에이전트 기반 기술 진화를 통한 메타 컨텍스트 엔지니어링

Meta Context Engineering via Agentic Skill Evolution

대규모 언어 모델의 운영 효율성은 추론 시점에 사용되는 컨텍스트에 크게 의존하며, 이러한 컨텍스트를 최적화하기 위한 공식적인 분야로 컨텍스트 엔지니어링(CE)이 확립되었습니다. 현재의 CE 방법은 주로 정형화된 생성-반사 워크플로우나 미리 정의된 컨텍스트 스키마와 같은 수동으로 제작된 도구를 사용합니다. 이러한 방법은 구조적인 편향을 초래하며, 컨텍스트 최적화를 제한된 범위 내의 직관적인 설계 공간으로만 가능하게 합니다. 이러한 문제를 해결하기 위해, 우리는 컨텍스트 엔지니어링 기술과 컨텍스트 아티팩트를 동시에 발전시키는 이중 계층 프레임워크인 메타 컨텍스트 엔지니어링(MCE)을 제안합니다. MCE는 메타 레벨 에이전트가 에이전트 기반 교차 방식을 통해 엔지니어링 기술을 개선하며, 이 과정에서 기술의 과거 이력, 실행 결과 및 평가를 종합적으로 고려합니다. 베이스 레벨 에이전트는 이러한 기술을 실행하고, 학습 데이터를 통해 얻은 정보를 바탕으로 컨텍스트를 유연한 파일 및 코드로 최적화합니다. 우리는 MCE를 오프라인 및 온라인 환경에서 5가지 다양한 도메인에 적용하여 평가했습니다. MCE는 일관된 성능 향상을 보여주었으며, 최첨단 에이전트 기반 CE 방법보다 5.6%에서 53.8% (평균 16.9%)의 상대적인 성능 향상을 달성했습니다. 또한, MCE는 컨텍스트 사용 및 학습 측면에서 뛰어난 적응성, 전이성 및 효율성을 유지했습니다.

The operational efficacy of large language models relies heavily on their inference-time context. This has established Context Engineering (CE) as a formal discipline for optimizing these inputs. Current CE methods rely on manually crafted harnesses, such as rigid generation-reflection workflows and predefined context schemas. They impose structural biases and restrict context optimization to a narrow, intuition-bound design space. To address this, we introduce Meta Context Engineering (MCE), a bi-level framework that supersedes static CE heuristics by co-evolving CE skills and context artifacts. In MCE iterations, a meta-level agent refines engineering skills via agentic crossover, a deliberative search over the history of skills, their executions, and evaluations. A base-level agent executes these skills, learns from training rollouts, and optimizes context as flexible files and code. We evaluate MCE across five disparate domains under offline and online settings. MCE demonstrates consistent performance gains, achieving 5.6--53.8% relative improvement over state-of-the-art agentic CE methods (mean of 16.9%), while maintaining superior context adaptability, transferability, and efficiency in both context usage and training.