자율 에이전트 AI 프레임워크

The Auton Agentic AI Framework

인공지능 분야는 텍스트 및 이미지의 확률적 생성인 생성형 AI에서 사용자들을 대신하여 외부 환경 내에서 작업을 수행하는 자율 시스템을 특징으로 하는 에이전트 AI로 전환되고 있습니다. 이러한 전환은 근본적인 아키텍처 불일치를 드러냅니다. 대규모 언어 모델(LLM)은 확률적이고 비정형적인 출력을 생성하는 반면, LLM이 제어해야 하는 백엔드 인프라(데이터베이스, API, 클라우드 서비스)는 결정적이고 스키마를 준수하는 입력을 요구합니다. 본 논문에서는 자율 에이전트 시스템의 생성, 실행 및 관리를 표준화하기 위한 체계적인 아키텍처인 Auton 에이전트 AI 프레임워크를 설명합니다. 이 프레임워크는 에이전트의 식별 및 기능에 대한 선언적이고 언어에 독립적인 사양인 '인지 청사진'과 에이전트를 구현하고 실행하는 플랫폼 특정 실행 환경인 '런타임 엔진' 간의 엄격한 분리를 기반으로 합니다. 이러한 분리는 모델 컨텍스트 프로토콜(MCP)을 통해 다양한 언어 간의 이식성, 형식적인 감사 가능성 및 모듈식 도구 통합을 가능하게 합니다. 본 논문에서는 에이전트 실행 모델을 잠재적인 추론 공간을 갖는 확장된 부분 관측 마르코프 결정 프로세스(POMDP)로 공식화하고, 생물학적 기억 시스템에서 영감을 받은 계층적 메모리 통합 아키텍처를 소개하며, 정책 투영을 통한 안전성 강제(사후 필터링이 아닌)를 위한 제약 공간 형식주의를 정의하고, 강화 학습을 통한 컨텍스트 내 적응을 포괄하는 3단계 자기 진화 프레임워크를 제시하며, 병렬 그래프 실행, 추론 예측, 동적 컨텍스트 가지치기와 같은 런타임 최적화를 통해 다단계 에이전트 워크플로우의 엔드 투 엔드 지연 시간을 줄이는 방법을 설명합니다.

The field of Artificial Intelligence is undergoing a transition from Generative AI -- probabilistic generation of text and images -- to Agentic AI, in which autonomous systems execute actions within external environments on behalf of users. This transition exposes a fundamental architectural mismatch: Large Language Models (LLMs) produce stochastic, unstructured outputs, whereas the backend infrastructure they must control -- databases, APIs, cloud services -- requires deterministic, schema-conformant inputs. The present paper describes the Auton Agentic AI Framework, a principled architecture for standardizing the creation, execution, and governance of autonomous agent systems. The framework is organized around a strict separation between the Cognitive Blueprint, a declarative, language-agnostic specification of agent identity and capabilities, and the Runtime Engine, the platform-specific execution substrate that instantiates and runs the agent. This separation enables cross-language portability, formal auditability, and modular tool integration via the Model Context Protocol (MCP). The paper formalizes the agent execution model as an augmented Partially Observable Markov Decision Process (POMDP) with a latent reasoning space, introduces a hierarchical memory consolidation architecture inspired by biological episodic memory systems, defines a constraint manifold formalism for safety enforcement via policy projection rather than post-hoc filtering, presents a three-level self-evolution framework spanning in-context adaptation through reinforcement learning, and describes runtime optimizations -- including parallel graph execution, speculative inference, and dynamic context pruning -- that reduce end-to-end latency for multi-step agent workflows.