EASy: 효율적인 LLM 기반 에이전트 시스템으로 향하여

EASy: Towards Efficient LLM-Based Agentic System

에이전트 시스템은 전문화된 LLM 기반 에이전트를 조정하여 복잡한 작업을 해결하는 유망한 패러다임으로 부상했습니다. 그러나 대부분의 기존 시스템은 작업 성공률을 최적화하는 데 중점을 두는 반면, 실행자 능력 및 계산 비용과 같은 실제 제약 조건 하에서 실행 효율성은 상대적으로 고려하지 않습니다. 기존 라우터 기반 방법은 풍부하고 변화하는 작업 컨텍스트, 다단계 의존성 및 중간 실행 피드백에 대한 추론 능력이 제한적이며, 종종 새로운 실행자에 대해 성능이 좋지 않습니다. 본 논문에서는 강화 학습을 통해 작업 성능과 계산 효율성을 동시에 최적화하는 학습 가능한 에이전트 프레임워크인 EASy를 제안합니다. EASy는 LLM 기반 오케스트레이터에 다양한 실행자의 능력 및 비용 프로필에 대한 명시적인 지식을 부여하여, 단순한 성능 라우팅을 넘어 상황에 맞는 조정을 가능하게 합니다. 또한, 복잡한 작업을 관리 가능한 단계로 분해하고, 의존성을 고려한 실행 그래프를 구축하며, 적합한 실행자를 할당하고, 독립적인 단계를 병렬화하는 동시에 중간 결과에 따른 후속 결정을 조정하는 마일스톤-계획-실행 워크플로우를 도입합니다. 오케스트레이터를 학습하기 위해, 우리는 대체 마일스톤 분해 및 실행 계획을 탐색하는 트리 구조의 시뮬레이션 절차와 함께 작업 정확성, 실행 효율성 및 경로 완전성을 포착하는 다중 구성 보상 체계를 개발했습니다. 수학적 추론, Embodied Decision-Making 및 Deep Research 벤치마크에 대한 광범위한 실험 결과, EASy는 강력한 에이전트 기반 시스템과 비교하여 일관되게 더 뛰어난 성능-효율성 균형을 달성함을 보여줍니다.

Agentic systems have emerged as a promising paradigm for solving complex tasks by coordinating specialized LLM-based agents. However, most existing systems primarily optimize task success while giving limited consideration to execution efficiency under practical constraints such as executor capability and computational cost. Existing router-based methods have limited ability to reason over rich, evolving task contexts, multi-step dependencies, and intermediate execution feedback, and often generalize poorly to unseen executors. We propose EASy, a trainable agentic framework that jointly optimizes task performance and computational efficiency through reinforcement learning. EASy equips an LLM-based orchestrator with explicit knowledge of the capability and cost profiles of heterogeneous executors, enabling context-sensitive coordination beyond performance-only routing. It further introduces a milestone-plan-act workflow that decomposes complex tasks into manageable milestones, constructs dependency-aware execution graphs, assigns suitable executors, and parallelizes independent steps while adapting subsequent decisions to intermediate outcomes. To train the orchestrator, we develop a tree-structured rollout procedure that explores alternative milestone decompositions and execution plans, together with multi-component rewards that capture task correctness, execution efficiency, and trajectory completeness. Extensive experiments on mathematical reasoning, embodied decision-making, and deep research benchmarks show that EASy consistently achieves stronger performance-efficiency trade-offs than strong agentic baselines.