LogAct: 공유 로그를 통한 에이전트의 신뢰성 확보

LogAct: Enabling Agentic Reliability via Shared Logs

에이전트는 LLM(대규모 언어 모델) 기반의 구성 요소로서, 환경을 강력하고 임의적인 방식으로 변화시킬 수 있습니다. 비동기성 및 오류로 인해 실제 환경에서 에이전트의 실행에 대한 보장을 얻는 것은 어려울 수 있습니다. 본 논문에서는 LogAct이라는 새로운 추상화 기법을 제안합니다. LogAct에서 각 에이전트는 공유 로그를 사용하는 분해된 상태 머신으로 구성됩니다. LogAct에서 에이전트의 행동은 실행되기 전에 공유 로그에 기록되며, 플러그 가능한 독립적인 검증 시스템에 의해 실행 전에 중단될 수 있으며, 에이전트 또는 환경의 오류 발생 시 일관되게 복구될 수 있습니다. LogAct은 에이전트의 자체 실행 기록을 LLM 추론을 통해 분석할 수 있도록 하여 에이전트 자체의 검토 기능을 활성화하며, 이를 통해 복구, 상태 확인 및 최적화의 의미론적 변형을 가능하게 합니다. 평가 결과, LogAct 에이전트는 오류로부터 효율적이고 정확하게 복구되며, 자체 성능을 디버깅하고, 다중 에이전트 시스템에서 토큰 사용량을 최적화하며, 대표적인 벤치마크에서 3%의 성능 저하만으로 대상 모델의 모든 원치 않는 동작을 중단할 수 있습니다.

Agents are LLM-driven components that can mutate environments in powerful, arbitrary ways. Extracting guarantees for the execution of agents in production environments can be challenging due to asynchrony and failures. In this paper, we propose a new abstraction called LogAct, where each agent is a deconstructed state machine playing a shared log. In LogAct, agentic actions are visible in the shared log before they are executed; can be stopped prior to execution by pluggable, decoupled voters; and recovered consistently in the case of agent or environment failure. LogAct enables agentic introspection, allowing the agent to analyze its own execution history using LLM inference, which in turn enables semantic variants of recovery, health check, and optimization. In our evaluation, LogAct agents recover efficiently and correctly from failures; debug their own performance; optimize token usage in swarms; and stop all unwanted actions for a target model on a representative benchmark with just a 3% drop in benign utility.