ACCORD: 행동 기반 상황 맥락 이해를 통한 언어 에이전트

ACCORD: Action-Conditioned Contextual Grounding for Language Agents

사용자 지침은 종종 불완전합니다. 왜냐하면 인간은 주변 환경에 대한 암묵적인 가정에 의존하기 때문입니다. 풍부한 정보가 있는 디지털 및 물리적 환경에서 작동하는 대규모 언어 모델(LLM) 에이전트는 이러한 가정을 단순히 지침만으로 추론할 수 없습니다. 대신 도구, 데이터, 인터페이스 및 관찰의 현재 상태로부터 이를 파악해야 합니다. 따라서 효과적인 실행을 위해서는 에이전트가 누락된 맥락을 식별하고, 관찰된 증거를 통해 이를 이해하며, 이후 행동에 통합하는 것이 필수적입니다. 본 연구에서는 현재 에이전트들이 이러한 작업을 제대로 수행하지 못한다는 것을 보여줍니다. 그들은 실제로 관찰된 정보 대신 가정에 기반하여 행동하며, 수집할 수 있는 정보를 간과하고, 이미 반환된 증거를 활용하지 못합니다. 이러한 통찰력을 바탕으로, 우리는 적응적 맥락 이해를 위한 간단하고 효과적인 에이전트 프레임워크인 ACCORD (Action-Conditioned Contextual Grounding)를 제안합니다. ACCORD는 각 행동 전에 환경을 적극적으로 탐색하여 누락된 정보를 찾고, 그렇지 않으면 간과될 수 있는 에이전트의 이전 경로에서 관련 맥락을 통합합니다. 추가적인 훈련이나 작업 성공 신호 없이도, ACCORD는 GPT-5-mini를 사용하여 AppWorld에서 최대 +20.6%의 작업 목표 달성률 향상을 보여줍니다 (42.0%에서 62.6%). 이러한 이점은 Claude-4.5-sonnet과 같은 훨씬 강력한 기본 모델 (+10.8), 오픈 웨이트 모델 (+10.1 with Qwen3.5-27B-FP8) 및 AlfWorld와 같은 임베디드 벤치마크에서도 지속됩니다 (+7.4의 성공률 향상, GPT-5-mini 사용).

User instructions are often underspecified because humans rely on implicit assumptions about the surrounding environment. For large language model (LLM) agents operating in information-rich digital and physical environments, these assumptions cannot be inferred from the instruction alone; they must be recovered from the current state of tools, data, interfaces, and observations. Effective execution therefore requires agents to identify missing context, ground it in observed evidence, and carry it forward into subsequent actions. We show that current agents often fail to do so. They act from assumed rather than observed specifics, overlook information they could have gathered, and fail to incorporate evidence that has already been returned. Building on this insight, we propose ACCORD (Action-Conditioned Contextual Grounding), a simple and effective agent framework for adaptive grounding. Before each action, ACCORD actively probes the environment for missing information and integrates relevant context from the agent's trajectory that would otherwise be overlooked. Requiring no additional training or task-success signals, ACCORD improves task-goal completion on AppWorld by up to +20.6 points with GPT-5-mini, from 42.0% to 62.6%, compared to strong baselines. These gains persist with a substantially stronger base model (+10.8 with Claude-4.5-sonnet), an open-weight model (+10.1 with Qwen3.5-27B-FP8), and on the embodied AlfWorld benchmark (+7.4 success rate with GPT-5-mini).