적응적 작업 그래프를 이용한 언어 에이전트 팀 효율성 향상

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

대규모 언어 모델(LLM)은 점점 더 팀 단위로 활용되고 있지만, 기존의 협업 방식은 종종 극단적인 두 가지 방식으로 나뉩니다. 엄격하게 구조화된 방법은 미리 정의된 역할, 파이프라인 또는 작업 분해에 의존하는 반면, 완전히 비정형화된 팀은 적응성과 탐색을 가능하게 하지만 오류 전파, 에이전트 간 충돌, 자원 낭비(시간, 토큰 또는 파일 작업 측면에서)와 같은 비효율성을 초래합니다. 본 연구에서는 분산 시스템에서 영감을 받아 부분적인 가시성 및 통신 제약 조건 하에서 작동해야 하는 프로세서를 갖춘 LLM 팀의 협업을 위한 프레임워크인 Language Agent Teams for Task Evolution (LATTE)를 소개합니다. LATTE에서 에이전트 팀은 공동으로 공유되는 진화하는 조정 그래프를 구축하고 유지하며, 이 그래프는 하위 작업 종속성, 개별 에이전트 할당 및 하위 작업 진행 상태를 인코딩합니다. 이 프로토콜은 일관성을 유지하면서 에이전트가 작업을 동적으로 할당하고, 협업을 조정하며, 새로운 작업을 발견할 수 있도록 합니다. 여러 협업 작업 및 다양한 기본 모델을 통해 LATTE가 토큰 사용량, 실제 시간, 통신 및 협업 실패(예: 파일 충돌 및 중복 출력)를 줄이는 동시에 MetaGPT, 분산 팀, 상위-하위 Leader-Worker 계층 구조 및 정적 분해와 같은 표준 설계의 정확도에 맞거나 능가한다는 것을 보여줍니다.

Large language models (LLMs) are increasingly deployed in teams, yet existing coordination approaches often occupy two extremes. Highly structured methods rely on fixed roles, pipelines, or task decompositions assigned a priori. In contrast, fully unstructured teams enable adaptability and exploration but suffer from inefficiencies such as error propagation, inter-agent conflicts, and wasted resources (measured in time, tokens, or file operations). We introduce Language Agent Teams for Task Evolution (LATTE), a framework for coordinating LLM teams inspired by distributed systems, where processors must operate under partial observability and communication constraints. In LATTE, a team of agents collaboratively construct and maintain a shared, evolving coordination graph which encodes sub-task dependencies, individual agent assignment, and the current state of sub-task progress. This protocol maintains consistency while empowering agents to dynamically allocate work, adapt coordination, and discover new tasks. Across multiple collaborative tasks and a variety of base models, we demonstrate how LATTE reduces token usage, wall-clock time, communication, and coordination failures (e.g. file conflicts and redundant outputs) while matching or exceeding the accuracy of standard designs including MetaGPT, decentralized teams, top-down Leader-Worker hierarchies, and static decompositions.