레몬 에이전트 기술 보고서

Lemon Agent Technical Report

최근의 고도화된 LLM 기반 에이전트 시스템은 복잡하고 장기적인 작업을 해결하는 데 놀라운 능력을 보여주었습니다. 그러나 이러한 시스템은 여전히 자원 효율성, 컨텍스트 관리 및 다중 모드 인식 측면에서 근본적인 한계를 가지고 있습니다. 이러한 관찰을 바탕으로, 본 연구에서는 새로운 AgentCortex 프레임워크를 기반으로 구축된 멀티 에이전트 오케스트레이터-워커 시스템인 Lemon Agent를 소개합니다. Lemon Agent는 적응적인 작업 실행 메커니즘을 통해 기존의 Planner-Executor-Memory 패러다임을 형식화합니다. 저희 시스템은 전체 오케스트레이터 레이어와 워커 레이어 모두에서 작동하는 계층적이고 자기 적응적인 스케줄링 메커니즘을 통합합니다. 이 메커니즘은 작업의 복잡성에 따라 계산 강도를 동적으로 조정할 수 있습니다. 이를 통해 오케스트레이터는 병렬 서브 작업 실행을 위해 하나 이상의 워커를 할당할 수 있으며, 워커는 동시에 도구를 호출하여 운영 효율성을 더욱 향상시킬 수 있습니다. 이 두 계층 아키텍처 덕분에 시스템은 글로벌 작업 조정과 로컬 작업 실행 간의 시너지 효과를 달성하여 복잡한 시나리오에서 자원 활용 및 작업 처리 효율성을 최적화합니다. 병렬 단계에서 컨텍스트 중복을 줄이고 정보 밀도를 높이기 위해, 세 단계로 구성된 점진적인 컨텍스트 관리 전략을 채택했습니다. 또한, 과거 정보를 최대한 활용하기 위해, 모든 과거 경험에서 다차원적인 유효 정보를 추출하여 유사한 작업을 완료하는 데 도움을 주는 자기 진화 메모리 시스템을 제안합니다. 나아가, 향상된 MCP 도구 세트를 제공합니다. 권위 있는 벤치마크에 대한 실험적 평가 결과, 저희의 Lemon Agent는 GAIA에서 91.36%의 최고 정확도를 달성했으며, xbench-DeepSearch 리더보드에서 77+의 점수로 1위를 차지했습니다.

Recent advanced LLM-powered agent systems have exhibited their remarkable capabilities in tackling complex, long-horizon tasks. Nevertheless, they still suffer from inherent limitations in resource efficiency, context management, and multimodal perception. Based on these observations, Lemon Agent is introduced, a multi-agent orchestrator-worker system built on a newly proposed AgentCortex framework, which formalizes the classic Planner-Executor-Memory paradigm through an adaptive task execution mechanism. Our system integrates a hierarchical self-adaptive scheduling mechanism that operates at both the overall orchestrator layer and workers layer. This mechanism can dynamically adjust computational intensity based on task complexity. It enables orchestrator to allocate one or more workers for parallel subtask execution, while workers can further improve operational efficiency by invoking tools concurrently. By virtue of this two-tier architecture, the system achieves synergistic balance between global task coordination and local task execution, thereby optimizing resource utilization and task processing efficiency in complex scenarios. To reduce context redundancy and increase information density during parallel steps, we adopt a three-tier progressive context management strategy. To make fuller use of historical information, we propose a self-evolving memory system, which can extract multi-dimensional valid information from all historical experiences to assist in completing similar tasks. Furthermore, we provide an enhanced MCP toolset. Empirical evaluations on authoritative benchmarks demonstrate that our Lemon Agent can achieve a state-of-the-art 91.36% overall accuracy on GAIA and secures the top position on the xbench-DeepSearch leaderboard with a score of 77+.