Self-Manager: 장문 심층 연구를 위한 병렬 에이전트 루프

Self-Manager: Parallel Agent Loop for Long-form Deep Research

장문 심층 연구는 포괄적인 보고서를 얻기 위해 광범위한 시간 범위에 걸쳐 다각적인 조사가 필요합니다. 이러한 복잡한 작업을 처리할 때, 기존 에이전트는 선형적인 컨텍스트 누적 및 정보 손실을 극복하기 위해 하위 작업 수준에서 컨텍스트를 관리합니다. 그러나 여전히 단일 컨텍스트 윈도우와 순차적 실행 방식을 따르기 때문에 상호 간섭과 차단 현상이 발생하여 확장성과 적응성이 제한됩니다. 이러한 문제를 해결하기 위해, 본 논문에서는 비동기적이고 동시적인 실행을 가능하게 하는 병렬 에이전트 루프인 Self-Manager를 소개합니다. 메인 스레드는 여러 개의 하위 스레드를 생성하고, 각 스레드는 자체 격리된 컨텍스트를 가지며, Thread Control Blocks를 통해 반복적으로 관리하여 보다 집중적이고 유연한 병렬 에이전트 실행을 가능하게 합니다. Self-Manager의 효과를 평가하기 위해, DeepResearch Bench에서 기존의 단일 에이전트 루프 기준선에 비해 모든 지표에서 지속적으로 우수한 성능을 보임을 확인했습니다. 또한, Self-Manager의 설계 선택의 필요성과 컨텍스트 용량, 효율성 및 일반화 측면에서의 장점을 입증하기 위한 광범위한 분석 실험을 수행했습니다.

Long-form deep research requires multi-faceted investigations over extended horizons to get a comprehensive report. When handling such complex tasks, existing agents manage context at the subtask level to overcome linear context accumulation and information loss. However, they still adhere to a single context window and sequential execution paradigm, which results in mutual interference and blocking behavior, restricting scalability and adaptability. To address this issue, this paper introduces Self-Manager, a parallel agent loop that enables asynchronous and concurrent execution. The main thread can create multiple subthreads, each with its own isolated context, and manage them iteratively through Thread Control Blocks, allowing for more focused and flexible parallel agent execution. To assess its effectiveness, we benchmark Self-Manager on DeepResearch Bench, where it consistently outperforms existing single-agent loop baselines across all metrics. Furthermore, we conduct extensive analytical experiments to demonstrate the necessity of Self-Manager's design choices, as well as its advantages in contextual capacity, efficiency, and generalization.