원자적 동작에서 표준 운영 절차로: 자기 진화형 LLM 에이전트를 위한 반복적인 도구 최적화

From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents

도구 활용은 대규모 언어 모델(LLM) 에이전트가 실제 세계와 상호 작용하고 복잡한 작업을 해결할 수 있도록 합니다. 그러나 기존 에이전트 프레임워크는 주로 세분화된 원자적 동작(예: 기본적인 파일 입출력 또는 단일 턴 검색)으로 구성된 정적인 도구 세트에 의존하며, 이는 에이전트가 모든 반복적인 워크플로우에 대해 저수준 로직을 재정의하도록 강제하여 추론 오버헤드를 증가시키고 실패율을 높입니다. 본 연구에서는 에이전트가 이러한 원자적 동작을 재사용 가능한 표준 운영 절차(SOP)로 합성함으로써 자기 진화를 달성할 수 있다고 제안합니다. SOP는 다단계 로직을 캡슐화하는 호출 가능한 고차 도구 역할을 합니다. 또한, 우리는 EvoSOP라는 프레임워크를 소개합니다. EvoSOP은 에이전트가 실행 경로에서 SOP를 추출하고 체계적인 구축, 병합, 평가 및 가지치기 라이프사이클을 통해 도구 세트를 반복적으로 최적화할 수 있도록 지원합니다. 광범위한 실험 결과는 EvoSOP이 기준 모델과 비교하여 작업 성공률을 크게 향상시키고 상호 작용 횟수를 현저히 줄인다는 것을 보여줍니다. 또한, 분석 결과에 따르면 반복적인 도구 최적화는 신뢰성 있고 효율적인 도구 사용 패턴을 촉진하며, 이는 자기 진화형 에이전트 개발을 위한 확장 가능한 경로를 제공합니다.

Tool utilization enables Large Language Model (LLM) agents to interact with the real world and resolve complex tasks. However, existing agent frameworks predominantly rely on static toolsets composed of granular atomic actions (e.g., basic file I/O or single-turn search), which forces agents to reinvent low-level logic for every recurring workflow, leading to increased reasoning overhead and failure rates. In this study, we propose that agents can achieve self-evolution by synthesizing these atomic actions into reusable Standard Operating Procedures (SOPs), which function as callable higher-order tools that encapsulate multi-step logic. We further introduce EvoSOP, a framework that empowers agents to extract SOPs from execution trajectories and iteratively optimize the toolset through a systematic lifecycle of construction, merging, evaluation, and pruning. Extensive experiments demonstrate that EvoSOP significantly boosts task success rates while substantially reducing the number of interaction rounds compared to baselines. Our analysis also reveals that iterative tool optimization fosters reliable and efficient tool-use patterns, providing a scalable pathway for the development of self-evolving agents.