다중 에이전트 트랜잭티브 메모리

Multi-Agent Transactive Memory

다양한 능력과 다양한 작업을 수행하는 LLM 에이전트를 분산 환경에 배치하는 것은 서로 다른 에이전트 그룹 간의 지식 공유를 위한 인프라를 필요로 합니다. 검색 엔진이 인간이 생성한 자료를 색인하여 인간의 문제 해결을 지원하는 것처럼, 검색 시스템은 에이전트가 생성한 자료를 정리하여 다양한 에이전트 그룹에서 재사용할 수 있도록 할 수 있습니다. 본 연구에서는 개별 에이전트에 유용한 인간이 작성한 자료를 활용하는 retrieval-augmented generation 방식을 확장하여, 여러 에이전트 집단에 대한 에이전트가 생성한 자료의 검색 및 활용을 지원합니다. 특히, 에이전트의 작업 경로(trajectory)는 재사용 가능한 절차적 지식을 포함하지만, 이러한 자료는 일반적으로 단 한 번 사용된 후 버려지거나 생성 에이전트에만 보관되어 새로 생성된 에이전트는 기존 솔루션을 반복적으로 재발견해야 하는 문제가 있습니다. 본 연구에서는 다중 에이전트 트랜잭티브 메모리(MATM)라는 프레임워크를 제안합니다. MATM은 에이전트가 생성한 작업 경로를 집단 수준에서 저장하고 검색하는 시스템으로, 생산자 에이전트는 작업 경로를 공유 저장소에 기여하고 소비자 에이전트는 이를 검색하여 작업 수행 능력을 향상시킵니다. 본 연구는 특히 긴 작업 경로와 풍부한 절차적 구조를 포함하는 대화형 환경(ALFWorld 및 WebArena)에 초점을 맞춥니다. 실험 결과, MATM에서 작업 경로를 검색하면 하위 작업 성능이 향상되고 조정 또는 공동 훈련 없이도 상호 작용 단계를 줄일 수 있음을 확인했습니다. 이러한 결과를 통해 MATM은 개방형 에이전트 생태계에서의 집단 수준 경험 공유를 위한 설계 패턴으로 자리매김할 수 있습니다.

The decentralized deployment of LLM agents with diverse capabilities across diverse tasks motivates infrastructure for knowledge sharing across heterogeneous agent populations. Just as search engines index human-generated artifacts to support human problem solving, retrieval systems can organize agent-generated artifacts for reuse across agent populations. We extend retrieval-augmented generation - which demonstrates the value of human-authored artifacts to individual agents - to retrieval of agent-generated artifacts supporting a population of agents. In particular, agent trajectories encode reusable procedural knowledge, yet these artifacts are typically discarded after a single use or retained only by the producing agent, forcing newly instantiated agents to repeatedly rediscover existing solutions. We propose Multi-Agent Transactive Memory (MATM), a framework for population-level storage and retrieval of agent-generated trajectories, where producer agents contribute trajectories to a shared repository and consumer agents retrieve them to improve task execution. We focus on interactive environments (ALFWorld and WebArena), where trajectories are long and encode especially rich procedural structure. Our experiments demonstrate that retrieving trajectories from MATM improves downstream task performance and reduces interaction steps without coordination or joint training. These results position MATM as a design pattern for population-level experience sharing in open agent ecosystems.