팀으로서 진화하다: LLM 기반 다중 에이전트 시스템을 위한 협력적 자기 진화

Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems

LLM(Large Language Model) 기반 다중 에이전트 시스템(MAS)은 복잡하고 장기적인 작업을 수행하는 데 효과적인 패러다임으로 부상했습니다. 그러나 실제 작업 환경에서 MAS는 종종 실행 중에 다양한 오류를 발생시키며, 이러한 오류는 설계 단계에서 제거하기 어렵습니다. 이에 따라, 시스템 스스로의 실행 경험을 바탕으로 개선되는 경험 기반 MAS 진화가 필요하게 됩니다. 그러나 MAS의 경험은 복잡하고 장기적이며, 여러 에이전트의 실행 흐름과 통신 메시지가 얽혀 있어 어떤 부분을 개선해야 할지 파악하기 어렵다는 문제가 있습니다. 이러한 문제를 해결하기 위해 우리는 협력적 자기 진화를 기반으로 하는 경험 기반 MAS 진화 프레임워크인 Meta-Team을 제안합니다. Meta-Team은 각 에이전트의 실행 컨텍스트를 유지하고, 작업 후 통신을 조정하여 에이전트들이 진화를 위한 분산된 증거를 교환할 수 있도록 합니다. 이러한 설계 방식을 바탕으로, Meta-Team은 다층적 자기 진화를 수행하며, 실행 경험을 재사용 가능한 개선 사항으로 변환하여 에이전트 행동, 에이전트 간 조정 및 팀 수준의 조직을 향상시킵니다. 6가지 장기적인 에이전트 벤치마크에서 Meta-Team은 단일 에이전트 시스템, 수작업 MAS 및 기존 MAS 진화 방법보다 일관되게 우수한 성능을 보입니다. 추가 분석 결과, Meta-Team은 보다 안정적이고 확장 가능한 MAS 자기 진화를 가능하게 한다는 것을 보여줍니다.

LLM-based multi-agent systems (MAS) have emerged as an effective paradigm for complex and long-horizon tasks. However, in real-world tasks, MAS often exhibit various failures during execution and such failures are difficult to eliminate during design. This motivates experience-driven MAS evolution, where a system improves based on its own execution experience. Yet such evolution is challenging because MAS experience is prolonged and intricate, interleaving multiple agents' execution chains and communication messages, which makes it difficult to identify what should be improved. To address this challenge, we propose Meta-Team, an experience-driven MAS evolution framework based on collaborative self-evolution. Meta-Team preserves the execution context of each agent and coordinates post-task communication, enabling agents to exchange distributed evidence for evolution. Building on this design, Meta-Team conducts multi-scale self-evolution, transforming execution experience into reusable improvements to agent behaviors, inter-agent coordination, and team-level organization. Across six long-horizon agent benchmarks, Meta-Team consistently outperforms single-agent systems, hand-crafted MAS, and prior MAS evolution methods; further analyses demonstrate that Meta-Team enables more reliable and scalable MAS self-evolution.