ days, the framework autonomously completed 500+ experiment cycles across four concurrent research projects, achieving a 52\% improvement over baseline metrics in one project through 200+ automated experiments -- all at an average LLM cost of \$0.08 per 24-hour cycle. Code is available at https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7.