Metis: 텍스트 및 코드 메모리 통합을 통한 자가 진화 에이전트

Metis: Bridging Text and Code Memory for Self-Evolving Agents

자가 진화 에이전트는 과거 실행 경험으로부터 학습하고 이를 미래 작업에 재사용함으로써 시간이 지남에 따라 성능을 향상시킵니다. 기존 시스템은 이러한 경험을 에이전트 컨텍스트에 주입되는 자연어 텍스트 또는 호출 가능한 도구로 노출되는 코드 형태로 표현합니다. 그러나 이러한 표현 방식의 선택은 일반적으로 경험 자체의 특성에서 파생되기보다는 설계 시점에 이루어지므로, 이들 간의 장단점 균형이 제대로 이해되지 않는 경우가 많습니다. 본 연구에서는 동일한 집합의 경험에 대해 텍스트 메모리와 코드 메모리를 분리하여 분석하는 최초의 통제된 실험을 수행했습니다. 그 결과, 두 가지 형태는 구축 비용, 실행 효율성 및 전송 가능성 측면에서 상호 보완적인 장단점을 가지고 있으며, 어느 한 가지 표현 방식만으로는 충분하지 않음을 확인했습니다. 이러한 결과를 바탕으로, 계층적 이중 표현 메모리를 기반으로 하는 자가 진화 에이전트 시스템인 Metis를 제안합니다. Metis는 텍스트 경험을 실행 계획, 환경 정보 및 일반적인 문제점으로 구성하고, 반복적으로 나타나는 계획을 검증된 호출 가능한 도구로 선택적으로 변환합니다. 이러한 설계는 텍스트 메모리의 광범위한 적용 가능성과 코드 메모리의 실행 효율성을 결합하면서, 반복적인 재사용이 필요할 때만 도구 생성 비용을 발생시킵니다. Metis는 대화형 에이전트를 위한 어려운 벤치마크인 AppWorld에서 평가되었으며, 그 결과 Metis는 ReAct에 비해 최대 20.6%의 작업 정확도 향상을 보였고, 실행 비용은 최대 22.8% 감소했습니다. 대표적인 자가 진화 에이전트 시스템과 비교했을 때, Metis는 정확성, 실행 효율성 및 메모리 구축 비용 간의 균형을 지속적으로 더 잘 유지합니다.

Self-evolving agents improve over time by distilling experience from past executions and reusing it in future tasks. Existing systems represent such experience either as natural-language text injected into the agent context or as code exposed as callable tools. However, the choice between these representations is typically made at design time rather than derived from the characteristics of the experience itself, leaving the trade-offs between them poorly understood. We present the first controlled study that isolates text memory and code memory over an identical set of experiences. Our results show that the two forms exhibit complementary trade-offs in construction cost, execution efficiency, and transferability, such that neither representation alone is sufficient. Guided by these findings, we propose Metis, a self-evolving agent system built on a hierarchical dual-representation memory. Metis organizes textual experience into execution plans, environment facts, and common pitfalls, and selectively crystallizes recurring plans into validated callable tools. This design combines the broad applicability of text memory with the execution efficiency of code memory while incurring tool-generation cost only when justified by repeated reuse. We evaluate Metis on AppWorld, a challenging benchmark for interactive agents. The results show that Metis improves task accuracy by up to 20.6% over ReAct while reducing execution cost by up to 22.8%. Compared with representative self-evolving agent systems, Metis consistently achieves a better balance between accuracy, execution efficiency, and memory-construction cost.