LLM 기반 행동 생성 기능을 갖춘 자율 에이전트를 위한 계층적 오류 수정 그래프 프레임워크

A Hierarchical Error-Corrective Graph Framework for Autonomous Agents with LLM-Based Action Generation

본 연구에서는 LLM 기반 행동 생성 기능을 갖춘 자율 에이전트를 위한 계층적 오류 수정 그래프 프레임워크(HECG)를 제안합니다. HECG는 다음과 같은 세 가지 핵심 혁신을 포함합니다. (1) 다차원 전이 전략(MDTS): MDTS는 작업 품질 지표(Q), 신뢰도/비용 지표(C), 보상 지표(R) 및 LLM 기반 의미론적 추론 점수(LLM-Score)를 통합하여 정량적 성능과 의미적 맥락 간의 다차원 정렬을 달성합니다. 이를 통해 고품질 후보 전략을 보다 정확하게 선택하고, 부정적인 전이 위험을 효과적으로 줄입니다. (2) 오류 행렬 분류(EMC): EMC는 단순한 혼동 행렬 또는 전체 성능 지표와 달리, 전략 오류(Strategy Error) 및 스크립트 파싱 오류(Script-Parsing-Error)와 같은 10가지 유형으로 오류를 분류하여 작업 실패에 대한 구조화된 원인 분석을 제공합니다. 또한 오류의 심각도, 일반적인 행동, 오류 설명 및 복구 가능성을 기준으로 오류를 분해합니다. 이를 통해 작업 실패의 근본 원인을 정확하게 분석하고, 전체 성공률 또는 단일 성능 지표에만 의존하는 대신, 오류 수정 및 전략 최적화를 위한 명확한 지침을 제공합니다. (3) 인과-맥락 그래프 검색(CCGR): 동적인 작업 환경에서 에이전트의 검색 기능을 향상시키기 위해, 본 연구에서는 과거 상태, 행동 및 이벤트 시퀀스로 그래프를 구축합니다. 이 그래프의 노드는 실행된 행동, 다음 단계 행동, 실행 상태, 전이 가능한 전략 및 기타 관련 정보를 저장하고, 에지는 노드 간의 전이 조건을 포함한 인과적 의존성을 나타냅니다. CCGR은 현재 작업 맥락과 가장 관련성이 높은 부분 그래프를 식별하여 벡터 유사성 이상의 구조적 관계를 효과적으로 포착합니다. 이를 통해 에이전트는 맥락 정보를 최대한 활용하고, 전략 적응을 가속화하며, 복잡하고 다단계 작업에서 실행 신뢰성을 향상시킬 수 있습니다.

We propose a Hierarchical Error-Corrective Graph FrameworkforAutonomousAgentswithLLM-BasedActionGeneration(HECG),whichincorporates three core innovations: (1) Multi-Dimensional Transferable Strategy (MDTS): by integrating task quality metrics (Q), confidence/cost metrics (C), reward metrics (R), and LLM-based semantic reasoning scores (LLM-Score), MDTS achieves multi-dimensional alignment between quantitative performance and semantic context, enabling more precise selection of high-quality candidate strate gies and effectively reducing the risk of negative transfer. (2) Error Matrix Classification (EMC): unlike simple confusion matrices or overall performance metrics, EMC provides structured attribution of task failures by categorizing errors into ten types, such as Strategy Errors (Strategy Whe) and Script Parsing Errors (Script-Parsing-Error), and decomposing them according to severity, typical actions, error descriptions, and recoverability. This allows precise analysis of the root causes of task failures, offering clear guidance for subsequent error correction and strategy optimization rather than relying solely on overall success rates or single performance metrics. (3) Causal-Context Graph Retrieval (CCGR): to enhance agent retrieval capabilities in dynamic task environments, we construct graphs from historical states, actions, and event sequences, where nodes store executed actions, next-step actions, execution states, transferable strategies, and other relevant information, and edges represent causal dependencies such as preconditions for transitions between nodes. CCGR identifies subgraphs most relevant to the current task context, effectively capturing structural relationships beyond vector similarity, allowing agents to fully leverage contextual information, accelerate strategy adaptation, and improve execution reliability in complex, multi-step tasks.