AgentX: 산업용 추천 시스템의 에이전트 기반 자기 반복을 향하여
AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems
추천 알고리즘 반복 과정은 수작업 중심의 엔지니어링 프로세스에서 산업화된 연구 루프로 전환되고 있지만, 이러한 전환은 여전히 구조적인 실행 병목 현상으로 인해 지연되고 있습니다. 아이디어 구상부터 배포까지의 전체 주기는 여전히 인간 엔지니어가 가설을 생성하고, 생산 코드를 수정하며, A/B 테스트를 실행하고, 온라인 결과를 분석하는 데 의존합니다. 따라서 혁신은 인력 규모에 따라 선형적으로 증가하지만, 증거, 컴퓨팅 자원 및 축적된 실험 지식을 통해 복합적인 성장을 이루지 못합니다. 본 논문에서는 AgentX라는 프로덕션 환경에서 운영되는 다중 에이전트 시스템을 소개하며, 이 시스템은 이러한 생산성을 근본적으로 재구성합니다. AgentX는 자체 진화하는 개발 엔진으로 작동하며, 수동 워크플로우로는 감당할 수 없는 규모와 속도로 추천 실험을 자율적으로 생성, 구현, 평가하고 학습합니다. 이 시스템은 4가지 밀접하게 결합된 단계를 폐쇄 루프 방식으로 운영합니다. 브레인스토밍 에이전트는 과거 실험 데이터, 시스템 아키텍처, 데이터 분석 및 외부 연구 자료를 종합하여 순위가 매겨진 실행 가능한 제안을 생성합니다. 개발 에이전트는 각 제안을 저장소 기반의 코드 생성 및 다차원 신뢰성 검증을 통해 프로덕션 환경에 적합한 코드로 변환합니다. 평가 에이전트는 안전한 온라인 배포를 수행하며, 제한 조건이 적용된 A/B 테스트를 통해 성공과 실패 모두를 구조화된 지식 자산으로 전환합니다. 마지막으로, 하니즈 진화 레이어(SGPO)는 실행 경로를 의미론적 기울기 업데이트로 변환하여 에이전트 자체를 지속적으로 개선함으로써, 이 시스템은 단순한 자동화를 넘어 자체 개선 능력을 갖추도록 합니다.
Recommendation algorithm iteration is moving from an artisanal, engineer-bound process toward an industrialized research loop, but this transition remains blocked by a structural execution bottleneck: the idea-to-launch cycle still depends on human engineers to generate hypotheses, modify production code, launch A/B experiments, and attribute online results. Innovation therefore scales linearly with headcount rather than compounding with evidence, compute, and accumulated experimental knowledge. We present AgentX, a production-deployed multi-agent system that fundamentally restructures this production function. AgentX operates as a self-evolving development engine: it autonomously generates, implements, evaluates, and learns from recommendation experiments at a scale and pace that no manual workflow can sustain. The system orchestrates four tightly coupled stages in a closed loop. A Brainstorm Agent synthesizes evidence from historical experiments, system architecture, data analysis, and external research into ranked, executable proposals. A Developing Agent translates each proposal into production-ready code through repository-grounded generation and multi-dimensional reliability verification. An Evaluation Agent conducts safe online rollout with guardrail-vetoed A/B judgment, converting both successes and failures into structured knowledge assets. A Harness Evolution layer (SGPO) then distills execution trajectories into semantic-gradient updates that continuously sharpen the agents themselves -- making the system not merely automated, but self-improving.
No Analysis Report Yet
This paper hasn't been analyzed by Gemini yet.
Log in to request an AI analysis.