인간처럼 학습하라: 효율적인 자기 개선을 위한 메타인지적 성찰 활용

Learn Like Humans: Use Meta-cognitive Reflection for Efficient Self-Improvement

대규모 언어 모델(LLM)이 복잡하고 자율적인 행동을 가능하게 했지만, 현재의 에이전트들은 적응성을 제한하는 정적이고 인간이 설계한 프롬프트에 여전히 얽매여 있습니다. 기존의 자기 개선 프레임워크들은 이러한 격차를 해소하려고 시도하지만, 일반적으로 높은 계산 비용을 초래하는 비효율적인 멀티 턴 재귀 루프에 의존합니다. 이를 해결하기 위해, 우리는 단일 재귀 주기 내에서 효율적인 자가 진화를 달성하는 프레임워크인 '메타인지적 에이전트 성찰적 자기 개선(MARS)'을 제안합니다. 교육 심리학에서 영감을 받은 MARS는 원칙 기반 성찰(오류를 방지하기 위한 규범적 규칙 추상화)과 절차적 성찰(성공을 위한 단계별 전략 도출)을 통합하여 인간의 학습 방식을 모방합니다. 이러한 통찰을 최적화된 지침으로 종합함으로써, MARS는 에이전트가 지속적인 온라인 피드백 없이도 체계적으로 추론 논리를 정제할 수 있도록 합니다. 6가지 벤치마크에 대한 광범위한 실험 결과, MARS는 계산 오버헤드를 크게 줄이면서도 최신 자가 진화 시스템보다 뛰어난 성능을 보이는 것으로 나타났습니다.

While Large Language Models (LLMs) enable complex autonomous behavior, current agents remain constrained by static, human-designed prompts that limit adaptability. Existing self-improving frameworks attempt to bridge this gap but typically rely on inefficient, multi-turn recursive loops that incur high computational costs. To address this, we propose Metacognitive Agent Reflective Self-improvement (MARS), a framework that achieves efficient self-evolution within a single recurrence cycle. Inspired by educational psychology, MARS mimics human learning by integrating principle-based reflection (abstracting normative rules to avoid errors) and procedural reflection (deriving step-by-step strategies for success). By synthesizing these insights into optimized instructions, MARS allows agents to systematically refine their reasoning logic without continuous online feedback. Extensive experiments on six benchmarks demonstrate that MARS outperforms state-of-the-art self-evolving systems while significantly reducing computational overhead.