경험에서 기술로: 재사용 가능한 전략 학습을 통한 다중 에이전트 생성 엔진 최적화

From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning

생성 엔진(GE)은 순위 기반 링크를 인용 기반 답변으로 대체하며 정보 접근 방식을 혁신하고 있지만, 현재 생성 엔진 최적화(GEO) 방법은 각 인스턴스를 개별적으로 최적화하여, 효과적인 전략을 축적하거나 다른 작업 및 엔진으로 전송할 수 없습니다. 본 연구에서는 GEO를 전략 학습 문제로 재정의하고, 조정된 계획, 편집, 그리고 정확도를 고려한 평가가 실행 레이어로 작동하는 다중 에이전트 프레임워크인 MAGEO를 제안합니다. 검증된 편집 패턴은 점진적으로 추출되어 재사용 가능한, 엔진별 최적화 기술로 발전됩니다. 통제된 평가를 위해, 콘텐츠 편집의 인과적 귀속을 위한 듀얼 브랜치 평가 프로토콜과 의미론적 가시성과 귀속 정확성을 통합하는 듀얼 축 지표인 DSV-CF를 소개합니다. 또한, 실제 쿼리를 기반으로 한 다중 시나리오, 다중 엔진 벤치마크인 MSME-GEO-Bench를 공개합니다. 세 가지 주요 엔진에 대한 실험 결과, MAGEO는 가시성과 인용 정확도 측면에서 휴리스틱 기반의 기존 방법보다 훨씬 우수한 성능을 보였으며, 엔진별 선호도 모델링과 전략 재사용이 이러한 성능 향상의 핵심 요소임을 확인했습니다. 이는 신뢰할 수 있는 GEO를 위한 확장 가능한 학습 기반의 패러다임을 제시합니다. 관련 코드는 https://github.com/Wu-beining/MAGEO 에서 확인할 수 있습니다.

Generative engines (GEs) are reshaping information access by replacing ranked links with citation-grounded answers, yet current Generative Engine Optimization (GEO) methods optimize each instance in isolation, unable to accumulate or transfer effective strategies across tasks and engines. We reframe GEO as a strategy learning problem and propose MAGEO, a multi-agent framework in which coordinated planning, editing, and fidelity-aware evaluation serve as the execution layer, while validated editing patterns are progressively distilled into reusable, engine-specific optimization skills. To enable controlled assessment, we introduce a Twin Branch Evaluation Protocol for causal attribution of content edits and DSV-CF, a dual-axis metric that unifies semantic visibility with attribution accuracy. We further release MSME-GEO-Bench, a multi-scenario, multi-engine benchmark grounded in real-world queries. Experiments on three mainstream engines show that MAGEO substantially outperforms heuristic baselines in both visibility and citation fidelity, with ablations confirming that engine-specific preference modeling and strategy reuse are central to these gains, suggesting a scalable learning-driven paradigm for trustworthy GEO. Code is available at https://github.com/Wu-beining/MAGEO